资源简介

《探秘人工智能》教学设计
一、教材分析
本节课选自教育科学出版社出版的普通高中教科书《信息技术》必修 1《数据与计算》第 5
单元《数据分析与人工智能》第二节《探秘人工智能》。人工智能是一个新领域，在生活中
接触的频率颇高，但我们对其核心了解甚少，所以在对这个教材内容的处理，主要是通过概
率去挖掘原理，让学生进步了解人工智能背后的实现方法。
二、教学对象分析
本节课授课对象为高一学生，高一学生对生活有较高的感知能力，对新事物也充满热情，且
其理性思维较为丰富，对原理和技术细节较感兴趣。有鉴于此，本节课的设计不只停留在对
人工智能产品的感知应用上，而是一定程度对其实现方法进行剖析和举例说明，满足学生的
好奇心和求知欲。
三、教学目标分析
1、了解实现人工智能的常见方法，不同方法的适用范围
2、了解数据与机器学习的关系
3、了解人工智能技术发展的新趋势
四、教学重难点分析
1、教学重点：机器学生的不同方法
2、教学难点：对卷积神经网络的理解
五、教学过程
环 教师活动 设计意
节 图
1、 同学们，大家好，我是广州市铁一中学的陈旭龙老师，今天让我们一起来《探 通过生
引 秘人工智能》 活中的
入 说到人工智能，其实在我们生活中已经屡见不鲜了。 例子引
比如，我家里有一个智能音箱，我对它说：今天广州天气怎样，它就能把天 入课堂
气情况播放给我。它能听懂我的话，你说智不智能？当然智能啊！
比如我要出行，打开手机里的百度地图，输入我要去的目的地，它就能给我
规划路线，并且能过预估出行时间，路上是否会塞车，你说智不智能？当然
智能啊！
再比如，我们现在很多单位门口都有这种人脸识别的闸机，我一走过去，它
就能认出我是谁，然后判断给不给我进出，你说智不智能？当然智能啊！
2、 那么我的问题来了，有一道小学奥数题，是这样的：算法描述题乘以算等于 从对智
搜 题题题题题，这里的每一个汉字都对应一个数字。这时有一个机器人跳了出 能的一
索 来，告诉你答案，算法描述题对应的数字是 79365，那么，你说这个机器人 般认识
算 智不智能？ 开始，
法 启发对
搜索算
法的认
识。
我们先不要急于下结论，我们来看这个机器人是如何解决这个问题的。
其实方法也很简单，这里每一个汉字对应着一个数字，那么其范围无非是 0
到 9 这十个数字，机器人很笨，他把每种可能都代入进去验算一下，判断式
子是否成立，最后他就能求出答案。
这种把所有可能都进行试一试的方法，就叫做搜索算法。搜索算法是人工智
能刚开始研究时的主要算法，它非常简单，但却给人工智能领域带来了很大
的突破。
比如说 1997 年，IBM 就造了一台专门用来做搜索的机器，叫 DeepBlue 深蓝，
去挑战了当时的国际象棋第一人卡斯帕罗夫，并且击败了他，利用搜索算法
解决了国际象棋的问题。
3、 当然了，国际象棋有很明确的规则，你知道每一步应该怎么走。但是很多生 通过分
机 活中的问题，并不是可以用这样抽象的规则来表达的。比如接下来这个例子： 辨鸢尾
器 给鸢尾花分类。 花的例
学 子，使
习 学生对
机器学
习有一
个感性
认识
鸢尾花的花瓣鲜艳美丽，让人赏心悦目，全世界鸢尾花的种类有 30 多种，
常见的有变色鸢尾和山鸢尾。鸢尾花有着形状与色彩相似的花瓣和萼片，但
是一般来说，变色鸢尾花的花瓣较大，山鸢尾的花瓣较小，这个较大和较小
是没有一个明确的规则的。
那么我们能够让机器像人类一样分辨出这两类花吗？
为了解决这个问题，我们采集了大量的数据，分别记录了不同种类的鸢尾花
对应的花瓣的长度和花瓣的宽度。
对于每个数据，我们将其转换成右侧坐标轴上的一个点，x 轴对应的是花瓣
长度，y 轴对应的是花瓣宽度，那么鸢尾花的分类就对应着在坐标轴上划一
条线，使得变色鸢尾花的点位于直线上方，山鸢尾位于直线下方。
直线可以用线性函数来描述：即 a_1x+a_2y+b=0，这里的 a1、a2、b 就是线
性函数的参数。
我们不断地训练这个函数，如果对于已经标注好的数据，函数不能准确的分
类，如下方这个变色鸢尾的数据，那么则调整函数的参数，使得函数适配已
有的数据。
标注的数据越多，函数的训练就会越精确。
当这个函数训练好后，对于新输入的数据，我们就可以准确地分类了。
以上，函数根据已标注的数据进行自我参数改变以适应数据的过程，就叫做
机器学习。
4、 在以上分辨鸢尾花的例子中，我们比较容易地提取了鸢尾花的特征，这个特 认识机
深 征就是花瓣的长度和宽度。 器学习
度 但是，在我们生活中很多例子，特征是不好描述的，比如下图中是小猫和小 需要解
学 狗的特征分别是什么呢？ 决的问
习 题的多
样性，
介绍深
度学习
的 方
法，通
过对猫
脸识别
的 例
子，感
性认识
深度学
习的训
练 过
程。
这是一个很难用抽象的数学语言描述出来的问题。
对于图像中的特征提取，我们往往用到卷积的方法。
卷积是一种数学运算，两个形状相同矩阵的卷积就是每个对应位置的数字相
乘之后的和。
在计算机中，一副灰度图像可以看成是一个整数的矩阵。如果我们用一个形
