《人工智能基础》-教案

教案课程名称人工智能基础学时2序号01授课班级日期xx任课教师课题项目1初识人工智能——任务1人工智能初体验学习目标知识目标：1.能够准确阐述人工智能基本概念与发展历程；2.能够清晰说出实现人工智能的四大关键要素；3.能够详细描述人工智能的三大研究流派；4.能够列举人工智能在不同领域的应用案例，并展望其未来发展趋势；5.能够阐述人工智能的伦理问题。能力目标：1.能够描述人工智能的基本概念；2.能够分辨人工智能、机器学习和深度学习的关系；3.能够区分不同人工智能的研究流派特点和典型代表。素质目标：1.培养学生善于发现、勇于探索的精神；2.培养学生具体问题具体分析；3.培养学生逻辑思维能力和推理能力；4.培养学生遵守伦理道德的素养。学习内容本教案为“项目1初识人工智能”中的“任务1人工智能初体验”，共计2学时，具体教学内容如下：呈现策略与反馈策略：演绎型呈现，即时反馈（领域模式）任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：人工智能的三大研究流派理解与区分。（引入案例加深对三大研究流派的理解）难点：人工智能、机器学习和深度学习的关系。（通过绘制关系图表明三者之间的关系）项目/任务任务1人工智能初体验：主要包括人工智能基础的概念认知，发展历程，研究学派以及未来的发展趋势的了解，以及AI开发平台体验和橙现智能Orange软件操作入门。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1在智慧职教发布MOOC慕课视频，布置在线观看微课，自学人工智能基本概念。2发起主题讨论：人工智能有哪些发展历史？1在线观看微课视频，了解人工智能的基本概念。2.参与课前讨论：基于微课学习，参与平台讨论，了解人工智能的发展历史。--任务提出本任务将基于AI开放平台和橙现智能Orange软件，利用其丰富的工具、算法和模型，让开发者无需从头开始，就能快速搭建起自己的AI应用。学生了解任务的要求，明确任务内容。5min课程导入1.第一次说课：简短介绍本课程定位、教学目标、内容设计、教学方法及考核方式等；2.提出任务：首先，介绍人工智能基础的概念认知，发展历程，研究学派以及未来的发展趋势，然后，通过AI开发平台和橙现智能Orange软件操作，体验人工智能能做什么？1.了解通过本课程能够学到什么，能够解决什么问题？10min人工智能基本概念人工智能基本概念与发展历程以“什么是智能及人工智能？”问题讨论，提出人工智能的基本概念。以图灵测试和达特茅斯会议，吸引学生学习兴趣。图灵测试1.讨论什么是智能及人工智能？2.对人工智能做一个基本的定义。3.和教师给出的人工智能基本概念做对比，加深理解，并记笔记。4.了解图灵测试10min人工智能的发展历程1.人工智能的元年：达特茅斯会议2.通过时间轴的形式介绍人工智能“三起两落”五个阶段的发展历程，及推动发展背后的原因。3.讲解按照智能程度，导入不同的人工智能场景，进行人工智能分类。1.了解人工智能的元年：达特茅斯会议。2.熟悉人工智能“三起两落”五个阶段的发展历程，及推动发展背后的原因。3.学生了解人工智能的分类。15min人工智能、机器学习、深度学习的关系人工智能、机器学习、深度学习的关系1.通过图的形式讲解人工智能、机器学习和深度学习的关系；实现人工智能的四大关键要素2.通过将AI与云计算、大数据和物联网等结合，提出四大关键要素。1.根据给出的图片，理解人工智能、机器学习和深度学习三者之间的关系。2.AI与云计算、大数据和物联网的结合，思考实现人工智能的四大关键要素。10min人工智能的三大研究流派人工智能的三大研究流派讲解符号主义特点与典型案例；讲解行为主义特点与典型案例，并播放机器人视频短片加深理解。讲解联结主义学派特点与典型案例；1.结合教师讲解的典型案例，理解三大研究流派提出的理论。2.通过对三大研究流派进行对比（时间线、典型案例），加深理解。15min人工智能的应用与未来人工智能的应用与未来组织讨论：在学生的日常学习和生活中，接触过哪些典型的人工智能应用？2.讲解国内外人工智能的发展领域。3.结合案例讲解人工智能未来发展趋势。1.讨论生活中接触到的人工智能的应用，并积极回答问题。2.了解国内外相关的发展领域。3.从AI+到+AI，畅想人工智能走进千行百业。10min人工智能的伦理问题人工智能的伦理问题讲解生活中人工智能带来的伦理问题，引发学生辩证的思考问题。1.讨论生活中遇到的人工智能伦理问题，需要辩证的看待问题，培养学生遵守伦理道德的素养。（课程思政）10min总结随堂测试与教学总结：1.完成随堂问题测试；2.教师带领学生一起对本次课内容进行总结。3.提出什么是机器学习，安排学生预习下节课内容，并完成课后习题。1.积极回答随堂测试问题。2.和老师一起完成本次课学习内容的总结。3.学生完成课后习题并预习。15minAI开放平台介绍各种AI开发平台1.百度AI开放平台提供的丰富的AI能力：2.腾讯AI开放平台3.阿里AI4.HUAWEIHiAI能力开放平台5.科大讯飞开放平台6.GoogleCloudAI7.AmazonWebServices(AWS)AI8.MicrosoftAzureAI打开平台网址，了解平台提供的AI能力1学生体验百度AI开放平台2学生体验腾讯AI开放平台3学生体验阿里AI4学生体验HUAWEIHiAI能力开放平台5学生体验科大讯飞开放平台6学生体验GoogleCloudAI7学生体验AmazonWebServices(AWS)AI8学生体验MicrosoftAzureAI15minOrange开源软件介绍一款开源、可视化、适合通用本科学生使用的人工智能实验软件Orange（国内版本橙现智能）；2.橙现智能软件界面介绍；示例工作流软件下载与安装1.了解橙现智能软件的界面；2.了解软件工作流的常用术语；3.学习软件的下载和安装步骤。15min体验百度AI开放平台体验百度AI开放平台(1)通用文字识别(2)动物识别1通过百度AI开放平台官网浏览、案例分析等方式，使用AI开放平台的AI能力，了解其功能；2学生尝试使用通用文字识别功能3.学生使用动物识别功能15min体验腾讯AI开放平台体验腾讯AI开放平台（1）人脸检测与分析五官定位人脸对比（4）人脸搜索1.通过腾讯AI开放平台官网浏览、案例分析等方式，使用AI开放平台的AI能力，了解其功能；2学生使用人脸检测与分析3学生使用五官定位4学生使用人脸对比5学生使用人脸搜索15min体验橙现智能软件体验橙现智能软件1加载组件2选择模型3模型训练4调试模型5观察数据1使用橙现智能软件，体验人工智能的工作流程。2学生加载组件3学生选择模型4学生模型训练5学生操作调试模型6学生观察数据15min任务总结对认识与体验AI开发平台、橙现智能软件入门操作进行总结，学习者认识到了这些平台的易用性、成本效益、灵活性、社区和资源以及技术支持等方面的优势；还学习了如何使用数据表和散点图等可视化工具来观察数据，从而对数据分析的过程有了更直观的理解。5min评价类型本次课采用过程评价的方式，通过课堂参与度、作业完成情况评估学习过程。--课后巩固任务扩展1：探索百度AI开放平台的菜品识别能力：收集整理5份菜品照片，利用百度AI开放平台进行识别，分析并评估其识别结果。任务扩展2：请结合校园生活场景为菜品识别功能设计一种具体的使用场景，目标包括：验证技术落地能力，通过场景设计，体现AI技术（菜品识别）与现实需求的匹配度；解决实际问题，设计的场景需能切实解决校园生活中的具体问题；展示设计逻辑，通过结构化描述，展示从需求分析到功能实现的完整思考过程。拓展阅读：AI浪潮中的华人之光--教学反思从多样化教学手段来看：充分利用了多媒体资源、在线课程平台、互动讨论等方式来丰富教学手段，提高学生的学习兴趣和参与度。从翻转课堂的应用来看：采用翻转课堂模式，让学生在课前通过视频、阅读材料自主学习理论知识，课堂时间则用于深入讨论、问题解决和实践活动，以提高教学效率。

