《《深度学习基础及应用》教案第1课搭建深度学习开发环境.docx》由会员分享，可在线阅读，更多相关《《深度学习基础及应用》教案第1课搭建深度学习开发环境.docx（9页珍藏版）》请在第壹文秘上搜索。
1、深度学习基础及应用教案课时分配表章序课程内容课时备注1搭建深度学习开发环境22夯实深度学习开发基础23构建神经网络64利用卷积神经网络进行图像处理45利用循环神经网络进行文本预测和分类46利用生成对抗神经网络进行图像生成27利用迁移学习进行图像分类28交通标志识别2上机实践2448课即搭建深度学习开发环境课时2课时(90min)教学目标知识技能目标：(1)掌握人工智能、机器学习和深度学习的基本概念及它们之间的关系(2)了解深度学习的主要应用领域(3)能够成功搭建深度学习的开发环境(4)能够使用JupyterNotebook完成Python程序的编辑、运行和调试素质目标：(1)通过了解我国深度学
2、习平台的发展，增强民族自信心(2)养成刻苦、勤奋、好问、独立思考和细检查的学习习惯教学重唯点教学重点：人工智能、机器学习和深度学习的基本概念及它们之间的关系教学难点：使用JUPylerNOIeboOk完成PyIhon程序的编辑、运行和调试教学方法案例分析法、问答法、讨论法、i并授法教学用具电脑、投影仪、多媒体课件、教材教学过程主要教学内容及步骤课前任务【教师】布置课前任务，和学生负责人取得联系，组织学生通过APP或其他学习软件，了解人工智能、机器学习和深度学习的相关知识【学生】完成课前任务考勤【教师】使用APP进行签到【学生】班干部报请假人员及原因新课预热【教师】自我介绍，与学生简单互动，介绍
3、课程内容、考核标准等【学生】聆听、互动【教师】讲一些机器学习在生活中的作用的案例2016年3月，阿尔法围棋(AIphaGo)与围棋世界冠军、职业九段棋手李世石进行人机大战，最终AIphaGo以4:1的总比分获胜，这个事件引起了社会的高度关注，也把人工智能再一次推向话题顶峰。近几年，人工智能已经真正进入了人们的日常生活，指纹识Slk刷脸支付等技术的使用，极大地改变了人们的生活方式，而这些技术都要依靠深度学习.因此，越来越多的人加入到了深度学习的学习和开发中，小旌也想加入其中，于是先从搭建深度学习开发环境入手。那么，深度学习开发环境的搭建的步骤有哪些？【学生】聆听、记录、理解互动导入【教师】要求全
4、班学生以35人为一组进行分组，各组选出组长，组长组织组员扫码观看“深度学习的发展历程“和“深度学习的应用领域“视频(详见教材)，并讨论下列问题：(1)简述深度学习的发展历程。(2)简述深度学习的应用领域，并列举出相关领域中已发布的系统或软件(不少于3个)。【学生】分组、扫码现看、思考、讨论、回答问题【教师】通过学生的回答引入要讲的知识传授新知【教师】通过学生的回答引入要讲的知识，介绍人工智能、机器学习和深度学习、深度学习的应用领域和深度学习的主流框架的相关知识1.1 人工智能、机器学习和深度学习1.1.1 人工智能1.人工智能的概念在1956年的达特茅斯会议上,约翰,麦卡锡等人第一次提出人工智
5、能概念，它标志着人工智能学科的畦【教师】随机邀请学生回答以下问题：什么是人工智能？+【学生】聆听、思考、回答*【教师】总结学生的回答人工智能(artificialMelligence,AI),从字面上进行解释，主要有人工和智能两个部分。人工”是指人造的、人为的，与自然界中本身存在的天然事物相对应；而“智能”是智力和能力的总称，它涉及意识、自我、思维(包括无意识的思维)等问题。因此，人工智能是指能够让机器或系统像人一样拥有智力和能力,可以代替人类实现识别、认知、分析和决策等多种功能的技术。2.人工智能的主要研究内容与应用领域人工智能是自然科学和社会科学的交叉学科，汲取了自然科学和社会科学的最新成
