甘教版信息技术八下2-2《让机器懂得学习》教案.docx

让机器懂得学习教学设计课题让机器懂得学习单元第二单元学科信息科技年级八年级教材 分析这节课主要学习了机器学习的原理，参考课本案例如何教计算机区别猫和狗，了解机器 的几种学习方法，并在此基础上，让学生对机器学习技术的应用案例识别手势有了一定 的了解，以及如何在生活中发现还有哪些机器学习的应用领域，掌握应用案例的操作。学习 目标理解机器学习技术的原理了解机器学习技术的方法理解机器学习技术的应用案例了解机器学习技术的应用领域及发展趋势-s占了解机器学习的原理和方法。难点掌握机器技术学习的应用案例。教学过程教学环拍教师活动学生活动设计意图导入新课师：什么是机器学习？机器学习技术与人工智能的关系是什么？机器学习是一种让计算机像人类一样学习获 得知识与技能，并像人类一样感知世界、认识世界 的技术。机器学习是人工智能领域的核心技术，是 使计算机具有智能的重要途径。在大量数据的支撑 下，人工智能通过机器学习的各种方法对数据进行 深层次分析，从而完成学习。提出机器学习 和人工智能的 区别让学生了解机器学习的概念讲授新课机器学习的原理教计算机区别猫和狗第一次见到猫时，大人会告诉我们这是一只 猫。然后我们会通过大脑进行分析，在脑海中形成 猫的外貌、叫声、行为等特征，并在大脑中建立一 个猫的初始特征模型。随着见到猫的次数和种类的 不断增加，我们会不断修正这个特征模型，最终在 大脑中形成一个稳定的猫的特征模型。当我们再次遇到猫时，会提取猫的特征，然后 与大脑中形成的特征模型进行对比，从而作出它是 否是猫的判断。这就是简化版的人类学习过程，即 不断积累经验、总结规律，并不断改进的过程。图认识如何教机器区别猫和狗让学生在观察中 引发兴趣学会如 何修正特征模型用。最受欢迎的汽车制造公司特斯拉正在开发自动 驾驶汽车。它使用无监督学习方法训练汽车模型在 驾驶时检测人和物体。国内的自动驾驶汽车也很热 门，比如上海交通大学在此次疫情发生的时候采用 自动驾驶汽车送餐。6 .股市交易机器学习广泛用于股票市场交易。在股票市场 中，股票的涨跌风险总是存在的，因此对于这个机 器学习的长短期记忆神经网络用于股票市场趋势 的预测。7 .医学诊断在医学科学中，机器学习用于疾病诊断。有了 这个，医疗技术发展得非常快，并且能够建立可以 预测大脑中病变的确切位置的3D模型。它的图 像识别技术有助于轻松发现脑肿瘤和其他脑相关 疾病。课堂小结这节课我们学习了机器学习的原理，并参考正 例教计算机区别猫和狗，在研究机器的几种学习的 方法的基础上，对机器学习技术的应用案例识 别手势有了一定的了解，在生活中还有哪些机器学 习的应用领域，请大家课后思考。总结对本节课内容进 行总结概括。板书机器学习的原理教计算机区别猫和狗 机器学习的方法机器学习技术的应用案例识别手势 机器学习的发展及应用领域2-2-1描绘了人类学习的过程。图2-2-1人类学习的过程了解人类和机 器学习过程的 差异新的问题得出结论那么，机器是怎样学习的呢？为了便于同学们 理解，下面我们利用计算机识别猫和狗的图片实例 进行说明。1 .收集数据像人类一样，计算机也必须经过从实例中学习 来识别两种动物的不同之处，这些实例被称为数据 的训练集。学习展开如何运行案例步骤通过训练集让学 生深入掌握怎样 设计区别特征图2-2.2猫和狗的训练集.设计特征计算机不同于人，并不能自己形成猫和狗的外 貌特征模型。我们必须提前设计合理的特征。为了 简化问题，假设我们设计了以下两个特征：鼻子相 对于头的大小，耳朵的形状。因此，每一幅图片的 特征都可以只由两个数字表示，并将其表示在平面 坐标系中，水平和垂直坐标分别表示“鼻子大小” 特征和“耳朵形状”特征。从图2-2-3可以看出，猫和狗分别处于特征空 间的不同位置，这说明特征选得很合适。图2-2-3训练集的特征空间表示注意设计的特征要在不同类别中表现出明显的差 异，例如，像“腿的数量”这样的特征对于区分猫 和狗是没有用的（因为它们都有4条腿），但这一 特征对于辨别猫和蛇非常有用。3 .训练模型训练数据集有了合适的特征表示后，教计算机 区分猫和狗的最后一步就可归为一个简单的几何 问题：让计算机在我们精心设计的特征空间（直角 坐标系）中找到一条能够区分猫和狗的直线，直线 有斜率和截距两个参数。