状较小的矩阵和这个图像矩阵做卷积运算，就可以得到一个新的矩阵，这个
新的矩阵可以看作是一幅新的图像。 这幅新图像有时候比原图像更清楚地
表示了某些性质，我们就可以把它当作原图像的一个特征。
举个例子，原图像乘以三面的小矩阵，就可以得到这幅新图像，新图像描述
了原图像水平方向的特征。再将原图像乘以中间这个小矩阵，就会得到这样
一幅新图像，这个新图像描述了原图像垂直方向的特征。再将原图像乘以下
面这个小矩阵，你猜会得到什么样的图像？这个新图像描述了原图像的轮廓
特征。通过这个例子，我们可以构造不同的卷积核来提取图像中的不同特征。
当然，单纯使用卷积还不足以让计算机识别图像。我们需要卷积神经网络来
对图片进行分类识别。
一个卷积神经网络通常由多个顺序连接的层组成，第一层一般以图像为输
入，通过特定的卷积运算从图像中提取特征，比如眼睛的轮廓，耳朵的轮廓
等等。
接下来的每一层都以前一层提取的特征作为输入，对其进行特定形式的变
换，便可以得到更为复杂的一些特征。
经过很多层的变换之后，神经网络就可以将原始图像变换为高层次的抽象的
特征。
这有点难理解，打个比方，这就好比我们在英语学习过程中，通过字母组合
得到单词，通过单词组合得到句子，通过句子的分析得到语义，通过语义的
分析表达了思想，而这种语义、思想就是更高级别的抽象。
当然了，卷积神经网络也并不是就能直接识别图像的，它也是需要训练的。
在网络的最后一层，会输出图像的分类概率，如果该分类与原本的图像标注
差异较大，则使用反向传播算法，从后往前逐层调整各层的参数。所以，我
们训练的图片越多，神经网络的识别能力也就越强。
如果我们使用上万张猫和狗的照片来训练神经网络，那它也能轻松识别出图
片中的猫和狗。
卷积神经网络随着层次的增多，其识别能力也随之增强，所以这一训练方法
也被称为深度学习。
5、 深度学习算法尽管取得很大的突破，但是它要依赖非常非常多的数据，并且 认识深
强 你得标注什么数据是好的，什么数据是坏的。但是呢现实生活中有很多的问 度学习
化 题是没有绝对的好坏的。 的 局
学 限，介
习 绍强化
学习，
通过训
练机器
人单手
拧魔方
的例子
帮助学
生加深
对强化
学习认
识
比如这个打砖块的游戏，我其实不在乎它怎么玩，它只要能得高分就行了。
在这种情况下，它每一步应该怎么走，哪一步是好的，哪一步是不好的，很
难说。我只知道游戏打完后有个分，分数高就是好的，分数低就是不好的，
这个就叫做智能决策问题。
面对这种情况，我们出现了一种新的机器学习算法——强化学习。强化学习
是用来解决智能决策问题的算法框架，强化学习算法的核心就是不停地跟环
境交互，不停地试错，不停地改进自己，直到得到最优策略。
比如说，大家都知道 AlphaGo 打败了围棋世界冠军，AlphaGO 是采用神经
网络学习算法，分析了三千万盘职业棋手的棋谱来学习的。但是 AlphaGo 的
升级版，AlphaGo zero，完全通过自我博弈的强化学习算法训练自己，从 0
开始训练，而且完全摈弃了人类棋谱的影响，最后在与 Alpha Go 的对弈中
取得 100 比 0 的胜利。这是强化学习算法的优势所在。
一般而言，一个强化学习模型包括以下几个部分：
1.一组可以动态变化的状态，比如围棋棋盘上的黑白子的分布位置。
2.一组可以选取的动作，比如围棋上落子的位置。
3.一个可以和决策主体进行交互的环境，比如围棋中的对手对弈，这个环境
在真实强化学习中还往往使用计算机模拟。
4.还要有回报规则，比如围棋中，赢了则得分，输了则惩罚。
我们这里有个例子，使用强化学习训练机械手单手拧魔方。
在这个例子里，动态变化的状态就是魔方的各个状态，可以选取的动作就是
机械手各个手指手的活动，与之交互的环境就是各种物理参数，回报规则也
很简单，魔方还原了就奖励，还原不了就惩罚。
为了更高效地训练，我们创建了成千上万个不同的虚拟环境训练，有的环境
重力大一点，有的环境摩擦力小一点，有的环境魔方体积大一些，等等。
我们的机械手面对不同的环境，都要调整自己的策略去适应。
最后我们在现实世界中测试这个机械手，比如给机械手戴上手套，比如将它
的食指和中指捆起来，或者用比笔去推魔方，总之，用各种方式进行干扰，
机械手都能很好的完成任务。
强化学习的应用面非常广。比如各种机械仿生手的训练，扫地机器人的训练，
无人驾驶的训练，都是采用强化学习的方法。大家看到的各种人工智能创作，
比如 AI 自动绘画，自动谱曲，AI 写诗等等，也是用强化学习训练的。
6、 好了同学们，以上是关于人工智能的探秘，最后我们来总结一下。 梳理知
总 人工智能是一个非常宽泛的领域，机器学习是实现人工智能的核心技术之 识点，
结 一。 巩固认
在机器学习中，大致有两类学习算法，一类是基于数据的学习，比如深度学 知。
习，另一类是基于行动的学习，比如强化学习。
人工智能技术还处于快速发展阶段，未来还有很多突飞猛进的变化等待着我
们，让我们拭目以待。
各位同学，课堂到此结束，谢谢大家的观看，再见！

展开更多......

收起↑