《人工智能导论》教案16-30 教学设计 余明辉

课程教案（ — 学年第1学期）课程名称 人工智能导论 使用班级 使用教师 编制教师 教研室 平台教研室 学 院 信息工程学院 编制日期 PAGEPAGE92《人工智能导论》教案16课程名称人工智能导论授课对象教学单元名称物体识别教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解物体识别的流程、原理，完成任务1数字识别、任务2目标检测。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标理解物体识别基本流程能力目标能够完成手写数字识别任务；能够完成目标检测任务；素质目标培养良好的编程素养；培养人工智能思维；教学内容任务一数字识别手写数字识别是常见的图像识别任务。不同人的手写体风格迥异，大小不一，造成了计算机对手写数字识别任务的一些困难。任务1实践的主要目的是了解数字识别的基本原理与过程。首先通过查看数字图像的像素表达，了解图像到数字的转化过程，再通过手写数字的识别了解手写体识别的功能。任务2：目标检测目标检测是一个典型的计算机视觉任务，主要是完成图像中的物体的识别。与图像分类不同的是，图像分类是预测图像属于哪一种类别，而目标检测则是对图像中的一个或多个对象进行定位和分类。如果是视频，则通过不断的读取视频中的每一帧作为一幅幅图像来进行检测。任务2实践的主要目的是了解目标检测的基本原理与过程，通过上传图片来验证和实践目标检测中的图像预处理、目标定位与分类的各个步骤。 教学重点和难点教学重点任务1手写数字识别、任务2物体检测处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点无处理方法无设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。PAGEPAGE100课前预学教学环节与内容教师活动学生活动设计意图物体识别的基本流程教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试物体识别的基本流程，为完成图像识别做好准备。重的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：数字图像识别的引入（5分钟）设计提问环节，引出数字图像识别的概念学生回答问题，说说对数字图像识别的理解引导学生理解数字图像识别，激发学生学习兴趣。讲授新课及练习：任务一、任务二（80分钟）利用教学ppt讲解任务一、任务二，并操作演示。听课，动手完成任务一、任务二课堂实践较为深入地理解物体识别的原理；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生理论基础比较差，难以理解改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案17课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称人脸识别--计算机视觉的应用教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解人脸识别的流程、常用方法、特征提取方法。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标掌握人脸识别原理、技术；掌握人脸识别常用方法能力目标能说出人脸识别的流程；能说出人脸识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容人脸识别应用人脸识别系统在很多领域都发挥了很多的作用，越来越多的现实场景开始采用人脸识别门禁系统来确保进出人员的安全，国内大部分的办公场所应用非常广泛，甚至在国内一些小区，开始鼓励小区应用人脸识别系统来进行身份识别，所以相信未来，随处都可以看到人工智能管理应用。启用人脸识别测温系统，兼具人脸识别门禁考勤和测温检测两大功能，不仅快速准确识别人员身份，还能检测播报人体温度，自动记录提交进出记录、测温数据，报表形式输出方便查看和监控，发信异常情况也能追溯分析。、人脸识别流程、人脸识别常用方法、人脸特征提取方法（1）基于人脸特征点的识别算法通过对特征点进行局部特征纹理征提取，然后结合各部分的相对位置关系得到要优化的目标函数并构造迭代的方法，在给定的人脸图片上首先定位到眼睛等部位的位置，然后提取各特征点之间的分布形状特征和特征点自身具有的纹理、轮廓等特征，计算不同人脸的特征的“距离”从而对人脸进行识别。（2）基于整幅人脸图像的识别算法通过信息理论中对人脸图像进行分析，寻找对信息最高效的编码，具体化来说，将图像作为一个高维的数据输入，通过子空间的划分（子空间划分可以借助傅立叶变换来理解，用一组基底的线性组合表示当前的信号，达到既降维又好分类的目的）得到对人脸图像最有效的表达，并由此来对人脸进行识别，也称子空间方法或特征脸方法。教学重点和难点教学重点人脸识别的基本流程、技术方法、特征提取方法处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点无处理方法无设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。课前预学教学环节与内容教师活动学生活动设计意图人脸识别的基本流程教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试让学生提前熟悉人脸识别的基本流程，为完成人脸识别任务做好准备。重点关注基础薄弱的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：人脸识别的引入（5分钟）设计提问环节，引出人脸识别的概念学生回答问题，说说对人脸识别的理解引导学生理解人脸识别，激发学生学习兴趣。