5.2探秘人工智能+教學設計

《探秘人工智能》教學設計一、教材分析本課自育科出社版普通中科《信技》修1《據(jù)計》第5單《據(jù)分與人智》第節(jié)探秘工智能。工能是個新域在生中接的率但們其心解少所在這教內(nèi)的理主是過概去掘理讓生步解工能后實方。二、教學對象分析本課課象高學高學對活較的知對事也滿情且其性維為對理技細較興有于本課設不停在對工能品感應上是定度其現(xiàn)法行析舉說足生的奇和知。三、教學目標分析1、了解實現(xiàn)人工智能的常見方法，不同方法的適用范圍2、了解數(shù)據(jù)與機器學習的關系3了人智技發(fā)的趨勢、學難分析1、教學重點：機器學生的不同方法2教難：卷神網(wǎng)的解、學程環(huán)節(jié)教師活動設計意圖1、通過生引秘人工智能》活中的入說到人工智能，其實在我們生活中已經(jīng)屢見不鮮了。例子引比如，我家里有一個智能音箱，我對它說：今天廣州天氣怎樣，它就能把天入課堂氣情況播放給我。它能聽懂我的話，你說智不智能？當然智能??！比如我要出行，打開手機里的百度地圖，輸入我要去的目的地，它就能給我規(guī)劃路線，并且能過預估出行時間，路上是否會塞車，你說智不智能？當然智能??！再比如，我們現(xiàn)在很多單位門口都有這種人臉識別的閘機，我一走過去，它就能認出我是誰，然后判斷給不給我進出，你說智不智能？當然智能??！2、那么我的問題來了，有一道小學奧數(shù)題，是這樣的：算法描述題乘以算等于從對智搜題題題題題，這里的每一個漢字都對應一個數(shù)字。這時有一個機器人跳了出能的一索來，告訴你答案，算法描述題對應的數(shù)字是79365，那么，你說這個機器人般認識算智不智能？開始，法啟發(fā)對搜索算法的認識。我們先不要急于下結論，我們來看這個機器人是如何解決這個問題的。其實方法也很簡單，這里每一個漢字對應著一個數(shù)字，那么其范圍無非是0到9這個字機人他每可都入去算判式是成，后就求答。種所可都行一的法叫搜算法索法人智剛始究的要法非簡單卻人智領帶了大突。比說1997年BM就了一專門來做索的器叫DeepBue深，挑了時國象第人斯羅夫且敗他用索法決國象的題。3、當然了，國際象棋有很明確的規(guī)則，你知道每一步應該怎么走。但是很多生通過分機活中的問題，并不是可以用這樣抽象的規(guī)則來表達的。比如接下來這個例子：辨鳶尾器給鳶尾花分類?；ǖ睦龑W子，使習學生對機器學習有一個感性認識鳶尾花的花瓣鮮艷美麗，讓人賞心悅目，全世界鳶尾花的種類有30多種，常見的有變色鳶尾和山鳶尾。鳶尾花有著形狀與色彩相似的花瓣和萼片，但是一般來說，變色鳶尾花的花瓣較大，山鳶尾的花瓣較小，這個較大和較小是沒有一個明確的規(guī)則的。那么我們能夠讓機器像人類一樣分辨出這兩類花嗎？了決個題們集大的據(jù)別錄不種的尾花應花的度花的度。對于每個數(shù)據(jù)，我們將其轉換成右坐標軸上的一個點，x軸對應的是花瓣長度y軸對應的花瓣寬度，那么鳶花的分類就對應著坐標軸上劃一線使變鳶花點于線方山尾于線方。直線可以用線性函數(shù)來描述：即a_1x+a_2y+b=0，這里的a1、a2、b就是線性函數(shù)的參數(shù)。們斷訓這函數(shù)果于經(jīng)注的據(jù)數(shù)能確分類下這變鳶的據(jù)么調(diào)函的數(shù)得數(shù)配已的據(jù)。標注的數(shù)據(jù)越多，函數(shù)的訓練就會越精確。當這個函數(shù)訓練好后，對于新輸入的數(shù)據(jù)，我們就可以準確地分類了。上數(shù)據(jù)標的據(jù)行我數(shù)變適數(shù)的程叫做器習。4、深度學習在以上分辨鳶尾花的例子中，我們比較容易地提取了鳶尾花的特征，這個特征就是花瓣的長度和寬度。是我生中多子征不描的如圖是貓小的征別什呢？認識機器學習需要解決的問題的多樣性，介紹深度學習的方法，通過對貓臉識別的例子，感性認識深度學習的訓練 過程。