6、就，以智能为核心，形成了具有自身研究特点的新体系。人工智能的研究涉及广泛的领域，如各种知识表示模式、不同的智能搜索技术、求解数据和知识不确定性问题的各种方法、机器学习的不同模式等.人工智能已经发展成为一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学和哲学等多学科相互融合的综合性新学科.【教师】随机邀请学生回答以下问题：人工智能主要研究什么内容？*【学生】聆听、思考、回答*【教师】总结学生的回答目前，人工智能的主要研究内容大体上可以分为以下几个方面。(1)知识表示是把人类的知识概念化、形式化或模型化。一般地，就是运用符号知识、算法和状态图等来描述待解决的问题。目前，已提出的知识
7、表示方法主要包括符号表示法和连接机制表示法。(2)知识推理是指在计算机或智能系统中，依据推理控制策略，利用形式化的知识模拟人类的智能推理方式进行求解问题的过程.(3)机器学习是指计算机能够模拟人的学习行为,自主获取新知识,并重新组织已有的知识结构，不断提升自身解决问题的能力。机器学习可以通过学习文献资料、与人交谈和观察环境等方式进行。随着人工智能理论研究的发展，人工智能的应用领域越来越宽广，其应用效果也越来越显著。人工智能的应用主要集中在自动定理证明、问题求解与博弈、专家系统、模式识别、机器视觉、自然语言处理、人工神经网络、分布式人工智能与多Agent等领域。1 .1.2机器学习2 .机器学习
8、的概念机器学习是人工智能的一个重要分支，并逐渐成为推动人工智能发展的关键因素。机器学习(machinelearning,ML)是指如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习.这一定义是由卡内基梅隆大学的教授汤姆米切尔提出的，该定义目前在学术界广泛使用。3 .机器学习的基本思路【教师】随机邀请学生回答以下问题：什么是机器学习？【学生】聆听、思考、回答【教师】总结学生的回答机器学习的基本思路是使用一定的算法解析训练数据；然后学习数据中存在的一些特征，得到模型；最后使用得到的模型对实际问题做出分类、决策或预测等。【教师】通过多媒体展示“机器学习的
9、基本思路”图片(详见教材)，并介绍相关知识以小朋友区分大象和长颈鹿为例，讲解一下机器学习的基本思路。小朋友看连环画时，父母在旁边告诉他：长鼻子大耳朵的是大象，花斑纹长脖子的是长颈鹿。不断重复上面的过程，小朋友的大脑在不停地学习。当小朋友去动物园看到大象和长颈鹿时，他就能够很快地将大象和长颈鹿区分开来。机器学习与这个过程很相似。其中，小朋友看的连环画在机器学习中称为“训练孀，训练数据”的集合称为“训练集，长鼻子大耳朵的是大象，花斑纹长脖子的是长颈鹿这种区分大象和长颈鹿的属性称为“特征，小朋友不断学习的过程就是“建模，学会了区分大象和长颈鹿后总结出来的规律称为模型。在动物园看到大象和长颈鹿是新的数
10、据，又称为“测试集，将训练好的“模型应用于测试集可以完成分类、决策或预测等任务。4 .机器学习的分类机器学习是一个庞大的家族体系，涉及众多算法、任务和学习理论。按照学习形式机器学习可分为有监督学习、无监督学习、半监督学习和强化学习。(1)有监督学习是给算法T幡集(样本)，并且给定正确答案(标签)，机器通过数据集来学习正确答案的一种学习方法。例如，准备一大堆猫和狗的照片，想让机器学会如何识别猫和狗。有监督学习需要给这些照片打上标签。打好标签的照片就是“正确答案，机器通过大量学习，就可以学会在新照片中识别出猫和狗。这种通过大量人工打标签来帮助机器进行学习的方式就是有监督学习。这种学习方式效果非常好
