项目九 体验人工智能第二节说课课件-2025-2026学年沪科版高一信息技术必修一

了解手写数字识别——《体验人工智能》 2.了解机器学习中的数据采集与预处理 目录 01 为何学 02 学什么 03 怎么学 教材分析 学情分析 教学目标 教学重难点 教学方法 教学过程 教学反思 01 为何学 教学方法 教学重难点 教学过程 教材分析 说地位： 1 学情分析 教学目标 教学反思 2 说联系： 本节课是沪教版高中信息技术必修一第四单元项目九初识人工智能的第二节，了解机器学习中的数据采集与预处理，对于人工智能的后续学习有重要作用。 本节课内容是了解什么是机器学习、了解机器学习的一般过程，是整个项目的难点，尤其在数据采集、建立模型部分，涉及到很多陌生的概念和代码。 教学方法 教学重难点 教学过程 教材分析 学情分析 教学目标 学生状况 通过项目二的学习， 学生已经对数据编码有所了解。通过项目六的学习， 学生已经对 python 基础知识有所掌握。在本单元上一节课中，学生知道了人工智能的含义，了解了人工智能的发展，对人工智能技术的应用非常感兴趣，但是对人工智能技术本身仍缺乏了解。本节课理论知识较多，学生理解起来会感觉到有些困难。 教学反思 对策 02 学什么 教学方法 教学重难点 教学过程 教材分析 学情分析 教学目标 通过分析数据采集及数据预处理的方法、分析 MNIST 数据集的组成，增强信息意识。 计算 思维 在使用 python 程序进行机器学习建立模型的过程中， 了解人工智能的思想方法， 促进计算思维的形成与发展。 信息意识 信息社会责任 通过了解机器学习的概念、体验机器学习的一般过程，提升对人工智能技术作用的认识，发展信息社会责任。 教学反思 教学方法 教学过程 教材分析 学情分析 教学目标 教学重难点 教学重点 了解机器学习的概念、体验机器学习的一般过程。 教学难点 理解采集数据的方法和作用、调试参数建立模型的过程。 突出重点 突出难点 通过生活实例讲解，促进学生对知识点的理解 解决问题 解决问题 教学反思 03 怎么学 教学过程 教材分析 学情分析 教学目标 教学重难点 教学方法 以问题求解为导向的启发式教学法 讲授法 任务驱动法 教学反思 以任务为核心，引导学生在完成任务的过程中主动学习知识。 教材分析 学情分析 教学目标 教学重难点 教学方法 教学过程 导入新课 2分钟 新课讲解 15分钟 小组探究 8分钟 巩固知识 10分钟 小结及作业 5分钟 教学反思 1 3 5 2 4 课堂导入 体验字符识别 设计意图 通过视频， 激发学生学习兴趣，了解人工智能的最新成果， 感受中国文化的魅力，引出本节课的课题，明确本课的内容—— 机器学习及其一般过程的前三个步骤。 课堂导入 设计意图 通过视频，提出问题：什么是机器学习，引发学生思考。阅读教材学习机器学习的概念。 新课讲解 问题：什么是机器学习呢？ 学生阅读教材143页 机器学习：是一门 研究学习算法的学问，它利用已有的数据来建立模型，再用模型去解决未知的问题。 课堂导入 设计意图 通过游戏，更加有趣的让学生了解人类学习的一般过程，通过人类学习的一般过程和机器学习的一般过程对比，过渡到新知识。 新课讲解 制作了一个识别作物的游戏程序，请一位同学上台来完成游戏。 游戏规则： 运行【游戏】识别作物； 点击【学习/下一次】生成图片，进行学习； 每次学习后点击【验证】测试正确率。 学习完成后，老师将通过大屏幕展示图片，进行测试。 学习/下一次 验证 活动一：游戏体验 课堂导入 设计意图 学生游戏后自我总结，人类学习的一般过程与机器学习的一般过程对比，教师再知识讲解，更加有利于学生理解。 新课讲解 活动一：游戏体验 采集 数据 建立 模型 验证 模型 评估 模型 应用 模型 准备图片 多次看图片 自我验证 测试 实物识别 人类学习过程： 机器学习过程： 过程：用采集到的数据进行训练，以建立一个模型，再对模型进行验证和评估，然后投入应用。 课堂导入 设计意图 下面的课程内容以“机器学习的一般过程”为主线展开，以手写数字识别为案例。讲解机器学习过程的前三个步骤。 新课讲解 课堂导入 设计意图 数据采集是机器学习的基础，非常重要。先请学生思考如果要自己采集， 会采用什么样的方法，引出MNIST数据集的内容。 新课讲解 数据采集 问题：如果我们想让机器识别出0-9这10个数字，我们先要让机器知道什么？ 学生回答：0 长什么样？ 1 长什么样？ …… 针对手写数字识别，人们开发了可用于机器学习的 MNIST 数据集。 课堂导入 设计意图 从 MNIST 数据集的文件类型开始，介绍其组成，包括由来、数量等。 新课讲解 数据采集 包含 包含 包含 包含   10,000 10,000 60,000 60,000   个样本 个标签 个样本 个标签 课堂导入 设计意图 再详细介绍这些图片的分类、数量和用途，为后面机器 学习全过程中使用数据集做铺垫。 新课讲解 数据采集 由 250 个人手写的不同数字构成。 采集了 70000 张从 0 到 9 这 10 个数字的样本图片，所有图片由人工完成标注。 