第 1 课 神经网络与深度学习 教学设计 2024—2025 学年湘教版（2024）八年级信息科技下册

第 1 课 我的学习我自主——个性化学习 活动概述 本次活动聚焦神经网络与深度学习，学生将了解神经网络的起源、发展及深度学习的概念、优势和开发工具。通过学习，学生能够理解神经网络的基本原理，对比浅层学习与深度学习的差异，掌握常见深度学习开发工具的特点，提升对人工智能技术核心领域的认知水平，培养学生的科学探索精神和对前沿技术的学习兴趣 。 教材分析 教材从深度学习在计算视觉领域的突破性进展引入，介绍了神经网络的起源、发展历程，详细阐述了单层感知机、多层感知机和全连接神经网络的原理、特点及局限。同时，深入讲解了深度学习的概念、优势以及相关开发工具。教材内容逻辑清晰，通过理论知识与实际案例相结合的方式，帮助学生逐步构建对神经网络与深度学习的知识体系，理解其在人工智能领域的重要地位和应用价值。 核心素养目标 信息意识 学生能认识到神经网络与深度学习在人工智能领域的核心地位，理解其对信息处理和智能发展的关键意义； 能够辨别深度学习与传统机器学习的差异，增强对信息处理技术发展趋势的敏感度和判断力； 关注深度学习在各领域的应用，提升对信息技术前沿发展的关注度和理解力。 计算思维 通过剖析神经网络的工作原理和深度学习的模型训练过程，培养学生的逻辑思维和问题解决能力； 理解神经网络结构设计和算法优化的思路，提升抽象思维和系统思维能力，学会运用计算思维理解和优化复杂的信息处理系统。 数字化学习与创新 借助教材中的探索活动、拓展资料及网络资源，自主学习神经网络与深度学习知识，积累数字化学习和处理信息的方法； 在学习过程中，鼓励学生对神经网络模型进行思考和探索，培养创新思维和实践能力，尝试运用所学知识解决简单的实际问题。 信息社会责任 了解众多科学家在神经网络与深度学习发展中的贡献，培养对科学探索和创新的尊重； 认识到深度学习技术在实际应用中的影响，增强信息社会责任感，树立正确的技术应用价值观。 教学重、难点 教学重点 神经网络的起源与发展历程； 多层感知机和全连接神经网络的基本原理； 深度学习的概念、优势及常见开发工具。 教学难点 理解单层感知机的局限； 掌握多层感知机增强非线性表达能力的原理；体会深度学习自动提取数据特征的优势及其实现机制。 教学方法 讲授法、讨论法、探究法 教学用具 多媒体课件、展示神经网络原理的动画或模拟软件（如有）、教材相关资料 课时安排 一课时 教学过程（第一课时） 教学环节 教学活动 二次备课 课程导入 师：同学们，之前我们学习过用线性回归模型预测一些简单的关系，比如根据脚长预测身高。但如果现在要让机器识别图片里的各种物体，或者像自动驾驶汽车那样去判断复杂路况，线性回归模型就很难做到了。这时候，神经网络和深度学习就能发挥大作用。今天我们就来探索它们的奥秘。 可展示线性回归模型在复杂任务上失败的案例，如用线性回归预测图像分类的错误结果，让学生更直观感受其局限；若学生理解困难，用生活中简单工具无法完成复杂任务类比，帮助理解。 知识讲授 神经网络的起源 师：20 世纪初期，科学家发现人类大脑中有超多神经元，它们协同工作产生思维和智慧。1943 年，沃伦・麦卡洛克和沃尔特・皮茨合作提出 “M - P 模型”，这是神经网络的雏形，它解释了神经元网络如何做逻辑运算，也让 “神经网络” 这个概念诞生了。（展示 “M - P 模型” 示意图并讲解） 神经网络的发展 师：1957 年，弗兰克・罗森布拉特设计出感知机模型，它是首个有学习能力的神经网络，还造出 “Mark - 1” 硬件感知机，能识别英文字母呢。不过，单层感知机有局限，它只能解决 “线性可分” 问题。