AI翻转课堂教案人工神经网络与深度学习教案

第四章人工神经网络与深度学习课题名称：人工神经网络与深度学习学习过程：课程名称学时教学环境人工智能导论6 课时多媒体教室教学内容人工神经网络与深度学习翻转课时第 1、2、5、6 课时教学方法情境教学法、任务驱动法、讲练结合法、小组争论教学法一、学习内容分析作为机器学习的一种重要技术，人工神经网络是一个形式上格外简洁，但分类功能格外强大的机器学习工具。无论是在计算机科学、通信、生物统计和医学，还是在金融和经济学包括股市推测中，大多数与“智能”有点关系的问题，都可以归结为一个在多维空间进展模式分类的问题，而这些正是人工神经网络所擅长的模式分类。随着计算机计算力量的提 高和大数据时代的降临，对人工神经网络的争论进入了一个崭的时代，深度学习或许念被 提出。深度学习的核心理念是通过增加网络的层数来让机器自动地从数据中进展学习，可以 凭借无标签的数据进展学习，而不需要依靠于监视信息的支撑。目前，深度学习的争论和应 用如火如荼，其成果也成为AI 领域关注的焦点。二、教学目标学问目标1、 了解神经网络在不同场景中的应用2、了解神经网络的进展概况3、了解神经元三、教学重点1、 神经网络在当前以及将来中的应用2、 神经网络七十年的进展力量目标能够觉察并理解神经网络在现代生活中的应用四、教学难点神经网络如何应用五、课前任务设计思考：第一、二节课:1、 阅读案例人工智能之人工神经网络与深度学习（1） 从技术到落地，自动驾驶让深度学习大有作为（2） “定损宝”，会抢走定损员的饭碗么？（3） Google 用深度学习算法检测癌细胞，准确率超过专家（4） 人工智能或能提前一周推测台风2、人工神经网络是如何学习的？第五、六节课：延长阅读：1、AI 不用地图和GPS 也能认路2、将大脑信号直接转换为可辩识的语音，帮助不能说话的人沟通外界六、授课过程一、二节(一) 案例引入（1） 从技术到落地，自动驾驶让深度学习大有作为（2） “定损宝”，会抢走定损员的饭碗么？（3） Google 用深度学习算法检测癌细胞，准确率超过专家（4） 人工智能或能提前一周推测台风(二) 神经网络进展概况众所周知，人脑是由几十多亿个高度互联的神经元组成的简单生物网络，也是人类分析、联想、记忆和规律推理等力量的来源。模拟人脑中信息存储和处理的根本单元神经元而组成的人工神经网络模型具有自学习与自组织等智能行为，能够使机器具有肯定程度上的智能水平。在七十年的进展历程中，神经网络曾历经质疑、批判与冷落，同时也几度富强并取得了很多瞩目的成就。从 20 世纪 40 年月的 M-P 神经元和 Hebb 学习规章，到 50 年月的 Hodykin-Huxley 方程感知器模型与自适应滤波器，再到 60 年月的自组织映射网络、神经认知机、自适应共振网络，很多神经计算模型都进展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法，为该领域带来了里程碑式的影响。目前模拟人脑简单的层次化认知特点的深度学习已经成为类脑智能中的一个重要争论方 向。通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念” 力量，在诸多领域都取得了巨大的成功，又掀起了神经网络争论和应用的一个高潮。(三) 神经元人脑中的信息处理单元是神经细胞，而人工神经网络的计算单元就是人工神经元,，一个人工神经元的构造如下图。（1） 来自其他神经元的输入信号为x1, x2, ., xn。（2） 每一个输入信号都有一个与之对应的突触权重w1, w2, ., wn，权重weight的凹凸反映了输入信号对神经元的重要性。（3） 线性聚合器将经过加权的输入信号相加，生成一个“激活电压”activation voltage。（4） 激活阈值activation threshold或bias给神经元的输出设置一个阈值。（5） 激活电位activation potentialu 是线性聚合器和激活阈值之差，假设 u0，神经元产生的就是兴奋信号，假设u0，神经元产生的是抑制信号。（6） 激活函数activation functiong 将神经元的输出限制在一个合理的范围内。（7） 神经元产生的输出信号y，可以传递给与之相连的其他神经元。将上述信息用公式可表示为：四归纳总结整体了解人工神经网络的进展概况以及神经元的相关工作原理，同时通过案例导读了解人工神经网络的当前应用状况。三、四节(一) 引入假设一个神经元是一个函数，那么神经网络就是一个函数网络！这意味着一个神经网络有很多这样的函数和这样的学习单元，它们的全部输入和输出是相互交织的，互为输入输出。 最近十多年来，人工神经网络的争论工作不断深入，已经取得了很大的进展，其在模式识别、 智能机器人、自动掌握、推测估量、生物、医学、经济等领域已成功地解决了很多现代计算机难以解决的实际问题，表现出了良好的智能特性。(二) 学问归纳1、人工神经网络构造及工作原理在人工神经网络中，全部节点都是分层的，每一层节点可以通过有向弧指向下一层节点， 但是同一层节点之间没有弧相互连接，而且每一个节点不能越过一层连接到下下层的节点 上。每一条弧上有一个值，称之为权重或者权值，依据这些值，可以用一个格外简洁的公式 算出它们所指节点的值，比方节点Y1 的值取决于X1 和 X2 的值，以及相应有向弧上的权值W11 和W21。虽然这里只画了三层节点，但是在理论上，人工神经网络的层数可以是任意的。人工神经网络是一个分层的有向图，第一层输入节点 X1，X2，Xn 承受输入的信息，也称为输入层。来自这些点的数值x1,x2,xn依据它们输出的弧的权重w0,w1,w2,wn依据下面公式进展线性加权得到 G，然后再做一次函数变换 f(G)，赋给其次层节点Y。G = w0 + x1 w1 + x2 w2 + + xn wn(4-2)其次层的节点照此将数值向后传递，直到第三层节点，如此一层层传递，直到最终一层， 最终一层又被称为输出层。在模式分类时，一个模式图像、语音、文字等的特征值比方坐标，从输入层开头，依据上面的规章和公式一层层向后传递。最终在输出层，哪个节点的数值最大，输入的模式就被分在了哪一类。这就是人工神经网络的工作原理。2、BP 神经网络设 BP 神经网络具有m 层。第一层称为输入层，最终一层称为输出层，中间各层称为隐蔽层。输入层起缓冲存储器的作用，把数据源加到网络上，因此输入层的神经元的输入输出关系一般是线性函数。隐蔽层中各个神经元的输入输出关系一般为非线性函数。(三) 任务实施依据自己的理解试着说明神经网络的学习过程。四归纳总结通过本节课的学习，了解人工神经网络的相关学问以及具体应用。五、六节(一) 案例引入人工智能与深度学习，以及为什么会产生深度学习，其具体的环境有哪些？(二) 学问归纳1、深层神经网络随着人工神经网络争论和应用的深入，网络的层数也在不断地增多，从而形成有多个隐层的深度神经网络,依靠深度神经网络的机器学习被称为深度学习。2、CNN卷积神经网络(Convolutional Neural Networks, CNN)在图像处理方面表现格外精彩。CNN 根本包括输入层、卷积层、池化层(也称为取样层)、全连接层及输出层。卷积层和池化层一般会有假设干个，并交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层。(三) 任务实施通过案例理解 CNN 的工作过程。四归纳总结通过案例阅读，了解深度学习的应用及进展。