一旦确定了这条线，计算机会将出现在它之上 的特征表示（左上区域）判断为猫，将出现在它之 下的特征表示（右下区域）判断为狗。图2-2-4展 示了一个已训练好的线性模型。图2-2-4训练好的线性模型4 .测试模型最后，为了测试模型的性能，我们给计算机提 供一些在训练集中不存在的猫和狗的图片（这些数 据称为测试集）。测试时，首先需要从新图片中提 取我们设计的特征，然后检查它们落入特征空间中 直线的哪一侧。总体而言，跟人类的学习方法类似，机器学习 是从采集的数据中总结规律，利用这些规律对新的 数据进行预测，最终得到相应的结果。图2-2-5描 绘了机器学习的过程。图2-2-5机器学习的过程学习如何设计特征训练制作的模 型和测试模型总结机器学习 的模式设计特征需要表 现出明显差异的 部分加以强调激发学生实践 的兴趣引发学生参与讨 论和思考新的数据预测结果机器学习的方法机器学习通常分为两大类：有监督学习 (Supervised Leaning)和无监督学(Unsupervised Leaning) o1 .有监督学习有监督学习就是通过有标注的训练数据经过 训练得到一个最优模型，再利用这个模型对新的、 不知道输出结果的数据样本预测其输出结果。例 如，前面教计算机识别猫和狗的过程就是一个有监 督学习的过程，其流程如图2-2-6所示。图2-2-6有监督学习流程图2 .无监督学习在有监督学习里面，我们可以用已知输出的输 入数据训练机器，但在无监督学习中，我们没有任 何训练数据训练机器，需要让机器自己从数据中找 寻规律，建立能够反映数据之间关系的模型c比如, 我们给计算机不同动物的图片，计算机会自行根据 相似度对图片进行分类，如图2-2-7所示。图2-2-7无监督学习过程学习机器学习 的两种基本模 式学习机器的不同模式的学习拓展另外两种学习模式多学一手通过对比两种学 习模式的异同激 发学生自主探索 的学习兴趣在拓展中让学生熟练掌握并巩固除了有监督学习和无监督学习，还有两种特殊 的机器学手习类型，分别是半监督学习和强化学 习。半监督学习是有监督学习与无监督学习相结 合的一种学习方法，使用大量未标记数据和部分标 记数据进行学习。强化学习没有教师，也没有训练数据，但也不 同于无监督学习，其学习过程中有回报。强化学习 采用的是边探索边学习的方式，在探索的过程中学 习到在特定的情境下，选择哪种行动可以得到最大 的回报。Al-phaGo的核心算法就用到了强化学习。机器学习技术的应用案例识别手势通过人工智能实验平台完成对如图2-2-8所示 的石头、剪刀、布三种手势的模型训练和验证，从 而加深对有监督学习的认识。图2-2-8石头、剪刀、布的手势1 .打开mBlock,在积木区添加“机器学习'扩 展模块，如图2-2-9所示。图2-2-9 “机器学习”模块2 .点击“机器学习”中的“训练模型”，进入 模型训练界面。每个模型默认有三个分类，分别是 分类1、分类2和分类3,可自定义模型的分类数 量及每个分类的名称。在本例中，将分类名称依次 改为石头、剪刀、布，如图2-2-10所示。图2-2-10模型训练界面3 .打开摄像头，分别拍摄三种手势的照片并设 计训练模型。拍照数量越多，拍照的角度越全面，了解机器学习的识别手势如何运行和操作知识点在操作中激发学 生实践的热情和 动力模型训练的结果越准确。如图2-2-11所正是石头、 剪刀、布三种手势的模型训练结果。图2-2-11石头、剪刀、布三种手势的模型训练 结果学习三种手势的模型在进行实践操作 加深学生对知识 点的记忆理解4 .停止模型训练后，可以通过摄像头识别手势， 测试模型的训练结果。若结果与实际不符，可继续 增加样本，进一步修正模型。5 .完成模型训练之后，点击下方的“使用模型”， 则可在“机器学习”积木区打开识别窗口进行识别 手势，如图2212是“布”手势的识别结果。图2-2-12手势识别结果根据以上石头、剪刀、布手势的识别过程，我 们不难发现，有监督学习过程分为模型训练和模型 验证两个阶段。如图2-2-13所不，模型训练阶段给 计算机输入大量有标记的手势图片，计算机提取图 片特征，并利用提取的特征训练模型，最终得到手 势特征模型。图2-2-13手势识别的过程了解机器学习多学一手发展的历程和在查资料的过程请同学们上网查阅资料，了解在机器学习发展历程 中，不同时期的标志性事件有哪些，将查阅结果与 其他同学进行交流。