讲授新课及练习：人脸识别的基本流程、常用方法、特征提取方法（80分钟）利用教学ppt讲解新课内容，并操作演示。听课较为深入地理解人脸识别的原理；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生理论基础比较差，难以理解改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案18课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称人脸识别--任务1人脸身份识别教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解人脸识别的流程、常用方法、特征提取方法，并完成任务1，提高学生的动手实践能力。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标掌握人脸识别原理、技术；掌握人脸识别常用方法能力目标能说出人脸识别的流程；能说出人脸识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容任务一人脸身份识别1.人脸检测人脸检测是将上传的人脸图像，采用上文讲述的人脸预处理方法将人脸图片转化为灰度图，进行搜索以确定其中是否含有人脸，如果是有人脸则返回脸的位置、大小和姿态。人脸检测处理流程如下图所示：人脸验证人脸验证是将上传的两张人脸图像，首先是运用任务1中的人脸检测法得到图片中人脸位置的xy坐标人脸框之后，对人脸框内的人脸进行人脸关键点定位，得到面部关键点所在的x,y坐标，得到面部关键点之后可运用坐标轴变换得到扭正后的人脸，接下来通过运用训练好的深度神经网络将输入的人脸图像转换成一个特征向量表示并进行比较，得到相似度值后判断两张人脸图像是否同一个人。人脸验证处理流程如下图所示：教学重点和难点教学重点任务1人脸身份识别处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点无处理方法无设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。PAGEPAGE110课前预学教学环节与内容教师活动学生活动设计意图人脸识别任务要求教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试人脸识别的基本流程，为完成人脸识别做好准备。重的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：任务1的引入（5分钟）设计提问环节，引出任务1学生回答问题，说说对任务1的理解引导学生理解人脸识别，激发学生学习兴趣。讲授新课及练习：任务一（80分钟）利用教学ppt讲解任务一，并操作演示。听课，动手完成任务一课堂实践较为深入地理解人脸识别的原理；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生理论基础比较差，难以理解改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案19课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称人脸识别--任务2AI人脸融合技术教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解人脸识别的流程、常用方法、特征提取方法，并完成任务2，提高学生的动手实践能力。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标掌握人脸识别原理、技术；掌握人脸识别常用方法能力目标能说出人脸识别的流程；能说出人脸识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容任务2AI人脸融合技术任务描述：AI人脸融合技术是将上传的两张人脸图像，获得人脸的关键坐标，后台运用算法计算合成人脸关键点坐标，再通过三角剖分对两张人脸进行融合处理，生成的新人脸同时具备两张人脸的外貌特征。技术分析：本任务为指定人脸融合，首先检测到两张人脸图片，获取到人脸的关键点坐标，后台运用算法计算出合成的人脸关键点坐标，再通过三角剖分算法将人脸划分多个三角形，然后返回三角剖分结果，并描点连线绘制出来最终得到两张人脸融合图，生成最终的两张人脸图像的合成图像。AI人脸融合处理流程如下图所示：教学重点和难点教学重点任务2 AI人脸融合技术处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点无处理方法无设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。课前预学教学环节与内容教师活动学生活动设计意图AI人脸融合技术任务要求教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试人脸识别的基本流程，为完成人脸识别做好准备。重的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：任务2的引入（5分钟）设计提问环节，引出任务2学生回答问题，说说对任务2的理解引导学生理解人脸识别，激发学生学习兴趣。讲授新课及练习：任务2（80分钟）利用教学ppt讲解任务2，并操作演示。听课，动手完成任务2课堂实践较为深入地理解人脸识别的原理；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生理论基础比较差，难以理解改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案20课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称生物信息识别教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解生物信息识别的概念、原理、常用方法。