第五单元+人工智能的实现方式—设计一款无人驾驶智能车 +探索3 人工神经网络与深度学习（第一课时）+教学设计2025-2026学年苏科版初中信息科技九年级全一册

课时编号 006 备课时间 上课时间 课　　题 第五单元 探索3 人工神经网络与深度学习（第一课时） 教学目标 信息意识 1.理解人工神经网络是对人类大脑的计算机模拟，感知其在无人驾驶、图像识别、智能决策等场景的核心作用，增强对 AI 底层技术的认知。 2.了解感知机作为神经网络基础单元的结构与功能，提升对 AI 技术发展的敏感度与信息甄别能力。 计算思维 1.掌握人工神经元（感知机）的 “多输入、单输出、加权求和” 模型，能拆解输入、权重、激活函数、输出的完整计算逻辑。 2.理解人工神经网络的仿生原理，能类比人类大脑神经元的工作机制，建立 “生物→算法” 的抽象建模思维，培养结构抽象与逻辑推理能力。 数字化学习与创新 1.能通过资料检索探究感知机的特点，结合示意图理解人工神经元的计算过程，提升数字化信息获取与分析能力。 2.结合无人驾驶场景，尝试用人工神经网络思路设计简易的目标识别方案，培养算法思维的创新应用与系统设计能力。 信息社会责任 1.认识人工神经网络对 AI 技术发展、智慧社会建设的推动作用，理解仿生技术服务人类的价值。 2.理性看待 AI 技术的发展，培养科学、严谨、辩证的技术观，树立技术向善的理念。 教学重点 1.人工神经网络的仿生原理与核心概念。 2.人工神经元（感知机）的结构与 “多输入、单输出、加权求和” 的计算逻辑。 教学难点 1.理解感知机的权重调整、阈值学习机制，以及人工神经网络模拟人类大脑的本质。 2.将人工神经网络原理迁移到无人驾驶等真实场景，理解其在复杂决策中的作用。 教学方法 1.教法：情境教学法、类比教学法、探究学习法、小组合作指导法 2.学法：资料探究法、类比推理法、讨论交流法、迁移应用法 教学准备 硬件：多媒体教室、计算机、投影设备 软件：PPT 课件、人类大脑神经元结构动画、人工神经元模型演示动画、无人驾驶识别场景视频 素材：人工神经元模型示意图（图 5-6）、感知机结构卡片、无人驾驶场景识别案例、仿生学 AI 应用案例 分组：4 人一组，设资料员、分析员、记录员、发言人 教　学　过　程 教学环节 教师活动 学生活动 设计意图 一、情境导入，仿生溯源（5分钟） 1.播放无人驾驶智能车复杂场景识别短视频（如识别车辆、行人、道路标记，预测轨迹并做决策），提问：“无人驾驶如何在复杂环境中做出最优决策？它的‘大脑’是如何工作的？” 2.引出仿生学原理：AI 的核心灵感来自人类大脑，今天我们探究人工智能的 “仿生大脑”——人工神经网络。 3.展示人类大脑神经元结构图，类比提问：“计算机如何模拟人类大脑的神经元工作？” 1.观看视频，感知无人驾驶的复杂决策能力，思考 AI “大脑” 的工作原理。 2.了解仿生学是 AI 的重要灵感来源，明确本节课学习主题。 3.观察人类神经元结构，建立 “生物→算法” 的类比思维。 1.用无人驾驶真实场景导入，激发兴趣，落实信息意识。 2.以仿生学为切入点，建立知识的底层逻辑，为原理学习铺垫。 二、新知探究 1：人工神经网络的仿生原理（8 分钟） 1.讲解核心概念： 人工智能 “仿生学派”：模拟人类大脑神经网络的结构与学习机制，用计算机实现 AI。 人工神经网络（神经网络）：对人类大脑神经网络的计算机模拟，是 AI 的核心底层技术。 2. 类比人类大脑： 人类大脑：由大量神经元通过突触连接，传递电信号 / 化学信号，实现信息传递与学习。 人工神经网络：由大量人工神经元（感知机）连接，通过权重传递信号，模拟学习过程。 3. 补充新案例： 无人驾驶：用神经网络识别复杂路况，预测车辆/行人轨迹，做出最优决策。 生活案例：人脸识别、语音助手、AI 绘画，核心都是人工神经网络。 1.学习人工神经网络的仿生原理与核心概念。 