教案课程名称人工智能基础学时2序号02授课班级日期xx任课教师课题项目2机器学习应用——任务1顾客市场分析学习目标知识目标：1.能够准确解释机器学习的定义；2.能够详细描述机器学习的分类；3.能够准确说出机器学习基本流程；4.能够列举并简要描述常见的聚类算法。能力目标：1.能够叙述什么是机器学习？2.能够描述机器学习的4种学习类型。3.能够说出机器学习的基本流程。素质目标：1.培养学生数据分析与处理能力；2.培养学生具体问题具体分析；3.培养学生逻辑思维能力和推理能力。学习内容本教案为“项目2机器学习应用”中的“任务1顾客市场分析”，共计2学时，具体教学内容如下：呈现策略与反馈策略：指导性发现，认知反馈任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：机器学习的基本流程（通过绘制SAP流程图，帮助理解机器学习的基本流程）难点：机器学习的分类（通过引入图形化的案例，帮助理解四种学习的分类）项目/任务为了能够识别出具有不同购买行为和偏好的顾客群体，从而为制定更加精准和有效的营销策略提供数据支持。通过运用机器学习聚类算法，针对给定的顾客细分数据集，实现对不同顾客群体的聚类分析。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1在智慧职教发布MOOC慕课视频，布置在线观看微课，自学人工智能基本概念。2发起主题讨论：什么是学习？1在线观看微课视频，了解人工智能的基本概念。2参与课前讨论：基于微课学习，参与平台讨论，了解什么是学习。--任务提出为了能够识别出具有不同购买行为和偏好的顾客群体，从而为制定更加精准和有效的营销策略提供数据支持。通过运用机器学习聚类算法，针对给定的顾客细分数据集，实现对不同顾客群体的聚类分析。学生了解任务的要求，明确任务内容。5min课程导入1.教师通过“学”字的字源演变，提问什么是学习？2.教师通过HerbertA.Simon对学习下的定义，提出学习的核心目的。1.思考什么是学习？2.理解HerbertA.Simon对于学习的定义。3.思考学习的核心目的是什么？5min两种学习范式教师提出“基于逻辑启发”和“基于生物学启发”的两种学习，引出机器学习。趣味故事：教师通过叙述阿瑟·萨缪尔在IBM公司工作时研制的一个西洋跳棋程序，提出“机器学习”的首个概念。1了解“基于逻辑启发”和“基于生物学启发”的区别，得出机器学习。2通过故事，了解机器学习之父和机器学习的概念。5min机器学习的定义1.教师通过一段关于机器学习的短视频，得出机器学习的概念；2.教师通过案例，引导学生得出机器学习相当于一个好用的函数，及机器学习的定义。1.学生通过观看视频得出关于机器学习的概念和流程；2.讨论：什么是机器学习？3.理解机器学习的定义。10min机器学习的分类机器学习的分类教师通过给定案例，引导学生描述什么是监督学习。教师通过给定案例，引导学生描述什么是无监督学习。教师通过给定案例，引导学生描述什么是半监督学习。教师通过给定案例，引导学生描述什么是强化学习。教师给出强化学习的相关视频，激发学生兴趣，加深强化学习的理解。通过观察给出的图，描述监督学习的过程，得出监督学习的定义。通过观察给出的图，描述无监督学习的过程，得出无监督学习的定义。通过观察给出的图，描述半监督学习的过程，得出半监督学习的定义。通过观察给出的图，描述强化学习的过程，得出强化学习的定义，及强化学习的四要素。课程思政：通过视频，学习什么是强化学习，强化学习能干什么？强化学习不断尝试和探索新的策略和方法的特点，有助于培养学生的勇气和冒险精神。（课程思政）5.对比4种学习类型，得出它们之间的区别。15min机器学习的基本流程1.教师通过人把经验归纳为规律类比计算机，机器把历史数据经过训练得出模型；指导性发现+认知反馈2.教师通过提出问题：机器学习的基本流程，布置各小组进行讨论，并绘制到纸上。3.给定学生一个机器学习的案例，让学生总结机器学习的基本流程，并绘制到纸上。4.给出专家机器学习的过程，通过出声思考，引导学生发生认知反馈；让学生总结机器学习的基本流程，并绘制到纸上，各组轮流展示。5.在小组总结的基础上，教师和小组成员共同总结机器学习的基本流程，介绍流程中的概念和过程。观察人和机器预测问题的方法，得出机器如何学习；分小组讨论并总结机器学习的基本流程，绘制到三折纸上，各小组轮流展示；通过观察出声思考，修改小组的内容。4.小组成员共同总结机器学习的基本流程。15minK均值算法K均值算法1.教师列出学习目标；教师通过图片比较，提出什么是聚类？为什么要聚类？2.教师通过图形化展示，讲解K均值算法的迭代过程；并通过动图的形式，演示迭代过程。3.教师引导学生观察K均值算法的迭代过程，得出K均值算法的流程图。4.教师带领学生一起对K均值算法进行总结。1.学生通过给出的两张图片的对比，理解聚类的概念和为什么要进行聚类。2.学生观察K均值算法的迭代过程及动图的演示，了解K均值算法的迭代步骤。3.学生观察K均值算法的迭代过程，绘制K均值算法的流程图。4.学生跟随老师一起总结K均值算法。10min层次聚类算法1.通过可视化图形，展示点的分布；2.利用层次聚类算法，将点进行聚类；3.再通过表格的形式，推算聚类的过程。1了解什么是层次聚类？2推算层次聚类的过程；3观察层次聚类和K均值聚类之后的效果，有什么不同？10min任务实现通过橙现智能软件，带领学生操作顾客市场分析的任务：1.新建工作流2.导入数据集3.查看数据4.K均值聚类5.层次聚类1打开橙现智能，新建工作流；2学生导入数据集；3学生查看数据。4学生观察K均值聚类效果；5学生观察层次聚类组件的参数特点，观察聚类的效果。10min总结与评价随堂测试与教学总结：1.完成随堂问题测试；2.教师带领学生一起对本次课内容进行总结，并进行，组间互评和自评。3.提出机器学习的常见算法（K近邻、贝叶斯和决策树算法），安排学生预习下节课内容，并完成课后习题。1.积极回答随堂测试问题。2.和老师一起完成本次课学习内容的总结。3.课下完成习题和预习任务。5min评价方式采用过程评价的方式，通过课堂参与度、作业完成情况评估学习过程。--课后巩固任务扩展1：为了区分不同类别的鸢尾花，通过上述给定的鸢尾花数据集，运用机器学习的聚类算法，实现鸢尾花的聚类分析。任务扩展2：为了区分不同类型的小麦种子，通过上述给定的小麦种子数据集，运用机器学习的聚类算法，实现小麦种子的聚类分析。--教学反思从互动环节看：通过小组讨论形式，指导性发现呈现策略、认知反馈，得出机器学习的基本流程。从给出的实例看：虽然已有一些实例，但可以进一步丰富案例库，特别是引入与学生生活或专业领域紧密相关的案例，以增强学习的实用性和吸引力。