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解生物信息识别的概念；理解生物信息识别的基本原理；了解生物信息识别常用方法能力目标能够说出生物信息识别的基本流程；能说出生物信息识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容1、常见的生理信号人体给出的信号非常丰富，每一种信号都携带着对应一个或几个器官的生理或病理的信息。这些信号可大致分为电生理信号、非电生理信号、人体生理特征信号、生化信号和生物信息。电生理信号：其中，重要的是心电信号(ECG)、脑电信号(EEG)和肌电信号(EMG)。其次是胃电信号、眼视网膜信号和眼电信号。心电信号心电信号是反映人体心脏情况的信号。心电信号的应用已经走进了我们的日常生活。除了医院使用的专业仪器，市场上也有很多穿戴式设备可以用于日常的ECG信号检测，如AppleWatch,华为手表,和Fitbit等。下图展示了AppleWatch.脑电信号：脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息,在临床医学方面,脑电信号处理不仅可为某些脑疾病提供诊断依据,而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面,人们也尝试利用脑电信号实现脑-计算机接口(BCI)。脑电（Electroencephalogram，EEG）是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。脑电信号的电压很小，需要高精度的仪器才能探测到。常用于脑电分析的频域特征有α、βδθ和γ等。α频率于8-13Hz之间，大多发生在成人时期中，是节律性脑电波中最明显的波，通常出现在头的后部，在头两侧都会有，主导侧的振幅会比较高。当清醒的人处于放松或者闭眼状态时，可以在枕叶区探测的EEG中检测到alpha波。α代表放松的状态，是学习与思考的最佳脑波状态。β波频率于13-30Hz之间，通常振幅小于30uV，会出现于所有年龄层的警戒状态以及被个人期望所引发的焦虑情绪中。β波涉及有意识的思想，逻辑思维，适量的β波帮助我们集中精力完成任务，有利于学习等认知行为，但是当β波过多的时候身体处于紧张的状态，容易引发焦虑和压力。γ波频率位于30-70Hz之间，与情绪稳定、正面思考有关。近年研究发现，此波和选择性注意力有关。当此波形出现大幅波动时，表示受试者喜欢被测试的对象。出现该频段时人通常处于十分激动、亢奋的状态，或是受到了强烈的刺激。肌电信号：肌电信号（EMG）是众多肌纤维中运动单元动作电位（MUAP）在时间和空间上的叠加。表面肌电信号（SEMG）是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动。SEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。2、情绪识别情感是人类在适应社会环境的过程中所逐渐形成的一种机制。情绪本身具有非常高的复杂性和抽象性，通常将情绪分为离散型模型和连续型模型两种。离散型情绪包括生气、讨厌、害怕、高兴、悲伤和惊讶等6种基本情绪类别，连续型情绪模型可以从维度观的角度进行理解，情绪的维度空间模型又可以分为二维、三维等不同类型。二维连续型模型如图所示。情绪识别：脑电信号可以用于情绪的识别。在基于脑电信号的情绪识别任务中，需要对脑电信号进行预处理以提高信号的质量，预处理一般包括降采样、滤波、去除伪迹以及特征提取等环节。对情绪的识别主要包含以下步骤：（1）诱导情绪（2）数据预处理（3）特征提取和特征选择（4）训练模型如果采用离散情绪模型，那么情绪识别任务将是一个分类任务。对于分类任务，有许多的分类模型可以选择。传统的有监督和无监督等机器学习模型包括KNN、SVM、NaiveBayes、决策树、GBDT、K-means等模型。本任务中，我们选择支持向量机（supportvectormachines，SVM）作为分类器。支持向量机是一种二分类模型，本质上是寻找一个最佳的超平面将数据点区分。下图为支持向量机的示意图。3、专注力分析脑电波含有丰富的特征。我们可以使用δ、θ、α、β和γ这5个基本特征来构建一个或多个特征，然后使用这些特征来代表注意力的程度。θ与β的比率是一个常用的用来观察注意力的特征。当β增加，θ减少时，θ/β的比值将下降，代表注意力程度上升。专注力分析是一个活跃的研究领域，基于脑电图的研究可以帮助我们评估和增强注意力等认知功能。通过绘制脑电波指标的曲线可以观察到一个人的注意力是如何变化的。4、压力分析传统的压力评估方法依赖于评估者的主观经验，并且受测者可能会试图隐藏自己的真实心理状态。利用生理信号来测试压力更为客观。自主神经系统(ANS)会影响心脏的活动，因此可以通过ECG信号进行心理压力的检测。心率变异性是近年来比较受关注的无创心电检测指标之一，基于心电图(ECG)的时域和频域信息可以分别计算心率(HR)和心率变异性(HRV),利用这些信息可以计算个人的心理压力状况。教学重点和难点教学重点心电信号、情绪识别、压力分析处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点心电信号处理方法练习设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源PAGEPAGE1201.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。课前预学教学环节与内容教师活动学生活动设计意图生物信息识别的概念教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试让学生提前了解生物信息识别的概念。