這是一個很難用抽象的數(shù)學語言描述出來的問題。對于圖像中的特征提取，我們往往用到卷積的方法。卷積是一種數(shù)學運算，兩個形狀相同矩陣的卷積就是每個對應位置的數(shù)字相乘之后的和。在計算機中，一副灰度圖像可以看成是一個整數(shù)的矩陣。如果我們用一個形狀較小的矩陣和這個圖像矩陣做卷積運算，就可以得到一個新的矩陣，這個新的矩陣可以看作是一幅新的圖像。這幅新圖像有時候比原圖像更清楚地表示了某些性質，我們就可以把它當作原圖像的一個特征。舉個例子，原圖像乘以三面的小矩陣，就可以得到這幅新圖像，新圖像描述了原圖像水平方向的特征。再將原圖像乘以中間這個小矩陣，就會得到這樣一幅新圖像，這個新圖像描述了原圖像垂直方向的特征。再將原圖像乘以下面這個小矩陣，你猜會得到什么樣的圖像？這個新圖像描述了原圖像的輪廓特征。通過這個例子，我們可以構造不同的卷積核來提取圖像中的不同特征。然純用積不以計機別像們要積經(jīng)絡來圖進分識。一個卷積神經(jīng)網(wǎng)絡通常由多個順序連接的層組成，第一層一般以圖像為輸入過定卷運從像提特如睛輪朵輪廓等。接下來的每一層都以前一層提取的特征作為輸入，對其進行特定形式的變，可得更復的些征。過多的換后經(jīng)絡可將始像換高次抽的征。有難解個方就比們英學過中過母合到詞過詞合到子過子分得語過義的析達思，這語、想是高別抽。然，積經(jīng)絡并是能接別像，也需訓的。網(wǎng)的后層輸圖的類率果分與本圖標注差較則用向播法從往逐調(diào)各的數(shù)所我訓的片多神網(wǎng)的別力就強。果們用萬貓狗照來練經(jīng)絡它能松別圖中貓狗。積經(jīng)絡著次增多識能也之強以一練法被為度習。5、深度學習算法盡管取得很大的突破，但是它要依賴非常非常多的數(shù)據(jù)，并且認識深強你得標注什么數(shù)據(jù)是好的，什么數(shù)據(jù)是壞的。但是呢現(xiàn)實生活中有很多的問度學習化題是沒有絕對的好壞的。的 局學限，介習紹強化學習，通過訓練機器人單手擰魔方的例子幫助學生加深對強化學習認識比如這個打磚塊的游戲，我其實不在乎它怎么玩，它只要能得高分就行了。在這種情況下，它每一步應該怎么走，哪一步是好的，哪一步是不好的，很難說。我只知道游戲打完后有個分，分數(shù)高就是好的，分數(shù)低就是不好的，這個就叫做智能決策問題。面對這種情況，我們出現(xiàn)了一種新的機器學習算法——強化學習。強化學習用解智決問的法架化習法核就不地環(huán)交，停試，停改自，到到優(yōu)略。比如說，大家都知道AlphaGo打敗了圍棋世界冠軍，AlphaGO是采用神經(jīng)網(wǎng)絡學習算法，分析了三千萬盤職業(yè)棋手的棋譜來學習的。但是AlphaGo的升級版，AlphaGozero，完全通過自我博弈的強化學習算法訓練自己，從0開始訓練，而且完全擯棄了人類棋譜的影響，最后在與AlphaGo的對弈中取得100比0的勝利。這是強化學習算法的優(yōu)勢所在。一般而言，一個強化學習模型包括以下幾個部分：1.一組可以動態(tài)變化的狀態(tài)，比如圍棋棋盤上的黑白子的分布位置。2.一組可以選取的動作，比如圍棋上落子的位置。3一個以和決策體進行交互環(huán)境，比圍棋中的手對弈，這環(huán)境真強學中往使計機擬。4要回規(guī)，如棋，了得，了懲。們里個子使強學訓機手手魔。這例里態(tài)化狀就魔的個態(tài)以取動就是械各手手活動之互環(huán)就各物參報則也簡，方原就勵還不就罰。了高地練們建成上個同虛環(huán)訓練的境力一，的境擦小點有環(huán)魔體大些等。們機手對同環(huán)，要整己策去應。最后我們在現(xiàn)實世界中測試這個機械手，比如給機械手戴上手套，比如將它食和指起，者比去魔，之用種式行擾，械都很的成務。強學的用非廣比各機仿手訓掃機人訓，無駕的練都采強學的法大看的種工能，如I動畫自譜，I詩等也用化習練。6、好了同學們，以上是關于人工智能的探秘，