教案课程名称人工智能基础学时2序号03授课班级日期xx任课教师课题项目2机器学习应用——任务2葡萄酒分类学习目标知识目标：1.能够准确说出K近邻算法的基本原理；2.能够明确描述贝叶斯算法的基本原理；3.能够清楚说出决策树算法的基本原理。能力目标：1.能够绘制K近邻算法的基本流程；2.能够描述条件概率的本质；3.能够解释贝叶斯算法的物理意义；4.能够绘制构建决策树的流程图。素质目标：1.培养学生科学精神与理性思维；2.培养学生总结与归纳的思维。学习内容本教案为“项目2机器学习应用”中的“任务2葡萄酒分类”，共计2学时，具体教学内容如下：呈现策略与反馈策略：指导性发现，认知反馈任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：K近邻算法的基本原理；（通过问题链的形式引导学生理解）难点：决策树算法的基本原理。（通过绘制构建决策树的流程图，加深理解）项目/任务为了能够深入分析不同葡萄酒的化学成分与其品质之间的关系，以及识别葡萄酒的类别，通过给定的葡萄酒数据集，运用机器学习的分类算法，实现葡萄酒的分类预测。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1.在智慧职教发布MOOC慕课视频，布置在线观看微课，自学人工智能的分类算法。2发起主题讨论：机器学习算法有哪些？1在线观看微课视频，了解人工智能的分类算法。2参与课前讨论：基于微课学习，参与平台讨论，了解机器学习算法有哪些？--任务提出为了能够深入分析不同葡萄酒的化学成分与其品质之间的关系，以及识别葡萄酒的类别，通过给定的葡萄酒数据集，运用机器学习的分类算法，实现葡萄酒的分类预测。学生了解任务的要求，明确任务内容。5min课程导入1.教师按照有监督学习和无监督学习，将机器学习算法进行分类，使学生了解常见的机器学习算法。1.学生通过教师给出的图，了解监督学习和无监督学习对应的机器学习算法。5minK近邻算法K近邻算法1.教师列出学习目标；教师提出引导问题：对于已知的两类点，如何判断红色五角星属于哪一类？2.教师提出如何判断点和点之间的相似性？教师讲解常见的距离公式。3.教师通过动图的形式，演示K值的大小和奇偶两个维度，提出K值设置为多大合适？1.学生通过给出的图，尝试判断红色五角星属于哪一个类别？2.学生思考如何判断两点之间的相似性？回想已学知识中比较距离的方法。3.学生思考如何选择合适的K值？通过观察动图和奇偶不同的结果，得出K值的取值技巧。10minK近邻算法流程图1.教师再次提出K近邻算法是如何分类的？学生绘制K近邻算法流程图。2.给出专家K近邻算法的过程，通过出声思考，引导学生发生认知反馈；让学生总结K近邻算法的流程图，并绘制到纸上，各组轮流展示。3.在小组总结的基础上，教师和小组成员共同总结K近邻算法的流程图。4教师带领学生一起对K近邻算法进行总结。1.学生通过K近邻算法解决案例的分类，绘制K近邻算法流程图并轮流展示。2.学生跟着老师一起，绘制K近邻算法的流程图，并对自己的流程图进行优化改进。3.学生跟随老师一起总结K近邻算法。15min贝叶斯算法贝叶斯算法1.教师列出学习目标；教师以讲故事的形式叙述贝叶斯定理产生和贝叶斯公式的提出。2.教师通过计算小桶里红球和白球的概率，得出条件概率的本质。3.教师对贝叶斯公式稍作变形，指出贝叶斯公式的物理意义。1.学生通过教师的故事，了解贝叶斯定理的提出和贝叶斯公式的提出。2.学生通过计算小桶中红球和白球的概率，得出条件概率的本质。3.学生跟随老师一起对贝叶斯公式稍作变形，思考贝叶斯公式的物理意义。8min贝叶斯思维的流程图1.教师根据贝叶斯公式、条件概率的本质，引导学生绘制贝叶斯思维的流程图。2.教师叙述贝叶斯定理的应用领域。3.教师提问：贝叶斯算法有无问题？根据条件概率的参数问题，引出朴素贝叶斯定理，阐述朴素贝叶斯的特点。4.教师带领学生一起对贝叶斯算法进行总结。1.学生根据贝叶斯公式、条件概率的本质，绘制贝叶斯思维的流程图。2.学生了解贝叶斯定理的应用领域。3.学生思考贝叶斯算法的问题，了解朴素贝叶斯的特点。4.学生跟随老师一起总结贝叶斯算法。13min决策树算法决策树算法1.教师列出学习目标；教师通过翠花相亲的案例，讲解什么是生活中的决策树？2.教师通过翠花相亲的案例，介绍决策树的三种节点。3.教师通过生活中的决策树，得出决策树的定义及规则。1.学生通过翠花相亲的案例，了解什么是决策树。2.学生对照翠花相亲决策树和三种节点，得出三种节点的特点。3.学生尝试总结决策树的定义和规则。7min决策树算法流程图1.教师讲解生成决策树的三种算法.2.教师引导学生绘制构建决策树的流程图。3.教师带领学生一起对决策树算法进行总结。1.学生了解生成决策树的三种算法，并对比区分不同和共同点；2.学生梳理构造决策树的步骤，绘制构建决策树的流程图。3.学生通过学习决策树的构建，掌握通过树形结构来进行决策，培养学生科学的思维方式和严谨的逻辑推理。（课程思政）4.学生跟随老师一起总结决策树算法。12min任务实现通过橙现智能软件，带领学生操作顾客市场分析的任务：1.新建工作流2.导入数据集3.查看数据4.选择模型和设置参数5.模型评估6.模型预测7.保存模型8.模型使用1打开橙现智能，新建工作流，导入数据集；2选择学习的模型：K近邻算法、贝叶斯算法和决策树算法，并观察三种算法的参数设置；3对比三种算法的评估结果；4学生通过模型预测，观察预测结果；5学生保存最优的模型；6学生拿来新的数据，进行模型使用；15min评价方式本次课采用结果评价的形式，通过提交的任务流程图和模型预测结果，评估学生在课堂上的表现。--课后巩固任务扩展1：给定威斯康星州乳腺癌诊断数据集，运用机器学习的分类算法，实现乳腺癌的分类预测，并从中选择分类准确率最高的模型进行保存。任务扩展2：为了深入了解泰坦尼克号乘客的生存情况与各特征之间的关系，通过给定的泰坦尼克号幸存者数据集，运用机器学习的分类算法，实现泰坦尼克号幸存者的分类预测，并从中选择分类准确率最高的模型进行保存。——教学反思课堂上尝试通过提问和小组讨论来激发学生的思考，小部分学生的参与度不高，未来可以设计更多具有挑战性和趣味性的问题，同时给予足够的时间让学生进行讨论和交流。

教案课程名称人工智能基础学时2序号04授课班级日期xx任课教师课题项目2机器学习应用——任务3糖尿病患病风险预测学习目标知识目标：1.能够准确描述线性回归、K近邻回归和决策树回归算法的基本原理；2.能够说出聚类、分类和回归三种任务类型的特点。3.能够描述数据集的相关概念及常见数据集。4.能够区分归一化和标准化的方法。能力目标：1.能够使用MIN-MAX缩放对特征值进行归一化操作。2.能够使用方差缩放对特征值进行标准化操作。3.能够阐述特征选择的必要性。素质目标：1.培养学生分析问题和归纳总结的逻辑思维。2.培养学生独立思考和判断能力，在复杂的信息环境中做出明智的决策。学习内容本教案为“项目2机器学习应用”中的“任务3糖尿病患病风险预测”，共计2学时，具体教学内容如下：呈现策略与反馈策略：指导性发现，认知反馈任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：预处理数字数据的方法（通过引导学生绘制SAP流程图，加深学生图式建构）；难点：明确任务类型的方法（通过引导学生绘制SAP流程图，加深学生图式建构）。项目/任务为了能够更准确地了解糖尿病患病风险，从而制定出更加科学的健康管理计划，通过给定的糖尿病数据集，运用机器学习的回归算法，实现糖尿病患病风险预测。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1在智慧职教发布MOOC慕课视频，布置在线观看微课，自学数据的归一化方法。2发起主题讨论：人工智能中的数据预处理和特征工程？1.在线观看微课视频，了解数据的归一化方法。2.参与课前讨论：基于微课学习，参与平台讨论，了解人工智能中的数据预处理和特征工程。--任务提出为了能够更准确地了解糖尿病患病风险，从而制定出更加科学的健康管理计划，通过给定的糖尿病数据集，运用机器学习的回归算法，实现糖尿病患病风险预测。学生了解任务的要求，明确任务内容。5min课程导入1.教师给出一元线性回归公式，引出多元线性回归，并举例说明线性回归的应用场景。2.教师提问K近邻算法和决策树算法是否可以应用到回归？如何应用？原理是什么？1.学生观察一元线性回归，推理出多元线性回归。2.学生思考并回答K近邻算法和决策树算法是否可以应用到回归。10min聚类分类回归1.