重点关注基础薄弱的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：生物信息识别的引入（5分钟）设计提问环节，引出生物信息识别的概念学生回答问题，说说对生物信息识别的理解引导学生理解生物信息识别，激发学生学习兴趣。讲授新课及练习：生物信息识别概念、原理、常用方法（80分钟）利用教学ppt讲解单元内容，并操作演示。听课较为深入地理解生理；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生理论基础比较差，难以理解改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案21课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称生物信息识别教学场所授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解生物信息识别的概念、原理、常用方法。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解生物信息识别的概念；理解生物信息识别的基本原理；了解生物信息识别常用方法能力目标能够说出生物信息识别的基本流程；能说出生物信息识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容剩余理论部分讲授：应用领域生物信息识别在许多领域都有应用。在医疗领域，它可以帮助诊断疾病、预测疾病进展和制定治疗方案。在安全领域，指纹、人脸和声音识别被用于身份验证和监控。此外，生物信息识别还在科研、农业和环境保护等领域有着广泛的应用。未来趋势随着技术的发展，我们预期生物信息识别的应用将进一步扩大。随着更多高质量生物数据的产生，以及机器学习和人工智能技术的进步，未来的生物信息识别将更加精确、快速和便宜。实践部分：任务11：情绪识别任务描述在进行情绪识别任务时，既可以使用一种生理信号，也可以将多种生理信号融合为了识别情绪。多种信号融合被认为有助于提高识别的精度，但这需要更多的传感器和更大的计算量。任务1只使用脑电信号进行情绪识别。技术分析情绪识别处理流程如下图(1)获取原始脑电信号由脑电传感器采集的频域的脑电信号。（2）脑电信号预处理获取脑电信号后，接下来就是进行对脑电信号预处理。大多数脑电设备以时域形式采集EEG信号，在情绪识别领域,由于需要频率信息,因此可以对提取到的脑电信号进行频域变换，将时域换至频域获得频谱,之后将频段分解到与人的心理活动联系密切的五个子频段δ、θ、α、β、γ,再计算特征。)提取脑电信号特征α波多出现于较为放松的有意识状态,额叶上α波的不对称性可反映情绪的不同效价;β波与活跃的意识状态例如注意力集中的活动有关,在额叶区域较为显著,可反映情绪的效价;γ波则与大脑的过度活跃现象、特定的认知或运动有关；中性情绪和消极情绪在β和γ波段有相似的振荡模式,尤其其在α波段的振荡能量更高。)特征选择特征并不是越多越好，如果将所有特征都丢进去分类器，可能只会得到一个并不理想的分类器。因此，我们可以根据实验结果，选择与情绪关联性高的特征，因此选取α和β波段作为主要识别特征。((55))训练分类器选择完特征，可以进行分类器的训练了。利用scikitlearn库，在提取特征向量以后，接下来就是训练模型。对于不同的应用需求，我们使用不同的模型，传统的有监督和无监督等机器学习模型，如KNN、SVM、NaiveBayes、决策树、GBDT、Kmeans等模型。（66）输出结果输入待分析的获取原始脑电信号，调用训练好的算法模型处理，提取关键信息，采用二维模型来表示情绪，训练一个SVM分类器，输出是一个连续的变量的分析报告。步骤11：导入模块扫码打开代码编辑页面，打开后点击开始按钮Run加载所需的模块,如下面的代码所示。步骤22：加载数据运行数据加载代码。可以看到训练集和标签的内容,如下面的代码所示。步骤33：训练模型（1）运行训练模型的代码。这里我们使用支持向量机作为我们的模型。fit方法用于启动模型的训练，它有两个参数，第一个是训练集，第二个是对于的标签。需要注意的是，我们这里只针对唤醒度数据进行了训练。如下面的代码所示。（2）再创建一个支持向量机模型，用于愉悦度数据的训练。步骤44：情绪预测训练完成后，可以进行预测了。预测只需要输入待预测的数据，不需要输入标签。如下面的代码所示。步骤55：计算唤醒度和愉悦度情绪是人对客观事物的态度体验及相应的行为反应,对于人类的行为和心理健康有着重要影响。如何计算愉悦度和准确识别情绪,在人机交互研究中占据重要位置,且有极高的应用价值。脑电反馈技术是利用现代生理科学仪器，通过人工智能的深度学习训练后，进行唤醒度和愉悦度分类的情绪识别。情绪唤醒度和愉悦度结果如下图6-7。图6-7情绪唤醒度和愉悦度结果步骤66：输出数值为了更加直观地观察数据，可以使用二维的情绪图把数据显示出来。至此，情绪识别任务完成。任务22：专注力分析任务描述专注力分析是一个活跃的研究领域，基于脑电图的研究可以帮助我们评估和增强注意力等认知功能。通过绘制脑电波指标的曲线可以观察到一个人的注意力是如何变化的。技术分析脑电波含有丰富各波段的特征。不同波段可以用做不的应用的特征识别，根据过去的文献，我们使用θ波与β波的比率来观察注意力的特征。当β波增加，特征来代表注意力的程度。θ波减少时，θ/β的比值将下降，代表注意力程度上升。本任务中我们将绘制θ/β的曲线，观察注意力的变化。为了获得注意力数据，可以对被测试者试进行斯特鲁色词测验（StroopColorWordTest）。务实现步骤11：加载模块扫码打开代码编辑页面，点击Run运行代码，如下面的代码所示。步骤22：获取分类标签定义一个用来获取标签的函数。将连续的压力数据离散化，为后续的分类任务准备好标签。如下面的代码所示。