2.类比人类大脑，理解人工神经网络的本质是 “模拟人脑”。 3.结合生活与无人驾驶案例，感知技术的广泛应用。 1.用类比法将抽象技术具象化，落实计算思维中的抽象建模能力。 2.补充多领域案例，拓展学生视野，强化信息意识。 三、新知探究 2：人工神经元（感知机）的结构与原理（15 分钟） 1.过渡：人工神经网络的最小单元是人工神经元（感知机），是 AI 的 “最小脑细胞”。 2.展示图 5-6，讲解感知机的核心结构： 输入节点（x1​,x2​...xn​）：接收外部输入数据（如无人驾驶的摄像头图像、传感器数据）。 权重（w1​,w2​...wn​）：模拟突触的连接强度，决定每个输入的重要程度。 内部计算（加权求和 + 激活函数f(x)）：对所有输入加权求和，通过激活函数输出结果。 输出节点（y）：输出最终结果（如 “识别为行人”“刹车决策”）。 3.讲解感知机的学习策略： 通过不断调整内部的权重和阈值，让模型输出与实际标签（标识）相符，实现 “学习”。 4.用通俗类比强化理解： 把感知机比作 “投票器”：每个输入是一个 “投票”，权重是 “投票权重”，加权求和后决定最终输出。5.布置探究任务： 以小组为单位，搜索资料，分享感知机（人工神经网络最小单元）的相关特点。 1.学习感知机的结构与 “多输入、单输出、加权求和” 的核心逻辑。 2. 理解权重调整的学习机制，掌握感知机的工作原理。 3.小组合作，检索资料，总结感知机的特点，分享探究成果。 4.用类比法深化对抽象原理的理解。 1.核心原理环节，拆解感知机的每一个组成部分，突破教学难点，落实计算思维。 2.资料探究环节，落实数字化学习与创新，培养信息检索与分析能力。 四、探究学习：深度学习原理与场景迁移（12 分钟） 1.过渡：单个感知机能力有限，多层感知机堆叠，就形成了深度学习。 2.讲解深度学习基本原理： 深度学习是多层人工神经网络，通过多层神经元的堆叠，提取数据的深层特征，实现复杂任务的处理。 核心优势：能处理无人驾驶等复杂场景，识别元素、预测轨迹、做出最优决策。 3.组织小组讨论： 问题 1：人工神经网络和深度学习的关系是什么？ 问题 2：在无人驾驶中，人工神经网络/深度学习可以解决哪些问题？ 4.总结： 人工神经网络是基础，深度学习是多层神经网络的应用，是 AI 实现复杂决策的核心。 无人驾驶：用深度学习识别车辆、行人、道路标记，预测轨迹，做出最优决策。 1.学习深度学习的基本原理，理解其与人工神经网络的关系。 2.小组讨论，分享对深度学习的理解，结合无人驾驶场景分析应用。 3.梳理 “感知机→神经网络→深度学习” 的技术演进逻辑。 1.建立完整的技术体系，深化对 AI 底层技术的认知。 2.场景迁移环节，落实计算思维的应用能力，为项目设计铺垫。 五、总结与作业（5 分钟） 1. 梳理本节课核心： 人工神经网络：模拟人类大脑的仿生 AI 技术。 感知机：神经网络的最小单元，多输入、单输出、加权求和。 深度学习：多层神经网络，处理复杂任务。 无人驾驶应用：场景识别、轨迹预测、最优决策。 2.布置分层作业： 基础作业：绘制人工神经元（感知机）结构示意图，标注各部分名称与作用。 提升作业：结合无人驾驶智能车，设计一个基于人工神经网络的目标识别方案，说明感知机的输入、权重与输出。 拓展作业：查找深度学习在无人驾驶中的具体应用案例，下节课分享。 3.总结：人工神经网络是 AI 的 “大脑”，深度学习让 AI 拥有了处理复杂问题的能力，推动了无人驾驶等技术的发展。 1.跟随教师梳理知识点，构建完整的知识体系。 2.记录分层作业，明确课后学习要求。 3.深化对 AI 技术社会价值的认知。 1.梳理知识，强化记忆，落实核心素养。 2.分层作业满足不同学生需求，延伸应用能力。 教学反思 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $