资源简介

高中新课程新教材优质课评选
项目九 了解手写数字识别——体验人工智能
采集数据、建立模型、验证模型
——机器学习的一般过程
【教材分析】
本节课内容是信息技术必修 1《数据与计算》第四单元《人工智能初步》中的项目九了解手写
数字识别——体验人工智能。本项目的教学目的是了解什么是人工智能，什么是机器学习、机器学
习的一般过程，计算机如何进行手写数字识别，人工智能发展对社会的作用及影响。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。
【学情分析】
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。
【核心素养】
信息意识：能够根据解决问题的需要，自觉、主动地寻求恰当的方式获取与处理信息。
计算思维：能够采用计算机领域的学科方法界定问题、抽象特征、建立结构模型、合理组织数据。
【教学目标】
1.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。
2.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。
3.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。
【教学重难点】
1.重点：了解机器学习的概念、体验机器学习的一般过程。
1
2.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。
【教学准备】
软硬件环境： 64 位操作系统的多媒体机房、 python IDLE、python 第三方库、 MNIST 数据集。
教学素材：读入 MNIST 数据集并将其中的二进制数据转换成图像格式文件的 python 代码、建
立手写数字识别模型的 python 代码、教学网页、教学应用游戏小程序。
【教学过程】
环节 教师活动 学生活动 设计意图
（一） 激趣导入， 引出课题 1.师：今天的课程从观看一个短视频开 始。 放播《2022 世界人工智能大会“鼎文识 别”技术》视频，了解人工智能在中国古代 文字识别中的应用。 2.师：这个视频是 2022 人工智能大会上 文字识别的最新应用，能够把弯曲的鼎上的 古代文字识别出来。从常用汉字识别到古代 文字识别，识别正确率从低到越来越高，这 是机器学习的结果。本节课我们一起来了解 机器学习，以及机器学习的一般过程的前三 个步骤：采集数据、建立模型、验证模型。 3.什么是机器学习呢？请同学们在课本 134 页找一找答案。 机器学习（machine learning）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。 1.认真观看。 2.了解本节课课 题。 3.学习机器学习的 概念。 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。
2
（二） 课程主线： 机器学习的 一般过程 1.师：机器是怎么学习的？机器学习的 一般过程是什么呢？机器学习和人类学习类 似，我们先来看看人类学习的一般过程。 2.师：郑蒲港分校地处农村，学校周围 和校园内都有农田，不同的季节会有不同的 作物，老师为了认识它们，上网找了很多图 片，包括：花生、萝卜、南瓜……今天也想 让同学们也认识认识它们。老师制作了一个 游戏程序，我们一起来玩一玩。老师想请一 位同学上台来完成游戏。（请同学上台） 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。 3.师：游戏时间到，我们一起来测试下 能识别几种吧。 4.师：结合大家的体验，整个人类学习 过程包括：准备图片、多次看图片、自我验 证、测试、实物识别。 机器学习的一般过程也类似包括：采集 数据、建立模型、验证模型、评估模型、应 用模型。即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。 1.倾听。 2.认真听讲，玩游 戏。 3.参与测试。 4.回顾游戏过程， 了解人类学习的一 般过程，对比机器 学习的一般过程。 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。学生游戏后 自我总结，再知 识讲解，更加有 利于学生理解。
;
（三） 进入主线： 数据采集及 预处理 【数据采集】 1.师：那每一个过程又具体做了什么 呢？下面我们就一起来详细了解一下。本节 课只了解机器学习的一般过程中前三个步 骤：采集数据、建立模型、验证模型。图片 的识别对于计算机来说难度有点大，我们以 最简单的识别手写数字 0-9 为案例。 机器学习的一般过程中，第一步数据采 集是机器学习的基础，采集到的数据将应用 到建立模型、验证模型、评估模型中。 2.师问：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？ 3.师： 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。 【MNIST 数据集的组成】 4.师：什么是 MNIST 数据集呢？ MNIST 数据集来自美国国家标准与技术研 究所,我们可以从网站上下载到 MNIST 数据 集，包含四个部分，下载后如图： 解压后如图： 1.认真听讲。 2.思考、讨 论、回答。 3.倾听。 4.思考、认 真、仔细听讲。 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。 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。 从 MNIST 数 据集的文件类型 开始，介绍其组 成，包括由来、 数量等。 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。
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
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
4