步骤33：加载数据分别加载数据和压力数据标签，如下面的代码所示。步骤44：数据标准化在数据输入到模型之前需要先进行数据标准化操作，这有利于提高模型的精度。如下面的代码所示。步骤55：训练模型训练模型并输出分类的准确率，如下面的代码所示。步骤66：数据可视化使用t-SNE算法可视化数据,如下面的代码所示。项目小结与展望：在本项目中，我们学习了脑电和心电信号的基础知识，并通过三个简单的任务初步认识了机器学习算法在生物医学信号方面的应用。现在人工智能的概念已经越来越深入到生活中。融合人工智能与脑科技，将脑与机器（外部设备）结合起来，已成为下一个时代的必然进程，也将开启全新的时代。在人工智能与脑的交叉领域，有两个重要路径：一是仿脑，通过计算模拟生物脑来获取智能能力；二是联脑，通过脑与机器的信息连接与融合来实现智能能力。心电作为广泛应用于临床的医学检测技术，能够帮助医生了解患者的状况并做出有效而准确的诊断。传统的心电信号分析面临着复杂性和非心脏因素干扰等问题，而人工智能技术与心电技术的结合，将为解决这些问题带来新的解决方案。将人工智能应用于传统心电产品中，将显著提升产品性能，提高医生的工作效率，实现自动诊断并降低误诊率。特别是通过深度学习等方法，人工智能技术在心电诊断方面有着巨大的潜力。随着可穿戴设备的普及，越来越多的设备配备了生物传感器，能够长时间地采集人体生理参数，实现持续监测，为居家监护、个性化医疗和远程医疗提供支持。虽然这些设备在精度上可能不及专业的临床设备，但它们仍然具备重要的参考价值。在未来，随着人工智能技术的不断发展，脑机深度融合将成为可能。光、电、磁、声等观测与调控技术将为理解大脑提供革命性的新途径。目前，通过人工智能技术的结合，已经在实验中取得了令人瞩目的成果。例如，利用光遗传学方法激活小鼠的神经元，使其变得勇敢，展现出与平常不同的行为。此外，还有猴子意念控制机械臂等领域的研究。各国科学家正在积极研究和探索脑机混合领域的可能性。在人工智能技术的推动下，人工智能心电技术将继续在心电产品领域创新。未来的研究将从单一病种扩展到多病种融合发展。相信新一代人工智能技术将会对人类生活产生深远的影响，为医疗健康领域带来革命性的变革。这些努力不仅将加速研究成果从实验室走向市场应用，还将推动人工智能在医疗领域的应用取得更大的进展。教学重点和难点教学重点生物信息的种类及其重要性。机器学习和人工智能在生物信息识别中的应用。处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点深度学习技术的原理和应用。大数据在生物信息识别中的挑战和机遇。处理方法使用图表和动画来解释复杂的概念。通过实际案例帮助学生理解生物信息识别的应用。设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。七、课前预学教学环节与内容教师活动学生活动设计意图生物信息识别简介分发预读资料阅读资料为学生建立基本概念课中内化教学环节与内容（标注时长）教师活动学生活动设计意图应用领域介绍展示PPT、讲解案例听讲，参与讨论帮助学生理解生物信息识别的重要性深度学习工具演示深度学习模型观看演示，提问让学生了解技术应用PAGEPAGE131课堂小结结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生编程基础较弱，知识掌握相对差改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案22课程名称人工智能导论授课对象教学单元名称生物信息识别教学场所授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析通过这一单元的学习，让学生理解生物信息识别的概念、原理、常用方法。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解生物信息识别的概念；理解生物信息识别的基本原理；了解生物信息识别常用方法能力目标能够说出生物信息识别的基本流程；能说出生物信息识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容任务2：专注力分析任务描述：基于脑电图进行专注力分析，帮助评估和增强注意力认知功能。技术分析：脑电波含有丰富各波段的特征。不同波段可以用做不的应用的特征识别，根据过去的文献，我们使用θ波与β波的比率来观察注意力的特征。当β波增加，特征来代表注意力的程度。θ波减少时，θ/β的比值将下降，代表注意力程度上升。本任务中我们将绘制θ/β的曲线，观察注意力的变化。为了获得注意力数据，可以对被测试者试进行斯特鲁色词测验（StroopColor-WordTest）。步骤1：加载模块和获取标签，运行代码加载所需模块和数据标签。步骤2：加载数据，分别加载数据和压力数据标签。步骤3：数据标准化，对数据进行标准化处理。步骤4：训练模型，训练模型并输出分类准确率。步骤5：数据可视化，使用t-SNE算法进行数据可视化。项目小结与展望：在本项目中，我们学习了脑电和心电信号的基础知识，并通过三个简单的任务初步认识了机器学习算法在生物医学信号方面的应用。现在人工智能的概念已经越来越深入到生活中。融合人工智能与脑科技，将脑与机器（外部设备）结合起来，已成为下一个时代的必然进程，也将开启全新的时代。在人工智能与脑的交叉领域，有两个重要路径：一是仿脑，通过计算模拟生物脑来获取智能能力；二是联脑，通过脑与机器的信息连接与融合来实现智能能力。心电作为广泛应用于临床的医学检测技术，能够帮助医生了解患者的状况并做出有效而准确的诊断。传统的心电信号分析面临着复杂性和非心脏因素干扰等问题，而人工智能技术与心电技术的结合，将为解决这些问题带来新的解决方案。将人工智能应用于传统心随着可穿戴设备的普及，越来越多的设备配备了生物传感器，能够长时间地采集人体生理参数，实现持续监测，为居家监护、个性化医疗和远程医疗提供支持。