教师给出海豚案例、用户推荐案例，引导学生理解什么是聚类，对聚类任务进行描述，以及聚类的应用场景。2.教师给出垃圾分类案例、垃圾邮件分类案例，引导学生理解什么是分类，对分类任务进行描述，以及分类的应用场景。3.教师给出天气气温预测案例、房价预测案例，引导学生理解什么是回归，对回归任务进行描述，以及回归的应用场景。1.学生通过观察给出的图片，总结什么是聚类，聚类的特点及应用场景。2.学生通过观察给出的图片，总结什么是分类，分类的特点及应用场景。3.学生通过观察给出的图片，总结什么是回归，回归的特点及应用场景。15min归一化和标准化的方法1.教师给出图片，介绍什么是数据集、数据集和模型的关系以及常见数据集。2.教师通过给出的数据集，引出数据预处理的重要性。3.教师给出海伦约会对象数据集，让学生观察各个特征的特点，尝试使用欧式距离求两个样本直接的距离，引导学生发现距离度量的问题，因此提出归一化的公式。4.教师提出异常点带来归一化的问题，并提出标准化。1.学生观察数据集的特点，了解数据集和模型的关系。2.学生了解数据预处理的相关操作。3.学生观察海伦约会对象数据集，通过欧式距离计算两个样本之间的距离，尝试发现问题，思考如何解决特征值范围不同的问题。4.学生观察归一化图形，得出归一化公式。5.学生思考如果存在异常点，归一化是否存在问题？如何解决？6.学生理解标准化公式，判断标准化是否解决异常点的问题。15min特征选择1.教师给出齐景公选择臣子的案例，提出特征选择的概念。2.教师提出引导性问题，“特征越多越好？还是越少越好？”，引出特征选择的必要性。1.学生观察齐景公选择臣子的案例，尝试描述特征选择的概念。2.学生思考“特征越多越好？还是越少越好？”，考虑特征选择的必要性。通过特征选择，培养学生的独立思考和判断能力，让学生学会在复杂的信息环境中做出明智的决策。（课程思政）10min预处理数字数据的方法预处理数字数据的方法1.教师让学生绘制预处理数字数据的SAP；2.教师给出相关案例，让学生根据案例分析，修改预处理数字数据的SAP；3.教师给出专家预处理数字数据的出声思考，让学生修改预处理数字数据的SAP；4.教师和学生一起绘制预处理数字数据的SAP，引发学生的认知反馈，加深图式建构；1.学生绘制预处理数字数据的方法流程图。2.学生根据给出的案例，修改预处理数字数据的方法流程图。3.学生观察专家的出声思考，修改预处理数字数据方法的流程图。4.学生跟着老师一起绘制预处理数字数据的方法流程图。15min任务实现通过Orange软件，导入数据集，对数据集进行归一化处理。1.导入数据集2.查看数据集3.选择模型和参数4.模型评估5.糖尿病患病风险预测学生根据Orange软件，对导入的数据集进行归一化处理。1.导入数据集：通过文件组件导入数据集2.学生查看数据集3.学生归一化数据集4.学生查看归一化之后的数据集5.学生搭建完整工作流15min总结与评价随堂测试与教学总结：1.完成随堂问题测试；2.教师带领学生一起对回归算法、预处理数字数据的方法进行总结，并点评、组间互评和自评。3.安排学生预习模型的评估指标内容，并完成课后习题。1.积极回答随堂测试问题。2.和老师一起完成本次课学习内容的总结。3.课下完成习题和预习任务。5min评价方式本次课采用过程评价的方式，通过课堂参与度、作业完成情况评估学习过程。--任务扩展任务扩展1：为了帮助购房者合理评估房价、避免支付过高感到困惑，从而做出更加明智的购房决策，通过给定的波士顿房价数据集，运用机器学习的回归算法，实现波士顿房价的回归预测，并从中选择评估指标最优的模型进行保存。任务扩展2：为了预测未知红酒样本的质量评分，通过给定的红酒数据集，运用机器学习的回归算法，实现红酒质量的回归预测，并从中选择评估指标最优的模型进行保存。——教学反思在讲解特征选择时，教学内容的深度不足，但是考虑到本课程是公共基础课，所以没有深度讲解，后期可以通过视频的形式介绍特征选择的更多知识，满足深入学习学生的需求。

教案课程名称人工智能基础学时2序号05授课班级日期xx任课教师课题项目2机器学习应用——任务4波士顿房价预测学习目标知识目标：1.能够区分模型的三种表现。2.能够说出模型的复杂度和误差之间的关系。3.能够列出常见的分类指标和回归指标。4.能够准确描述偏差和方差的四种情况。能力目标：1.能够说出好的模型具备的3个特点。2.能够计算混淆矩阵和其它分类指标。3.能够根据MAE、MSE评估和优化回归模型。素质目标：1.培养对待问题严谨认真，注重细节和逻辑的思维。2.培养不断尝试和创新，探索更优模型的毅力。学习内容本教案为“项目2机器学习应用”中的“任务4波士顿房价预测”，共计2学时，具体教学内容如下：呈现策略与反馈策略：演绎型呈现，即时反馈任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：模型的表现（欠拟合、过拟合、适当拟合，通过图式的形式展示，加深理解）；难点：混淆矩阵及相关指标。（通过引入案例形式，讲解混淆矩阵的使用和指标的计算）项目/任务通过给定的波士顿房价数据集，运用机器学习的典型算法，实现波士顿房价预测，并从中选择评估指标最优的模型进行保存。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1.在智慧职教发布B站视频，布置在线观看视频，自学混淆矩阵。2.发起主题讨论：混淆矩阵有哪些参数？1.在线观看微课视频，了解混淆矩阵的概念。2.参与课前讨论：基于微课学习，参与平台讨论，混淆矩阵有哪些参数？--任务提出通过给定的波士顿房价数据集，运用机器学习的典型算法，实现波士顿房价预测，并从中选择评估指标最优的模型进行保存。学生了解任务的要求，明确任务内容。3min课程导入1.教师从机器学习中经验、任务和度量的关系角度，引入什么是好的模型。1学生通过给出的图片，了解机器学习中经验、任务和度量的关系；2学生思考什么是好的模型？5min模型的表现模型的表现1.教师从模型的三种表现，得出欠拟合、过拟合和适当拟合的概念。模型复杂度与误差2.教师从模型的复杂度角度解释模型的三种表现，并且介绍训练误差和测试误差与模型复杂度的关系。1.学生通过观察给出的分类和回归问题中三种拟合状态的图片，得出模型的三种表现，并对三种表现进行解释。适当拟合，模型在偏差与方差间取得平衡，既能捕捉数据中的关键模式，又能对未见数据保持稳定预测。（课程思政）2.学生从模型的复杂度角度，思考三种模型的表现，以及通过图示了解训练误差和测试误差与模型复杂度的关系。12min聚类指标聚类指标1.教师引入“簇”的概念，介绍衡量聚类效果的两个标准：紧凑性度量和分离度量；2.教师从基于聚类结果本身来评估聚类，引入轮廓系数、Calinski-HarabaszIndex、内平方和（WithinSumofSquares,WSS）和外平方和（BetweenSumofSquares,BSS）。1.学生对比紧凑性度量和分离度量，得出两者的区别；2.学生了解什么是轮廓系数，轮廓系数的取值范围和聚类匹配的效果。10min分类指标分类指标1.教师引入混淆矩阵的概念，通过混淆矩阵，得出精确率、查准率、查全率等分类单项指标，并通过给定混淆矩阵的案例计算相关指标。2.教师介绍通过混淆矩阵得出的Fβ-Score、F1-Score、ROC曲线和AUC面积等分类多项指标。1.学生观察混淆矩阵，根据准确率、精确度、召回率的公式，理解不同指标的含义，并通过案例，计算相关指标。2.学生尝试理解Fβ-Score、F1-Score、ROC曲线和AUC面积的含义，以便在后续Orange软件操作时，能够理解模型评估指标。15min回归指标回归指标1.教师介绍两种衡量回归模型的指标均方误差和平均绝对值误差，并对比两种指标的优劣。1.