（展示线性可分与线性不可分的对比图，解释概念）到 1986 年，杰弗里・辛顿教授发现误差反向传播算法，让神经网络从单层发展到多层，形成多层感知机（MLP）模型，大大提升了非线性表达能力。（展示多层感知机结构示意图） 全连接神经网络 师：全连接神经网络由多层感知机构成，能处理复杂问题。比如在预测身高时考虑多个因素，多项式回归算法做不到，但全连接神经网络可以，而且它在分类和回归任务中都能发挥作用。（展示用 BaseML 和 BaseNN 搭建全连接神经网络的代码及对应网络结构，讲解代码含义） 从浅层学习到深度学习 师：2006 年，辛顿等人提出 “深度学习” 概念。深度学习基于深度神经网络技术，深度神经网络有多个隐藏层。它最大的优势是能自动提取数据特征。（展示深度神经网络自动提取图像特征的动态示意图，详细讲解过程）现在有很多好用的深度学习开发框架，像 Python 语言的 TensorFlow、Keras、PaddlePaddle 和 PyTorch 等。（介绍各框架的独特功能和适用场景） 讲解起源时，讲述科学家探索过程中的有趣故事，增加学习兴趣；讲解发展时，结合实际应用场景，如手写数字识别，让学生更好理解模型作用；介绍深度学习开发框架时，展示一些基于框架的创意项目成果，激发学生学习热情。 实践操作 探索活动 生：分组讨论，深度学习能有这么大优势，背后离不开哪些技术支持？它和大数据技术、机器高速运算能力又有怎样的关系？（学生分组讨论，教师巡视各小组，适时给予引导和启发） 小组汇报 生：每个小组派代表来分享讨论结果。（各小组代表发言，教师点评总结，纠正和补充学生观点，加深学生对知识的理解） 在学生讨论前，提供一些相关的资料来源，如专业科普网站、学术论文等，帮助学生获取信息；讨论时，对讨论偏离主题或遇到困难停滞的小组及时介入，引导回到正确方向并提供思路。 课堂练习 1. “神经网络” 概念是由谁提出的？（ ） A. 沃伦・麦卡洛克和沃尔特・皮茨 B. 弗兰克・罗森布拉特 C. 杰弗里・辛顿 D. 马文・明斯基 2. 单层感知机的局限性在于（ ） A. 计算量太大 B. 只能处理线性可分问题 C. 无法学习新内容 D. 没有隐藏层 3. 深度学习的优势包括（ ）（可多选） A. 能自动提取数据特征 B. 不需要大量数据训练 C. 模型训练速度快 D. 应用范围广泛 4. 以下属于深度学习开发框架的是（ ）（可多选） A. TensorFlow B. Python C. PyTorch D. Keras 对基础较薄弱的学生，在练习前针对重点知识进行简单回顾提示；练习时关注学生答题情况，对错误较多的题目及时讲解强化；根据学生掌握情况，补充类似题目巩固知识点。 课堂小结 师：今天这节课，我们一起学习了神经网络与深度学习的基础知识，了解了神经网络的起源和发展，掌握了全连接神经网络的原理和应用，还知道了深度学习的优势和开发框架。希望大家课后思考一下，这些技术在我们生活里还有哪些具体应用。 引导学生自主总结，通过提问启发，如 “今天学习的神经网络起源于什么模型？”“深度学习的优势有哪些？” 等；鼓励学生提出学习中的疑问，教师及时解答，加强互动。 板书设计 第 1 课 神经网络与深度学习 一、神经网络的起源 1. “M - P 模型” 2. 感知机模型 二、神经网络的发展 1. 单层感知机的局限 2. 多层感知机 三、全连接神经网络 1. 结构与原理 2. 应用 四、深度学习 1. 概念与优势 2. 开发框架 教学反思 本节课多种教学方法结合，学生对知识有了初步了解。但部分学生在理解深度学习自动提取数据特征等抽象概念时存在困难，实践操作中小组讨论的深度和参与度有待提高。后续教学可增加更多实际案例和可视化演示，优化小组讨论的组织引导，合理安排教学时间，提升教学效果。 学科网（北京）股份有限公司 $$