虽然这些设备在精度上可能不及专业的临床设备，但它们仍然具备重要的参考价值。在未来，随着人工智能技术的不断发展，脑机深度融合将成为可能。光、电、磁、声等观测与调控技术将为理解大脑提供革命性的新途径。目前，通过人工智能技术的结合，已经在实验中取得了令人瞩目的成果。例如，利用光遗传学方法激活小鼠的神经元，使其变得勇敢，展现出与平常不同的行为。此外，还有猴子意念控制机械臂等领域的研究。各国科学家正在积极研究和探索脑机混合领域的可能性。在人工智能技术的推动下，人工智能心电技术将继续在心电产品领域创新。未来的研究将从单一病种扩展到多病种融合发展。相信新一代人工智能技术将会对人类生活产生深远的影响，为医疗健康领域带来革命性的变革。这些努力不仅将加速研究成果从实验室走向市场应用，还将推动人工智能在医疗领域的应用取得更大的进展。教学重点和难点教学重点生物信息的种类及其重要性。机器学习和人工智能在生物信息识别中的应用。处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点深度学习技术的原理和应用。大数据在生物信息识别中的挑战和机遇。处理方法使用图表和动画来解释复杂的概念。通过实际案例帮助学生理解生物信息识别的应用。设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。四、课前预学教学环节与内容教师活动学生活动设计意图生物信息识别简介提供预读材料阅读材料建立基本概念，引发兴趣课中内化教学环节与内容（标注时长）教师活动学生活动设计意图机器学习与生物信息识别展示PPT、解析案例听讲，参与讨论深化对机器学习在生物信息识别中的理解实例分析演示深度学习模型观察，提出问题进一步理解深度学习技术的应用课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图未来的技术趋势与挑战提供延伸阅读材料阅读，写下自己的观点激发学生对未来技术发展的思考不足部分学生编程基础较弱，知识掌握相对差改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案23课程名称人工智能导论授课对象教学单元名称自然语言处理教学场所授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析生物信息识别不仅是人工智能的一个重要分支，还是连接生物学和信息技术的重要桥梁。通过本单元的学习，我们将探索生物信息的核心概念、其在人工智能领域中的重要性，以及当前和未来的技术趋势。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解生物信息识别的概念；理解生物信息识别的基本原理；了解生物信息识别常用方法能力目标能够说出生物信息识别的基本流程；能说出生物信息识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容项目任务：智能文本分析任务描述：智能文本分析是一项技术，通过对待分析的文本进行处理，包括分句、分词、命名实体识别等步骤，从中提取关键信息如时间、地点、人物、事件等，进而生成文本摘要、分类和情感分析，最终生成文本分析报告。技术分析：以下是智能文本分析的主要技术流程：获取原始文本：可通过资料整理或网络抓取等方式获取原始文本数据。文本预处理：包括数据清洗、分句、分词和词性标注等步骤。数据清洗：去除无意义或错误的数据，如非规则字符。分词：将句子切分成逐个单词或字。特征提取：将分词后的词语表示成计算机可处理的形式，常用的表示模型包括词袋模型和词向量。词袋模型：统计每个词语的出现次数或使用TF-IDF方法评估词语重要性。词向量：将词语表示为向量，如Word2Vec和GloVe。模型训练：选择合适的机器学习模型或深度学习模型进行训练，以完成文本分类、情感分析等任务。传统机器学习模型：如KNNSVM、NaiveBayes深度学习模型：如CNN、RNN、LSTMTextCNN等。输出结果：将待分析文本输入训练好的模型，进行关键信息提取、文本分类、情感分析等，最终生成智能文本分析报告。能文本分析在信息提取、文本分类、情感分析等领域有广泛应用，能够帮助自动化处理大量文本数据，从中挖掘出有价值的信息和洞察，为决策和应用提供支持。步骤一：实现文本关键信息提取1. 扫描二维码（图710）（图711）。2.3.在图7-11的文本输入框中输入待分析文本内容（图7-12）。点击开始按钮，对文本进行分句，得到文本分句结果（图713）。点击下一步，将每句话切割成逐个单词，得到文本分词结果（图714）。点击下一步，对文本单词进行命名实体识别，得到命名实体识别结果（图715）。点击下一步，手动选择4个关键词，得到关键词提取结果（图716）。PAGEPAGE142步骤二：形成文本摘要1.点击图7-16的下一步。2.手动选择1-3个语句作为关键句，形成文本摘要（图7-17）。步骤三：对文本进行情感分析点击图717的下一步。进行分析处理，得到正向的情感结果（图718）。步骤四：对文本进行分类点击图718的下一步。对文本内容进行分类，得到分类结果。步骤五：形成智能文本分析报告点击图719的下一步。最终形成智能文本分析报告（图720）。教学重点和难点教学重点的实现流程、编程处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点编程实现处理方法练习实践设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。