学生根据教师给出的回归模型的评估指标，理解其含义，并对比指标之间的特点。2.在讲解模型评估指标时上，学生进行创新探索，尝试提出新的评估指标或改进现有的评估方法，培养学生的创新思维和实践能力。（专创融合点）15min方差和偏差1.教师通过直升机攻击地面的案例，介绍方差和偏差组成的4种情况，以此来选择合适的模型进行预测。1.学生通过直升机攻击地面的案例，观察给出的图，得出方差和偏差的4种情况，得出选择模型时选择低方差和低偏差的模型是好模型。10min任务实现波士顿房价预测1.教师给定：已经明确任务类型为回归，数据集数据已经预处理完成。2.让学生练：搭建Orange工作流，选择模型和设置模型参数。3.让学生练：评估和优化模型的方法。4.让学生练：保存和加载模型的程序，保存最优的模型。1.通过教师给定的内容，学生完成选择模型和设置模型参数的练习；2学生搭建Orange工作流；3学生选择模型；4学生设置模型参数；5学生完成评估和优化模型的方法练习6.学生观察模型评估，对比线性回归、决策树和K近邻算法相应的MSE、RMSE、MAE和R2指标的大小，选择出最优的模型，进行保存。7.学生完成保存和加载模型的程序练习。15min总结与评价随堂测试与教学总结：1.完成随堂问题测试；2.教师带领学生一起对评估与优化模型的方法进行总结，并进行点评、组间互评和自评。3.提出什么是深度学习，安排学生预习下节课内容，并完成课后习题。1.积极回答随堂测试问题。2.和老师一起完成本次课学习内容的总结。3.课下完成习题和预习任务。5min评价方式本次课采用结果评价的方式，通过测验成绩和任务扩展完成情况评估学习效果。--课后巩固任务扩展1：为了识别鸢尾花的类别，给定鸢尾花数据集，请使用Orange软件搭建工作流，实现鸢尾花数据集的分类。任务扩展2：为了留住用户，给定电信用户流失数据集，希望通过分析所有相关的用户数据，预测用户行为来留住用户，开发出有针对性的留存方法。请使用Orange软件搭建工作流，实现电信用户流失的预测。扩展阅读：机器学习驱动下的创新与突破——教学反思本次课的内容主要是按照聚类、分类、回归三种任务类型，来讲解评估模型的指标，大多是公式、算法，比较枯燥，晦涩难懂，虽然已经通过图式混淆矩阵和相关指标、通过案例计算加深学生理解，根据随堂测试的效果，学生在混淆矩阵上容易记错，考虑后期通过小游戏或者视频的形式加深图式建构。

教案课程名称人工智能基础学时2序号06授课班级日期xx任课教师课题项目3深度学习应用——任务1实现异或电路学习目标知识目标：1.能够清楚描述感知机的工作原理；2.能够说出电路中与门、与非门、或门和异或门的含义；3.能够解释单层感知机无法解决异或门问题；4.能够详细说出多层感知机可以解决异或门问题；能力目标：1.能够通过单层感知机，实现与门、与非门、或门；2.能够通过多层感知机，实现异或门。素质目标：1.培养学生敢于质疑、勇于创新的科学精神；2.培养学生发现问题、解决问题的能力；3.培养学生逻辑思维能力和推理能力。学习内容本教案为“项目3深度学习应用”中的“任务1实现异或电路”，共计2学时，具体教学内容如下：呈现策略与反馈策略：归纳型呈现、认知反馈；问题链任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：单层感知机，实现与门、与非门、或门（通过真值表和XY轴象限加深理解）。难点：多层感知机，实现异或门（通过叠加门电路引导多层感知机）。项目/任务通过观察单层感知机的特点，能够叠加门电路得到多层感知机，实现异或门。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1在智慧职教发布MOOC慕课视频，布置在线观看微课，自学感知机模型。2发起主题讨论：什么是电路门？了解与门、与非门、或门和异或门的含义。1在线观看微课视频，了解早期的感知机模型和提出者。2参与课前讨论：基于微课学习，参与平台讨论，了解与门、与非门、或门和异或门的含义。--任务提出通过观察单层感知机的特点，能够叠加门电路得到多层感知机，实现异或门。学生了解任务的要求，明确任务内容。3min课程导入1感知机概述：使用讲故事的形式提出感知机模型的提出者弗兰克·罗森布拉特。2马文·明斯基对于感知机的抨击（感知机无法解决异或问题）。3提出问题：什么是感知机？工作原理是什么吗？（问题链）1了解弗兰克·罗森布拉特提出的感知机模型对于人工智能的贡献；2了解弗兰克·罗森布拉特与马文·明斯基的对决。10min感知机的工作原理通过图示展示感知机的输入信号和输出信号。感知机接收多个输入信号，输出一个信号。介绍图示中各个参数的含义。2.通过图示，引导学生进行归纳总结，得出感知机的公式。1观察感知机模型，了解输入信号和输出信号，以及各个参数。2通过图示，在教师的引导下，进行归纳总结，得出感知机的公式。10min与门、与非门、或门和异或门的介绍1.前测：教师绘制与门、与非门、或门和异或门的真值表，邀请学生填写真值表，了解学生课前预习情况；2.教师通过前测结果，调整电路门讲课内容，引导学生对不同的电路门进行区别对比。3.提出问题：感知机如何实现与门？（问题链）1.回顾预习内容，积极参与真值表的填写；2.讨论：不同电路门的区别？10min单层感知机实现与门1引导学生复习与门的真值表。2布置学生将与门的真值表的输入和输出绘制在二维象限。3提出问题：结合单层感知机模型，怎么将输出y分为两个类别？（引导学生绘制蓝色线段分开）1.再次回顾并填写与门真值表；2.将与门的真值表的输入和输出绘制在二维象限；3.思考：结合单层感知机模型，怎么将输出y分为两个类别？10min单层感知机实现与非门1.引导学生复习与非门的真值表。2.布置学生将与非门的真值表的输入和输出绘制在二维象限。3.提出问题：结合单层感知机模型，怎么将输出y分为两个类别？（引导学生绘制蓝色线段分开）1.再次回顾并填写与非门真值表；2.将与非门的真值表的输入和输出绘制在二维象限；3.思考：结合单层感知机模型，怎么将输出y分为两个类别？5min单层感知机实现或门1.引导学生复习或门的真值表。2.布置学生将或门的真值表的输入和输出绘制在二维象限。3.提出问题：结合单层感知机模型，怎么将输出y分为两个类别？（引导学生绘制蓝色线段分开）1.再次回顾并填写或门真值表；2.将或门的真值表的输入和输出绘制在二维象限；3.思考：结合单层感知机模型，怎么将输出y分为两个类别？5min尝试单层感知机实现异或门1.引导学生复习异或门的真值表。2.布置学生将异或门的真值表的输入和输出绘制在二维象限。3.提出问题：单层感知机模型，能够将输出y分为两个类别吗？（问题链）4.得出结论：单层感知机无法实现异或门。1.再次回顾并填写异或门真值表；2.将异或门的真值表的输入和输出绘制在二维象限；3.思考：单层感知机模型，能够将输出y分为两个类别吗？5min多层感知机实现异或门1.可视化异或门，如何将y分为两个类别？2.引导学生思考：直线无法分开，那么将直线的限制条件去掉呢？3.单层感知机不能表示异或门让人深感遗憾，但也无需悲观。实际上，感知机的绝妙之处在于它可以“叠加层”。4.讲解与门、与非门、或门的电路表示。5.将与非门、或门、与门代入到“？”中，就可以实现异或门！创新探讨：分小组形式1.通过观察异或门的输出分布图，思考如何将y分为两个类别？2.思考：如果去掉直线的限制，尝试使用别的方法分开。3.尝试将已学的与门、与非门、或门叠加在一起，能否得到异或门？4.对比真值表，验证叠加的电路是否实现异或门。课程思政：单层感知机无法解决异或问题这一局限，启示学生面对技术瓶颈时需勇于突破思维定式。异或问题的解决依赖于多层感知机的提出，体现了敢于质疑、勇于创新的科学精神。15min多层感知机1.