MNIST数据集 训练样本 测试样本 Train集合 Validation集合 Test集合 用于评估最终模型 用于测试训练效果以验证模型 用于训练以建立模型 70000张 60000张 10000张 55000张 5000张 10000张 课堂导入 设计意图 再详细介绍这些图片的分类、数量和用途，为后面机器 学习全过程中使用数据集做铺垫。 新课讲解 数据采集 验证集合 Validation 5000张 5 训练集合 Train 5500张 4 测试样本Test 10000张 3 训练样本 60000张 2 采集样本 70000张 1 采集的样本使用分配 课堂导入 设计意图 为了更加形 象的看到数据集 的内容，运行 课本的素材程序 “MNIST_img.py ”查看 MNIST 数据集中的样本图片，并在观看后思考总结 MNIST 数据集中图片的特征。一方面熟悉了python 软件的使用，另一方面在思考总结的结果中引出下一个内容数据预处理。 新课讲解 活动一：查看 MNIST 数据 集中的样本图片 （1）用 python IDLE 打开 （2）运行程序，查看结果 （3）自我总结 请学生描述看到的结果： 0-9 十个文件 夹、每个文件夹里是对应的数字图片、数字在图片正中间、图片很小…… 课堂导入 设计意图 数据预处理部分涉及到灰度图像、图片向量化等概念，结合图示、 python代码进行讲解，帮助学生理解，一些知识点放在《导学网页》中，根据学生的理解程度，供学生自学。 新课讲解 数据预处理 灰度图像 是用0来表示白色，用1表示黑色，中间名级别的灰色用（0，1）中的相应小数来表示的图像。 二值图像 是指像素点的值只能为0或1的图像。 课堂导入 设计意图 建立模型是 机器学习中的一个难点。首先，介绍建立模型的概念，引出深度学习算法和卷积神经网络算法。 新课讲解 建立模型 集中的样本图片 建立模型的过程：就是对集合进行训练的过程。首先要选择合适的学习算法，然后利用学习算法对样本进行训练。 深度学习 卷积神经网络CNN 课堂导入 设计意图 介绍深度学习和卷积神经网络的概念，通过举例让学生有个了解 新课讲解 建立模型 集中的样本图片 深度学习是机器学习的一个分支，在提取特征方面表现强大。它可以从数据中学习到一些简单特征组合而成的复杂特征。深度学习的主要算法之一——卷积神经网络在图像分类上有出色的表现。 AlphaGo，拥有强大的深度学习和搜索运算能力。通过一次又一次的学习、更新算法，最终在人机大战中打败围棋大师。 课堂导入 设计意图 为了让学生更加直观的看到建立模型中神经网络的构建，打开课本的素材程序“CNN_MNIST.py”,结合代码进行讲解。 新课讲解 建立模型 集中的样本图片 for i in range(10000)： batch=MNIST.train.next_batch(100) if i%200==0: print("当前迭代次数为%d,训练正确率为%g"%(i,accuracy.eval (feed_dict={x:batch[0]， y_:batch[1]，keep_prob: 1.0}))) train_step.run(feed_dict={x:batch[0]，y_: batch[l]，keep_prob: 0.5}) 课堂导入 设计意图 为了增强学生对建立模型过程的体验，加深不同训练参数对训练正确率的理解，设计了活动二，修改课本的素材程序“MNIST_img.py ”中训练次数、每次送入卷积神经网络的图片数量等参数，观察训练过程和结果，并尝试总结。 新课讲解 活动二：修改程序参数查看结果 集中的样本图片 （1）用 python 打开 （2）运行程序，观看结果 （3）设置不同参数，多次观看结果 （4）自我总结 通过修改参数我们可以发现：训 练次数越多，正确率越高。每次送入训练的 图片数越多，正确率越高。 课堂导入 设计意图 验证模型也是机器学习中的一个环节，但不是重点，因此简单介绍。 新课讲解 验证模型 集中的样本图片 验证模型：随着训练的不断继续，模型的识别正确率也不断得到提升。当前训练次数下模型的识别正确率是通过 Validation（验证）集合计算得到的，这个过程就是验证模型。 课堂导入 设计意图 通过总结整理本节课的学习脉络，使学生对所学知识有清晰的把握。并且引出下节课要学习的内。估模型和应用模型。 新知讲解 课堂总结 课堂导入 设计意图 亲身体验， 丰富学生的认知，保持与时俱进的热情 新知讲解 01 02 课堂总结 课后作业 作业1： 在电脑或智能手机上，选择一种可识别文字的软件或APP，找一些文字进行识别，体验人工智能 作业2： 预习下节课的内容——评估、应用模型 §9.2 了解机器学习 课堂导入 新知讲解 课堂总结 板书设计 了解机器学习 机器学习定义 机器学习的一般过程 采集数据 建立模型 验证模型 评估模型 应用模型 04 教学反思 1 2 优点 01 本节课以“钟鼎文识别技术”的视频导入，能很好地引起学生的好奇心；课堂活动通过做游戏让学生理解知识点，使知识内化，同时激发学生的学习兴趣； 1 2 缺点 02 课堂内容难度较大，学生内化知识的时间不足，关注学生个体差异性还不够 教材分析 学情分析 教学目标 教学重难点 教学方法 教学过程 教学反思 感谢各位评委老师的聆听 $$