片，所有图片由人工完成标注。 5.自学互学、 主动动手、积极思 考、尝试总结。 6.倾听，思 考。 为了更加形 象的看到数据集 的内容，设计了 [活动一]，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】。 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
55000 张 60000 张 (
70000
张
)5000 张 (
10000
张
)10000 张
70000 张图片进行了详细的划分，用到后 面的各个步骤中。首先分为训练样本和测试 样本。然后，训练样本分为 Train（训练）集 合用于建立模型， Validation（验证）集合 用于验证模型。测试样本分为 Test（测试） 集合用于评估模型。 5.师：那么 MNIST 数据集到底是什么样 的呢？我们完成【活动一】查看 MNIST 数据 集中的样本图片。 [活动一]利用 python 程序 [MNIST_img.py]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…… 【数据的预处理】 6.师问：为什么不能直接用采集的图片 呢？
5
7.师：因为机器学习中输入的样本都是 要进行数值计算的。因此，需要将图片变成 数值向量，叫做图片的向量化。过程如下： 首先，图片被转换成 28*28 像素的灰度 图像，所以我们看到的图片很小。每个像素 点用一个灰度值表示， 0 表示白色， 1 表示黑 色，中间各个级别的灰色用 0-1 之间的小数 表示，比如数字 1 表示成右图。然后，把下 一行接在上一行的后面，形成了 784 个数的 数组，这样就完成了图片的向量化。 以数字 1 为例子： 在 python 语言中，通过代码可以方便地 读入 MNIST 数据集，并直接完成向量化。 input_data.read_data_set 函数会自动 将 MNIST 数据集划分为 Train、Validation 和 Test 三个集合。 MNIST_data 表示数据集的 位置。设置 one_hot=True，是将标注信息转 化成一种标准格式。有关 one_hot 的详细内 容，可以参考导学网页中的相关页面。 7.认真听讲。 生自学。
（四） 主线难点： 建立模型 1.师问：采集数据结束后，第二个步骤 是建立模型。 2.师：建立模型的过程就是对 Train 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。 【学习算法】 3.师关于学习算法，我们需要简单的知 1.倾听。 2.认真听讲。 3.仔细听讲。 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
6
道两个概念， 一个是深度学习，它在提取特 征方面表现的很强大，另一个是卷积神经网 络，简写 CNN，在图像分类上表现出色。 通过前面的课程，我们已经知道了人工 智能、机器学习、深度学习、卷积神经网络 这些概念了，它们直接到底是什么关系呢？ 我们可以用一个图示来表示。卷积神经网络 是深度学习的算法之一，深度学习是机器学 习的一个分支，机器学习是实现人工智能的 一种途径。 【建立模型】 4.师：我们可以使用 python 语言通过卷 积神经网络来建立和验证模型。具体步骤为 导入库、读取数据集、构建 CNN 网络结构、 训练、存储模型。 其中最重要的是训练过程，训练过程的 主要代码是这一部分： 第一行参数 10000 是设置训练次数为 10000 次，第二行参数 100 是设置每次进行训 练的图片数量，第三参数 200 是设置显示间 隔，显示出当前训练次数下的识别正确率。 最后一行进行训练，并且得出模型。 由于卷积神经网络模型训练过程中选取 4.认真观看、 听讲。 经网络算法。 接着，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。 最后，同样 结合代码讲解训 练过程，通过修 改参数得到更加 准确的结果。 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
7
高中新课程新教材优质课评选
训练样本的随机性，每次得到的结果不会完 全相同。训练结果如下： 5.师：下面，我们完成【活动二】体验 训练过程。通过修改 python 程序 [CNN_MNIST.py]中的参数，看看不同参数的 训练结果是什么样的。 [活动二] 利用 python 程序 [CNN_MNIST.py]体验训练过程 （1）用 python IDLE 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 6.师：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。 5.自学互学、 主动动手、积极思 考、尝试总结。 6.思考、倾 听。 其中的规律。
（五） 继续主线： 师：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 认真听讲。 验证模型也 是机器学习中的
8
高中新课程新教材优质课评选
验证模型 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。 一个环节，但不 是重点，因此简 单介绍。
（六） 课堂总结 1.师：通过本节课的学习，我们看到人 工智能的最新应用，明白了机器学习的概 念，了解了机器学习的一般过程及前三个步 骤：采集数据、建立模型、验证模型。在手 写数字识别案例中，分析了数据采集得到的 MNIST 数据集的组成，体验了建立模型的过 程，总结了对训练正确率的影响因素，知道 了验证模型的方法。 2.师：在下一节课中，我们讲继续学习 机器学习的剩余部分——评估模型和应用模 型。后面的内容更加精彩。 1.在教师引导 下，回顾总结所学 习的内容和所经历 的思考过程。 2.做好下一节 课继续学习的准 备。 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 容。
【板书设计】
9

展开更多......

收起↑