试着用感知机的表示方法（明确地显示神经元）来表示这个异或门，结果如下所示，即为两层感知机（多层感知机）。2.使用多层感知机实现一个简单的分类任务（/）1.对比感知机的表示方法，来表示叠加的异或门，得出多层感知机。产教融合：实验设计与产业需求结合，使用感知机模型实现一个简单的分类任务，不仅能够巩固所学知识，还能够培养实践能力和创新思维。12min总结与评价1.通过思维导图的形式，总结本次课的学习内容；同时点评各小组的表现，组间互评和自评。5min评价方式本次课采用过程评价的方式，通过课堂参与度、任务完成情况评估学习过程。--课后巩固任务扩展1.给定一组二维平面上的4个点（1,2)(2,3)(3,1)(2,3)，每个点都有一个类别标签（例如，类别A或类别B）。这些点在平面上分布，且属于两个不同的类别。任务目标是使用单层感知机对这些点进行分类，即将平面划分为两个区域，使得属于不同类别的点分别位于不同的区域内。任务扩展2.设计一个双层感知机，实现两个二进制数的加法。输入是两个二进制位（0或1），输出是它们的和及进位。--教学反思使用二维坐标图展示与门、与非门、或门、异或门的线性决策边界，效果良好。改进：异或门的非线性边界需动态演示（如用不同颜色区分区域），或结合3D图形展示高维情况。

教案课程名称人工智能基础学时2序号07授课班级日期xx任课教师课题项目3深度学习应用——任务2学生心理健康分析学习目标知识目标：1.能够清楚说出神经网络的定义和结构；2.能够详细描述激活函数的作用；3.能够准确列举神经网络的相关术语。4.能够说出随机梯度下降算法的原理。5.能够描述权重更新过程的本质。能力目标：1.能够搭建人工神经网络，并设置激活函数。2.能够叙述正向传播和反向传播的区别；3.能够说出梯度下降的目的；素质目标：1.培养学生善于发现、勇于探索的精神；2.培养学生具体问题具体分析；3.逻辑思维能力和推理能力。学习内容本教案为“项目3深度学习应用”中的“任务2学生心理健康分析”，共计2学时，具体教学内容如下：呈现策略与反馈策略：归纳型呈现、认知反馈；学习波（问题链、任务链、知识链）任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：搭建人工神经网络（通过网页版实验，可视化的形式搭建人工神经网络）。难点：激活函数的作用（通过公式、绘图、动图的形式展示，并总结非线性作用）。项目/任务本任务主要是通过深度学习技术，对班级学生的心理健康状况进行分析利用深度学习技术，训练一个能够识别学生心理健康状况的模型，通过模型分析，识别出可能存在心理健康问题的学生。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1.播放一段简短的关于大脑和神经元结构的视频，引导学生思考大脑如何处理和传递信息。2.发起主题讨论：“你们知道大脑的基本工作单位是什么吗？”引出神经元的概念。1在线观看B站视频，了解关于大脑和神经元的结构。2参与课前讨论：大脑的基本工作单位是什么？--任务提出本任务主要是通过深度学习技术，对班级学生的心理健康状况进行分析利用深度学习技术，训练一个能够识别学生心理健康状况的模型，通过模型分析，识别出可能存在心理健康问题的学生。学生了解任务的要求，明确任务内容。3min课程导入1生物神经网络：通过课前发布的视频引出神经元的相关知识。2使用PPT或动画展示神经元的细胞体、树突、轴突和突触的结构。3.逐一解释各部分的功能，特别是突触如何允许神经元之间传递信息。1.讨论神经元在生物体中的具体作用；2尝试描述神经元传递信息的过程。3学生逐一解释各部分的功能。12min人工神经网络和深度神经网络1通过图示展示多个神经元如何通过突触相互连接形成神经网络。2讲解神经网络如何通过这种连接实现复杂的信息处理和决策。3介绍深度神经网络的概念。1观察神经元，由神经元引出人工神经网络；2思考：神经网络如何通过这种连接实现复杂的信息处理和决策？3了解深度神经网络的输入层、隐藏层和输出层。10min搭建神经网络1.由两层感知机，引出神经网络，观察其特点，得出神经网络的结构；2.将感知机的公式进行变形，得出激活函数的概念。3.提出问题：常见的激活函数有哪些？1.对比两层感知机和神经网络；2.对比生物神经元，描述输入层、隐藏层和输出层分别对应的生物神经元的部分。3.观察感知机的公式，通过变形，得出激活函数。10min激活函数1.讲解常见的激活函数：sigmoid函数、relu函数、tanh函数、softmax函数。2.讲解激活函数的作用：激活函数通过引入非线性，使神经网络具备拟合复杂函数的能力，是深度学习成功的关键因素之一。1.了解常见的激活函数，并尝试绘制不同的激活函数；2.总结常见激活函数的共同点和区别；课程思政：科学研究的“简洁性”追求：ReLU通过“保留正输入、抑制负输入”的简单规则，实现了比Sigmoid/Tanh更优的性能。这一设计体现了“如无必要，勿增实体”的科学哲学。15min训练神经网络1.准备数据（数值型），可以自行收集，也可以采用现有数据集。2.类比学习的情景，讲解神经网络中的正向传播（信息）和反向传播（误差）的过程。3.梯度下降：结合盲人下山的场景，讲解梯度下降的过程。4.学习速率：通过步长的大小，类比学习速率，得出权重更新的公式。1.了解训练神经网络的过程；2.思考正向传播和反向传播的区别；3思考：梯度下降的目的是什么？4学生讨论学习率过大和过小的情况15min任务实现1.打开橙现智能软件，创建工作流。2.将StudentMentalhealth.csv数据集导入工作流。3.通过数据表查看数据集。4.设置模型和参数5评估模型指标6.优化模型，调整模型参数。7.模型预测8.保存模型1打开橙现智能软件，按照步骤创建工作流、导入数据集；2了解神经网络模型的参数；3评估模型指标，通过调整模型参数，优化模型；4.模型预测和模型保存。20min总结与评价1.通过思维导图的形式，总结本次课的学习内容；同时点评学生的任务完成情况，组间互评和自评。2.通过本任务的学习，了解了感知机的工作原理以及感知机的局限性、激活函数的作用、神经网络的定义、神经网络的相关术语；掌握了神经网络的训练过程。5min评价方式本次课采用结果评价的方式，通过测验成绩和任务完成情况评估学习效果。--课后巩固任务扩展1：现有一个students-score（学生成绩）的csv文件，数据集有56个学生的12次考试成绩，根据本任务所学的知识，使用橙现智能软件搭建一个工作流，要求完成模型训练，并且预测新数据，给定一个学生的前11次考试成绩，预测第12次考试的成绩，最后保存模型。任务扩展2：用户购买行为预测是一个经典的二分类问题，通过输入用户的行为特征（如浏览时长、点击次数、历史购买记录等），现有数据集online_shoppers_intention.csv。要求通过神经网络学习这些特征与购买行为之间的关系，并预测用户是否会购买某商品。--教学反思权重更新过程涉及较多数学推导，部分学生因数学基础薄弱而难以理解。简化数学推导，利用动态图和演示视频的形式，重点强调“梯度是损失函数变化最快的方向”这一核心概念。