四、课前预学教学环节与内容教师活动学生活动设计意图生物信息识别简介提供预读材料阅读材料建立基本概念，引发兴趣课中内化教学环节与内容（标注时长）教师活动学生活动设计意图机器学习与生物信息识别展示PPT、解析案例听讲，参与讨论深化对机器学习在生物信息识别中的理解实例分析演示深度学习模型观察，提出问题进一步理解深度学习技术的应用课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图未来的技术趋势与挑战提供延伸阅读材料阅读，写下自己的观点激发学生对未来技术发展的思考课前预学教学环节与内容教师活动学生活动设计意图Python心形打印编程实现教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试图形打印编程的基本流程，为完成任务二做好准备。重点关注基础薄弱的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：词云图的引入（5分钟）设计提问环节，引出词云图学生回答问题，说说对词云图的理解引导学生理解词云图，激发学生学习兴趣。讲授新课及练习：完成任务二的思路、编程实践（80分钟）利用教学ppt讲解词云图的特征、编程思路，并操作演示。听课，动手完成任务二课堂实践较为深入地理解词云图的特征及编程实现过程；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图布置作业在超星平台上发布作业完成超星平台上的作业通过习题练习，加强对知识难点的理解。不足部分学生编程基础较弱，知识掌握相对差改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案24课程名称人工智能导论授课对象22市政工程技术1-2班，22建筑工程技术2班教学单元名称自然语言处理教学场所机房6519授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析生物信息识别不仅是人工智能的一个重要分支，还是连接生物学和信息技术的重要桥梁。通过本单元的学习，我们将探索生物信息的核心概念、其在人工智能领域中的重要性，以及当前和未来的技术趋势。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解生物信息识别的概念；理解生物信息识别的基本原理；了解生物信息识别常用方法能力目标能够说出生物信息识别的基本流程；能说出生物信息识别常用的几种方法；素质目标培养良好的编程素养；培养人工智能思维；教学内容任务2:机器人写诗任务描述:机器人写诗是一项涉及输入诗的标题和类型，通过模型训练，自动生成符合格式要求的诗词的任务。这涉及到学习不同风格或主题的诗歌，并根据这些知识生成诗歌。当前主要采用基于深度学习的方法，其中长短时记忆网络（LSTM）是常用的深度学习技术之一。LSTM在诗歌生成中的应用过程如下：首先需要获得足够多的训练诗歌数据集。数据集越大，生成诗歌的多样性越大。获得训练数据后，需要对诗歌数据进行规范化，确保数据集仅包含特定格式的诗，例如每行都是五言绝句。在获得足够的训练数据集后，开始构建长短时记忆网络模型。这可以使用Python的开源人工神经网络库KerasLSTM网络。LSTM网络包括输入层、LSTM层、全连接层和输出层。定义网络层数，设置输出维度、激活函数等参数。进行模型训练，生成相应LSTM模型，并将其保存。利用训练好的模型，可以自动生成符合特定格式要求的诗歌，如五言律诗、五言绝句等。任务实现:步骤一：确定诗的标题类型1.扫描图7-21中的二维码，进入机器人写诗服务界面（图7-22）。2.在图7-22的输入框中手动输入诗的标题，例如输入“春天”（图7-23）。步骤二：选择诗的类型1. 点击图723页面下一步按钮。2.在接下来的页面中，选择诗的类型，如五言绝句、七言绝句、五言律诗、七言律诗（图724）。步骤三：生成诗词在图7-24中选择五言绝句类型点击下一步，系统根据输入的诗词标题和所选择的诗的类型，生成符合格式要求的诗歌（图7-25）。PAGEPAGE151步骤四：生成报告点击图725页面下一步按钮最终生成包含生成诗歌信息的智能文本分析报告（图726）。教学重点和难点教学重点任务三的实现流程、编程处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点for循环、函数编程实现处理方法练习实践设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开设超星平台人工智能导论课程学习并进行习题练习：/course/218954124.html采用多元化、过程化的评价方式。过程性评价应注重任务实践环节分析问题和解决问题的能力的考核，应包含职业素养考核，结合学生的平时表现。考核内容包括微课视频观看、章节测验、平台考勤。课前预学教学环节与内容教师活动学生活动设计意图Python海龟库实现教师提前在超星平台发布学习任务，发布习题测试。批改课前测试作业学生通过超星平台完成教师发布任务，完成习题测试图形打印编程的基本流程，为完成任务二做好准备。重点关注基础薄弱的同学进行提高。课中内化教学环节与内容（标注时长）教师活动学生活动设计意图新课导入：象棋棋盘的引入（5分钟）设计提问环节，引出象棋棋盘学生回答问题，说说对象棋棋盘的理解引导学生理解象棋棋盘，激发学生学习兴趣。讲授新课及练习：完成任务三的思路、编程实践（80分钟）利用教学ppt讲解象棋棋盘的特征、编程思路，并操作演示。听课，动手完成任务三课堂实践较为深入地理解象棋棋盘的特征及编程实现过程；了解学生知识基础，适时进行学习引导课堂小结（5分钟）结合课件引导学生一起梳理课堂内容跟着老师的思路一起梳理所学内容，明确重点可以加深学生的印象，理解课堂内容内在逻辑课后提升教学环节与内容教师活动学生活动设计意图不足部分学生编程基础较弱，知识掌握相对差改进设想设计不同难度等级的题目，供不同基础的同学选择练习。《人工智能导论》教案25课程名称人工智能导论授课对象教学单元名称语音识别教学场所授课形式理实一体授课学时2教材人工智能导论课程标准《人工智能导论》课程标准单元及内容分析语音识别已经成为当今世界的一个重要技术，从智能助手到自动翻译，它的应用无处不在。