第一，2010年2月，加州大学伯克利分校教授乔丹 和卡内基梅隆大学教授米歇尔同时当选美国工程 院院士，同年5月份，乔丹教授又当选为美国科学 院院士。随后几年，概率图模型专家科勒(Daphne Koller)当选为美国工程院院士，理论计算机学家标志性事件中让学生充分探 索知识点的延伸 内容和机器学习专家、Boosting的主要建立者之一夏皮 尔(Robert Schapire)当选为美国工程院院士和科 学院院士。第二，2011年的图灵奖授予了加州大学洛杉矶分校 教授珀尔(Judea Pearl)，他主要的研究领域是概 率图模型和因果推理，这是机器学习的基础问题。 图灵奖通常颁给纯理论计算机学者，或者早期建立 计算机架构或框架的学者。而把图灵奖授予珀尔教 授具有方向标的意义。此外，去年科学和自 然杂志连续发表了4篇关于机器学习的综述论文。 第三，机器学习切实能被用来帮助工业界解决问 题。学习机器学习 的发展和应用 领域在应用领域的介绍中激发学生的学习兴趣机器学习的发展及应用领域.机器学习的发展机器学习作为人工智能的一个重要分支，它的 发展过程大体上可分为五个阶段。第一阶段是20世纪40年代的萌芽时期；第二阶段是20世纪50年代中期至60年代中 期的热烈时期；第三阶段是20世纪60年代中期至70年代中 期的冷静时期；第四阶段是20世纪70年代中期至80年代末 的复兴时期；第五阶段是20世纪90年代后的多元发展时 期。其发展历程和人工智能的发展历程类似，也经 历了多次起伏。1 .机器学习的应用领域今天，在计算机科学的诸多领域都能发现机器 学习的身影，尤其是在智能语音、计算机视觉、自 然语言处理等领域。在语音识别方面，智能语音系统在机器学习的 帮助下，可以让计算机在噪声较多的环境下，依然 能准确识别人的声音。在计算机视觉领域，机器学习极大地提升了人 脸识别、图像分类等应用的性能。随着互联网的普及，海量的自然语言数据给机 器学习提供了充足的学习资源，从而出现了大量应 用于实际生活的应用，如搜索引擎、对话机器人、 机器翻译等。实践与提高请同学们仿照前面石头、剪刀、布手势的识别 过程，利用mBlock里的“机器学习''模块完成图 2-2-14所示三种手势的特征模型的训练与验证，总 结识别过程，并记录识别结果。拓展延伸机器学习的应用1.图像识别图像识别是机器学习最常见的应用之一。它用 于识别物体、人物、地点、数字图像等。图像识别 和人脸检测的流行用例是，自动好友标记建议： Facebook为我们提供了自动好友标记建议的功能。 每当我们上传与Facebook好友的照片时，我们都 会自动收到带有姓名的标记建议，这背后的技术是 机器学习的人脸检测和识别算法。它基于名为学习操作模块 中三种手势的 表现方式了解在生活中 举出实例介绍 机器学习的案 例可激发学生提出 话题讨论，尽可 能参与讨论，掌 握知识点激发学生动手实 践熟练掌握适当互动让学生 在讨论中加深对 本节课的理解和 知识点的运用“ Deep Face ”的Facebook项目，负责图片中的 人脸识别和人物识别。2 .语音识别在使用各种搜索软件时，我们有一个“通过语 音搜索”的选项，它属于语音识别，是机器学习的 一个流行应用。语音识别是将语音指令转化为文字 的过程，也称为“语音转文字”，或“计算机语音 识别”目前，机器学习算法被各种语音识别应用广 泛使用。百度助手、还有一些语音输入法正在使用 语音识别技术来遵循语音指令。3 .交通预测如果我们想去一个新的地方，我们会借助手机 地图，它会向我们显示最短路线的正确路径并预测 交通状况。它通过两种方式预测交通状况，例如 交通是否畅通、缓慢行驶或严重拥堵：车辆的实时 位置来自地图应用程序和传感器、过去几天的平均 时间同时发生。每个使用手机地图的人都在帮助 这个应用程序变得更好。它从用户那里获取信息并 将其发送回其数据库以提高性能。4 .产品推荐机器学习被京东、淘宝等各种电子商务和娱乐 公司广泛用于向用户推荐产品。每当我们在京东上 搜索某种产品时，我们就会在同一浏览器上上网时 收到同一产品的广告，这是因为机器学习。淘宝 使用各种机器学习算法了解用户的兴趣，并根据客 户的兴趣推荐产品。类似的，当我们使用淘宝购 物时，我们会找到一些关于娱乐系列、电影等的推 荐，这也是在机器学习的帮助下完成的。5 .自动驾驶汽车机器学习最令人兴奋的应用之一是自动驾驶 汽车。机器学习在自动驾驶汽车中发挥着重要作