教案课程名称人工智能基础学时2序号08授课班级日期xx任课教师课题项目3深度学习应用——任务3黑白图像识别学习目标知识目标：1.能够详细说出计算机视觉的概念及核心任务；2.能够明确列举计算机视觉的关键技术；3.能够准确区分不同的颜色模型；4.能够清楚识别图片噪声；5.能够说出图像的基本处理技术。能力目标：1.能够根据图像的复杂度搭建全连接神经网络；2.能够优化模型提高准确率。素质目标：1.培养学生技术优化与持续改进意识；2.培养学生逻辑分析与系统化思维的能力；3.培养学生严谨性与细节关注的能力。学习内容本教案为“项目3深度学习应用”中的“任务3黑白图像识别”，共计2学时，具体教学内容如下：呈现策略与反馈策略：演绎型呈现、即时反馈；任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：图像颜色模型（通过图表形式降低学生认知负荷，让学生更容易理解）。难点：神经网络优化（通过软件结果分析优化参数）。项目/任务手写数字识别是机器学习和神经网络领域的经典问题，旨在通过计算机自动识别手写数字图像集中的数字。本任务是通过搭建全连接神经网络识别手写数字。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1.在智慧职教发布MOOC慕课视频，布置在线观看微课，自学计算机视觉。2.发起主题讨论：什么是计算机视觉？日常生活中的应用。1.在线观看微课视频，了解国内典型应用案例、行业应用。科技自信和民族自豪感2.参与课前讨论：基于微课学习，参与平台讨论，了解计算机视觉的概念及应用。--任务提出手写数字识别是机器学习和神经网络领域的经典问题，旨在通过计算机自动识别手写数字图像集中的数字。本任务是通过搭建全连接神经网络识别手写数字。学生了解任务的要求，明确任务内容。3min课程导入1.通过日常生活中的人脸识别引入计算机视觉。然后学生根据课前预习说明人脸识别用到的技术。2.老师总结讲解计算机视觉的概念及相关案例任务。1.配合老师回答什么是人脸识别以及使用到的技术。2.聆听记录计算机视觉的概念以及相关任务。10min计算机视觉关键技术教师讲解计算机视觉的关键技术，包括卷积神经网络、迁移学习、数据增强和目标检测与分割框架。1.卷积神经网络（CNN）2.迁移学习3.数据增强数据增强是通过对原始图像进行变换（如旋转、缩放、翻转）来生成更多训练数据的技术。它能够提高模型的泛化能力，防止过拟合。4.目标检测与分割框架现代计算机视觉任务通常依赖于高效的框架，如YOLO实时目标检测算法，速度快且精度高；MaskR-CNN结合目标检测和实例分割的框架。1.观察记录关机神经网络的结构。2.通过图示，记录迁移学习的特点。3.记录增强学习的作用以及用法。4.记录目标检测过程。10min颜色模型1.计算机视觉处理对象就是图片，教师引入图片在计算机中存储的方式；2.图像作为视觉信息传递的核心媒介，根据其存储和呈现的技术形态差异，可分为传统模拟图像与现代数字图像两大体系。聆听记录图像在计算机中的存储方式。10min在学生了解数字图像的基础上，给学生普及不同的颜色模型。1.RGB颜色模型2.HSV颜色模型3.灰度颜色模型、二值颜色模型1.记录RGB色彩体系的三原色。结合日常生活中常见的颜色理解颜色体系。2.记录HSV颜色模型的特点以及和RGB的区别。以及H、S、V的具体含义。3.记录灰度色彩体系和二值色彩体系的区别以及共同点。17min图像的基本处理技术1.教师列举几张图片，提问学生如果生活中遇到类似的问题如何解决。2.教师列举从专业的角度如何处理图片。包括灰度转换、图像滤波、图像变换等。1.回答老师的问题，说明在生活中如何处理图片。2.聆听记录图片处理方法。10min任务实现1.在了解了计算机视觉以及图像相关知识以后通过橙现智能尝试完成手写数字识别的任务。任务流程为：1）新建工作流2）导入数据3）查看数据4）设置模型和参数5）评估模型。教师巡视指导2.给学生提出任务中存在的问题，给学生布置优化任务。1.按照要求完成任务。2.按照要求重新优化任务。25min总结与评价1.通过思维导图的形式，总结本次课的学习内容；同时点评各小组的表现，组间互评和自评。2.在本次手写数字识别的项目中，综合学习了多种图像处理技术和颜色模型，成功地实现了从图像预处理到数字识别的全过程。5min评价方式本次课采用过程评价的方式，通过课堂参与度、任务完成情况评估学习过程。--课后巩固任务扩展1：现有Fashion-MNIST数据集，包含10类时尚物品（如T恤、裤子、鞋子等）的灰度图像。图像大小为28*28像素，所以有784个特征，每个特征表示一个像素点的像素值。样本数量60,000训练样，10,000测试样本。使用橙现智能软件搭建一个工作流，要求完成模型训练，并且预测新数据是输入哪个类别，最后保存模型。任务扩展2：现有北京空气污染数据集，包含3063条样本，有8个特征，使用橙现智能软件搭建一个工作流，要求完成模型训练，并且在给了新的环境监测数据以后，可以预测空气质量等级，最后保存模型。--教学反思1.课程整体效果良好，使用橙现智能软件搭建神经网络完成率百分百，优秀率百分之九十以上；2.有一些晦涩难懂的知识在以后得课堂中还需要多融入一些实物、视频等辅助理解。

教案课程名称人工智能基础学时2序号09授课班级日期xx任课教师课题项目3深度学习应用——任务4彩色图像分类学习目标知识目标：1.能够叙述卷积神经网络的作用；2.能够说明卷积核及池化层的作用；3.能够区分过拟合核和欠拟合的现象；4.能够说出Dropout的作用；5.能够说出卷积网络在图像中的应用和经典卷积神经网络。能力目标：1.能够通过卷积运算提取特征图像特征；2.能够搭建合适的卷积神经网络解决图像分类问题。素质目标：1.培养学生自主学习与技术迭代适应力；2.培养学生系统性思维与问题拆解能力。学习内容本教案为“项目3深度学习应用”中的“任务4彩色图像分类”，共计2学时，具体教学内容如下：呈现策略与反馈策略：归纳型呈现、认知反馈任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：卷积运算（通过视频让学生观察运算过程）。难点：卷积层池化层搭配使用（通过动图和类比的方式降低难度）。项目/任务本任务主要是基于百度飞桨的EasyDL平台，使用深度学习技术，检测工业零件是否有划痕。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.EasyDL平台。

教案教学过程教学环节教师活动学生活动时间课前驱动1.在智慧职教发布MOOC慕课视频，布置在线观看微课，自学卷积神经网络。2.发起主题讨论：“人是如何识别图像的？”1.在线观看MOOC学院视频，了解关于卷积神经网络的相关知识。2.参与课前讨论：人是如何识别图像的？--任务提出本任务主要是基于百度飞桨的EasyDL平台，使用深度学习技术，检测工业零件是否有划痕。学生了解任务的要求，明确任务内容。3min课程导入1.拿一些小零件让学生查看是否有划痕并且说明查看过程中存在的问题。2.教师带着学生总结传统的人工质检方式效率低，长时间作业容易出现视觉疲劳发生错检、漏检的现象。3.教师引入本节课任务通过AI实现缺陷的自动化识别，提高出厂质检效率1.查看零件划痕，小组代表说明各组查找划痕时存在的问题。2.与老师共同总结问题所在。3.记录本节课任务。课程思政：强调核心技术自主创新的重要性，激发学生的科技报国情怀12min搭建卷积神经网络1.教师通过人是如何识别图像的引出计算机是如何识别图像的。2.教师通过模块滑动，让学生理解一维卷积运算的计算方法。3.根据一维卷积神经网络的计算方法，教师播放视频，让学生观看二维卷积的计算过程。4.布置任务，让学生根据视频中的方法计算二维卷积。5．教师给学生发资料，让学生通过图片找规律6.教师总结并说明池化的意义。1.与老师一起分析计算机识别图像的方法。2.聆听记录，并且跟着老师一起计算。3.观看视频并记录。4.根据要求计算。5.根据要求找规律。6.聆听记录。15min训练卷积神经网络1.教师通过树叶的案例让学生总结结论。2.教师和学生一起总结过拟合现象。3.教师引入树和树叶的图片和学生总结欠拟合现象。4.教师通过健身的日常案例提出防过拟合的解决方法。1.对比两种不同的树叶总结结论。2.和学生一起总结过拟合现象。3.观察并总结4.观察并且记录15min卷积神经网络在图像中的应用1.