11、，但成本也较高。(2)无监督学习是给定的峰集没有“正确答案，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的特征。例如，把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是希望机器能够将这些照片分类,通过学习，机器会把这些照片分为两类，一类是猫的照片，一类是狗的照片.虽然看上去跟上面的有监督学习结果差不多，但是有着本质的差别.无监督学习中，虽然照片分为了猫和狗两类，但是机器并不知道哪类是猫、哪类是狗。对于机器来说，相当于分成了A、B两类。(3)半监督学习是有监督学习和无监督学习相互结合的一种学习方法，也可以说是介于两者之间的一种学习类型。(4)强化学习是以环境反馈(奖惩
12、信号)作为输入，以统计和动态规划技术为指导的一种学习方法。强化学习是以目标为导向，从空白状态开始，经由多个步骤来实现某一维度上的目标最大化。最简单的理解是，在训练过程中，不断去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都是最好的。强化学习是通过学习过程中的激励函数获得某种从状态到行动的映射。它强调如何基于环境而行动，以取得最大化的预期利益。【高手点拨】打败围棋世界冠军、职业九段棋手李世石的阿尔法围棋（AlphaGo）,使用的是深度学习算法和强化学习算法.1 .1.3深度学习2 .深度学习的概念深度学习（deeplearning,DL）是一种实现机器学习的技术，是机器学习中
13、的一个研究方向.它的概念源于对人工神经网络的研究，深度学习的模型结构是一种包含多个隐藏层的神经网络。其中，深度”指的是神经网络中包含一系列连续的层；而学习”是指训练这个神经网络的过程。3 .人工智能、机器学习和深度学习的关系人工智能通过研究、设计和制造智能机器或智能系统,模拟人类的智能活动，从而延伸、扩展人类智能。机器学习则是人工智能的一个分支，它是实现人工智能的一个核心技术，即以机器学习为手段解决人工智能中的规律、经验、知识获取问题。【教师】通过多媒体展示“人工智能、机器学习和深度学习的关系”图片（详见教材），并介绍相关知识机器学习包含了很多种不同的算法，深度学习就是其中之一，其他算法包括决
14、策树、支持向量机、朴素贝叶斯等。【高手点拨】深度学习与传统机器学习的区别深度学习与传统机器学习最大的区别在于两者提取特征的方式不同。传统机器学习描述样本的特征通常需要由人类专家手动选取和设计，特征的好坏对泛化性能有至关重要的影响，而人类专家设计出好的特征并非易事；深度学习则是通过自身学习、分析提取抽象特征，向全自动数据分析又前进了一步.例如，传统机器学习在进行图像分类时,需要人类专家根据图像的颜色、轮廓、范围等特征，提取相应的特征值，然后进行机器学习训练以得到结果。而深度学习则是通过对大量训练图像的学习，自动确定需要提取的特征信息，甚至还能获取一些人们意想不到的特征组合来训练模型。将这些提取到
15、的特征再经过模型更新等步骤，就可以得到令人满意的结果。1.2深度学习的应用领域深度学习最早兴起于图像识别，在短短的十几年间，深度学习已经推广到了机器学习的各个领域，并且都有出色的表现。其主要应用领域有计算机视觉、自然语言处理和语音识别等.1.2.1 计算机视觉计算机视觉是深度学习技术最早取得突破性成就的领域，它涉及图片识别、目标检测和图像分割等技术，这些技术在人脸识别、无人驾驶和医疗辅助诊断等领域的研究越来越深入，应用越来越广泛。1.图片识别【教师】组织学生扫码观看1ImageNet项目”视频（详见教材），让学生对相关知识有一个大致地了解图片识别是使用深度学习最早的领域之一，常用于分类问题.神经网络的输入为图片数据，输出值为当前样本属于每个类别的概率分布。通常选取概率值最大的类别作为样本的预测类别。从2012年开始，通过对深度学习算法的不断研究，在ImageNet数据集上实现图像分类的错误率以较大的幅度递减，这说明深度学习完全突破了传统机器学习算法在图像分类上的技术瓶颈，图像分类问题得到了更好的解决。在图片识别方面