在本课程中，我们将探索这一技术背后的原理，如何通过人工智能实现，以及其在现实世界中的应用。学情分析知识与技能基础具备较好的数学理论基础；较好的计算机操作能力。认知与实践能力大部分学生没有编程基础，但对人工智能技术应用感兴趣，同时具备较好的逻辑思维、科学计算能力。学习特点对动手实践类课程感兴趣，自学能力强。教学目标知识目标了解语音信号的基本特性和处理技术。掌握深度学习在语音识别中的应用。能力目标能够分析和解释语音数据的特点。能够应用深度学习模型对语音数据进行初步分析素质目标培养创新思维和跨学科协作的能力。关注技术的伦理和社会影响。教学内容智能语音是人工智能技术的重要组成部分，能够实现人与机器之间的语言交流。它包括语音识别（ASR）和语音合成（TTS）两大主要技术。语音识别使机器能够“听懂”周围的声音，实现语音转文字；而语音合成则使机器能够模仿人类的声音，将文字内容转化为语音。整个智能语音交互的流程涉及多个步骤，包括智能终端、语音识别、自然语言理解、对话管理、自然语言生成和语音合成六个部分，如图8-3所示。在这其中，语音识别和语音合成是智能语音技术的两个核心关键点。：智能终端：用户使用智能设备（如手机、智能音响等）进行语音输入和输出。语音识别（ASR）：将用户的语音信息转换成可处理的文本信息。这个过程需要用到声音信号处理、机器学习等技术，将声音转化为文字。自然语言理解：将识别出的文本进行语义分析，理解用户的意图和需求。对话管理：根据用户的意图，决定系统如何应答，进一步引导对话的发展。自然语言生成：将机器生成的回答文本转化为可被语音合成的形式。语音合成（TTS）：将文本信息转化为声音信号，生成可听的人工语音。术智能语音交互技术的核心在于语音识别和语音合成。语音识别（ASR）：这项技术使机器能够将人的语音转换为文本。它涉及声音信号处理、模型训练和语音特征提取等。常用的方法包括基于深度学习的端到端模型，如循环神经网络（RNN）、卷积神经网络（CNN）和转录记忆网络（Transformer）等。语音合成（TTS）：这项技术将文本转换为人工语音。它涉及到文本到语音的转换，需要模拟人类语音的声调、语速、语气等特征。传统的方法包括联合概率模型（HMM）和基频、噪声和声道模型（F0-Noise-Excitation）等，而近年来，深度学习技术，尤其是循环神经网络和变换器模型，也在语音合成领域取得了显著进展。在智能语音交互领域，随着人工智能技术的不断发展，语音识别和语音合成技术不断优化，为用户提供更加自然、便捷的交互体验。【1.1语音识别】语音识别的概述语音识别的目标是让机器理解人说的话，模拟人类听觉系统的过程。它将语音信号转换为文本和指令。主要包含特征提取、模式匹配和模型训练三个方面。语音识别涵盖信号处理、模式识别、概率论、信息论、发声机理、听觉机理、人工智能等多个领域。语音识别技术在多领域取得突破，应用于语音识别听写器、智能客服等。语音识别的历史语音识别早于计算机，声码器是其雏形。1920年代出现了“RadioRex”玩具狗，可能是最早的语音识别机。自动语音识别起源于1950年代，贝尔实验室、普林斯顿RCA实验室等提出了一些识别系统。随后，日本东京大学、NEC实验室、卡内基梅隆大学等进行了大量研究。1980年代，美国、俄国、日本科学家取得了多项成就，IBM实验室实现了数据库语音查询系统、办公语音助手系统等。1980年代末，神经网络应用于语音识别。1990年代，语音识别从朗读式逐渐转向生活对话。本世纪，随着互联网发展，语音识别从“单机模式”进化至“云模式”。1.1.3语音识别相关技术语音识别是让机器理解人说话的技术，通过语音信号处理和模式识别技术将语音转换为计算机可读的字符序列。过程包括语音输入、信号预处理、特征提取、模式匹配、语言处理等环节。以中文语音识别为例，流程包括语音输入、信号预处理、特征提取、模式匹配、语言处理。语音输入：硬件设备如手机、智能音箱等。信号预处理：消除噪声、回音、信道增强等。特征提取：从音频数据提取特征向量，如声音的频域特征。模式匹配：将特征向量转为语言标注，使用声学模型进行匹配。语言处理：通过语言模型将拼音输入转为最终文字。1.1.4语音识别面临的挑战语音识别涉及多学科，如声学、语言学、信息理论、模式识别、心理学等。应用广泛，如语音检索、智能助理。个性化需求增多，带来困难：语义影响：上下文对语音信号的影响。口音和习惯：发音人的差异导致特征分布不同。心理和生理变化：发音人因素影响语音信号变化。-环境干扰：干扰影响语音信号质量。教学重点和难点教学重点语音信号的基本特性。深度学习在语音识别中的应用。处理方法依托在线课程，结合课前预习和课后测验，导入、巩固课程重点和检测教学效果，并有效利用学科课程及知识点间的联系，帮助学生实现知识的迁移，建立专业的知识体系教学难点深度学习模型的工作原理。在复杂环境中的语音识别技术。处理方法使用实际录音示例来帮助学生理解语音的特点。结合案例分析深度学习在语音识别中的应用。设计理念终身学习的教育观：教师从传授者变为引导者，通过几个计算机基础知识小测试，引导学生自主学习计算机科学导论知识。建构主义的学习观：灵活运用多种教学方法，提供丰富的学习资源，使学生能主动地建构他们自己的经验和知识。能力本位的质量观：通过工作过程系统化的课程学习，学生在个人实践经验的基础上建构专业系统化知识。过程导向的课程观：课程以理论和实践一体化的工作过程为导向，构建“工作过程完整”而不是“学科完整”的学习过程。教学方法与手段教学方法：尽量采用启发式、讨论式教学，在课堂上多提问题，安排一些自学内容，鼓励学生自学，培养学生的自学能力。结合实际问题，更新教学内容，改进教学方法，通过实践练习，加深对知识的理解和掌握。通过分组实践项目，培养学生团结协作完成工作任务的能力。教学手段：多媒体设备、视频资料、网站平台、其他教具等，采用电子教案、课堂演示程序的运行效果等，以提高课堂信息量，增加教学的直观性。教学资源1.积极开发和利用网络教学资源：课程标准、授课计划等教学文件，课件、习题、案例库；2.课程推荐如下网络资源：开