教师组织头脑风暴，让学生总结卷积神经网络在图像中的应用。2.教师引入经典神经网络1．根据上面学习的卷积知识，总结卷积神经网络应用。2.聆听记录15min任务实现1.注册登录百度云账号打开百度EasyDL的官方网站/easydl/2.选择模型类型与场景范例3.选择数据集4.模型训练5.发布模型并且体验H51.打开EasyDL的官方网站，登录注册账号。2.选择模型类型与场景范例。3.根据要求完成任务。4.完成任务以后将模型进行发布，然后扫码进行预测。25min总结与评价1.通过思维导图的形式，总结本次课的学习内容；同时点评学生的任务完成情况，组间互评和自评。2.在本次彩色图像识别的项目中，综合学习了多种图像处理技术和颜色模型，成功地实现了从图像预处理到数字识别的全过程。5min评价方式本次课采用结果评价的方式，通过测验成绩和任务完成情况评估学习效果。--课后巩固任务扩展1：在百度智能云控制台的物体检测中，选择“厂区工人抽烟行为识别”场景范例进行训练。数据集的选择要求使用我的数据集，提前导入数据集并且对数据集进行标注。最后发布模型生成二维码并且使用手机扫描显示结果。任务扩展2：在百度智能云控制台的物体检测中，选择“森林火灾预警识别”场景范例进行训练。数据集的选择要求使用平台提供的数据集，。最后发布模型生成二维码并且使用手机扫描显示结果。--教学反思1.通过视频、动画、图表等形式让学生轻松掌握了卷积神经网络的各层；2.EasyDL的官方平台以及数据标注使用的不是很好，课下需要多加练习。

教案课程名称人工智能基础学时2序号10授课班级日期xx任课教师课题项目4自然语言处理与语音识别-任务1电商评论词云生成学习目标知识目标：1.能够解释自然语言处理的定义；2.能够叙述自然语言处理的应用场景；3.能够讲述自然语言处理的发展历史；4.能够说出中文分词的概念和基本原理。能力目标：1.能够使用词袋完成文本预处理；2.能够生成文本数据的词云。素质目标：1.结合语言学、计算机科学和数学等多学科知识，培养跨学科整合能力。2.建立持续学习机制，培养快速适应新技术的能力。学习内容本教案为“项目4自然语言处理与语音识别”中的“任务1电商评论词云生成”，共计2学时，具体教学内容如下：呈现策略与反馈策略：演绎型呈现、即时反馈；领域模式任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框架。学习重难点重点：词袋模型的基本原理（通过视频的形式可视化展示）。难点：词云和词频的关系（通过观察词云，了解词云和词频的关系）。项目/任务本任务主要是通过文本处理的方法提取电商评论中的关键词，先对文本进行分词，然后通过词袋统计词语及其频率，并生成词云来展示提取的关键词，以辅助购物判断。教学资源准备1.《人工智能基础》，配套已编教材及MOOC资源在线课。2.PPT课件、学习通习题资源。3.Orange软件上机操作。

教案教学过程教学环节教师活动学生活动时间课前驱动1.在智慧职教发布MOOC慕课视频，布置在线观看微课，自学自然语言处理的基本概念。2.发起主题讨论：“自然语言处理在人工智能中的地位和应用？”1在线观看MOOC慕课视频，了解关于自然语言处理的基本概念。2参与课前讨论：自然语言处理在人工智能中的地位和应用？--任务提出本任务主要是通过文本处理的方法提取电商评论中的关键词，先对文本进行分词，然后通过词袋统计词语及其频率，并生成词云来展示提取的关键词，以辅助购物判断。学生了解任务的要求，明确任务内容。3min课程导入1.教师使用B站视频展示自然语言处理的相关知识；2.教师讲解自然语言处理的流程。1.学生观看视频，了解自然语言处理领域的内容；2.学生理解自然语言处理的流程。5min自然语言处理的应用场景教师讲解自然语言处理的应用场景机器翻译自动摘要文本分类问答系统舆情监测、拼写检查等1.学生了解自然语言处理的应用场景；2.学生体验机器翻译的功能；3.学生体验自动摘要的功能；4学生体验文本分类的功能；5学生体验问答系统6学生体验拼写检查功能12min自然语言处理的发展历史1.教师讲解自然语言处理的发展历史；1950-1960年代:早期研究，图灵测试1960-1970年代:基于规则的方法1980-1990年代:基于统计的自然语言处理20世纪90年代末-21世纪初:机器学习与深度学习1学生了解自然语言处理的发展历史2了解图灵测试，人工智能的起源3了解基于规则的方法（自然语言的语法）4了解基于统计的自然语言处理（概率论和统计学）5.了解深度学习对于自然语言的影响10min文本表示方法-词袋1.教师通过B站视频引入文本的表示方法——词袋。2.教师讲解词袋模型的概念和基本原理。3.教师引导学生，一起总结词袋模型的步骤。1学生通过视频了解什么是词袋模型；2.学生理解词袋模型的概念和基本原理；3.学生和老师一起，总结词袋模型的步骤。15min文本表示方法-词云1.教师以案例的形式，讲解什么是词云？2.教师通过一段Python程序，生成词云，引起学生学习兴趣；3.教师讲解词云的应用场景。1.学生了解词云的概念；2学生按照教师给定的Python程序，尝试生成不同形状的词云；3.学生了解词云的应用场景。15min中文分词与常用工具教师讲解中文分词的概念，引导学生理解为什么要做中文分词？教师以文本案例的形式，对中文分词；教师讲解中文分词的类别；1.学生了解中文分词的概念，以及理解为什么要做中文分词；2.学生对教师给出的案例，尝试分词；3.学生对中文分词的类别进行分类。10min任务实现1.打开橙现智能软件，创建工作流；2.将评论数据.xlsx数据集导入工作流；3.添加“语料库”组件；4.查看文本数据；5.进行文本预处理；6.用词袋统计词频；7.生成词云；1打开橙现智能软件，按照步骤创建工作流、导入数据集；2.添加“语料库”组件，观察其参数；3.查看本文数据，观察文本内容；选择参数，进行文本预处理；设置词袋组件的参数；生成词云，观察词频最大的词语和词云的对应关系。15min总结与评价1.通过思维导图的形式，总结本次课的学习内容；同时点评学生的任务完成情况，组间互评和自评。2.通过电商评论词云生成任务的学习，了解了什么是自然语言处理以及自然语言处理的发展历史、应用场景和组成部分等内容，掌握了文本表示常用的方法，了解了中文分词的基本概念以及常用的中文分词工具。5min评价方式本次课采用过程评价的方式，通过课堂参与度、任务完成情况评估学习过程。--课后巩固任务扩展：给定一个包含书籍名称和书籍内容简介的数据集“书籍简介.xlsx”，请使用橙现智能软件搭建工作流，仿照着任务实现的步骤和方法，完成该数据集的文本初步处理工作，要求输出提取的词及词频情况，并生成词云以供观察。--教学反思教学常将词袋模型和词云作为独立任务，忽视其与其他技术的联动性。改进方案，任务链设计：（1）用词袋模型提取关键词；用词云可视化关键词；结合情感分析判断文本倾向。

教案课程名称人工智能基础学时2序号11授课班级日期xx任课教师课题项目4自然语言处理与语音识别——任务2书籍主题词提取与分类学习目标知识目标：1.能够解释什么是独热编码；2.能够说出分布式表示的特点；3.能够解释什么是嵌入式表示。能力目标：1.能够对简单的文本数据进行独热编码；2.能够对给定的场景绘制分布式表示的网络；3.能够使用嵌入式表示文本数据。素质目标：1.结合文本处理实战案例，培养自然语言现象分析与技术转化能力。2.通过独热编码，折射技术“严谨、公平、高效”三大核心特点，培养技术报国情怀。学习内容本教案为“项目4自然语言处理与语音识别”中的“任务2书籍主题词提取与分类”，共计2学时，具体教学内容如下：呈现策略与反馈策略：归纳型呈现、即时反馈；任务驱动+BOPPPS“双螺旋”结构，形成“目标导向、任务驱动、过程互动、反馈迭代”的教学框