人工智能课件-主题6 智能学情分析实践

主题6智能学情分析实践CONTENTS目录神经网络基础知识01.项目实战：基于神经网络的学情数据分类02.01神经网络基础知识01神经网络基本概念0203神经网络基础知识神经网络的训练激活函数神经网络基本概念神经网络基本结构神经元模型神经元模型什么是神经元？神经元模型示意图

神经元模型神经元是如何工作的？

神经元模型神经元是如何工作的？基本工作流程如下：（1）接收输入信号：每个神经元从前一层接收多个输入信号。（2）加权求和：每个输入信号乘以对应权重，权重越大，表示该输入越重要。（3）加入偏置项：偏置可以调整神经元的输出阈值，使模型更灵活。（4）激活函数处理：通过非线性函数，决定神经元是否被“激活”。（5）输出信号：将输出结果传递给下一层神经元。神经网络基本结构神经网络基本结构示意图输入层：输入层负责接收外部数据。隐藏层：隐藏层位于输入层与输出层之间，是神经网络进行“思考”的地方。输出层：输出层是根据隐藏层的特征处理结果，输出最终的预测结果。神经网络基本结构前馈神经网络前馈神经网络中的信息是单向流动的——从输入层出发，经过隐藏层处理后，传递到输出层，中间没有反馈或循环，每个神经元接收上一层的输出，计算后将结果传递给下一层。神经网络基本结构全连接网络在多数前馈神经网络中，每一层的每个神经元都会与下一层的所有神经元相连，这种结构被称为全连接网络（fullyconnectednetwork,FCN）问题：假设全连接神经网络的输入层有3个神经元，隐藏层有4个神经元，那么它们之间的连接数为多少？神经网络的训练梯度下降反向传播前向传播损失函数前向传播

损失函数损失函数用于衡量预测值与真实值之间的差距。常见损失函数有：均方误差（MSE）与交叉熵损失（crossentropy）。均方误差：交叉熵损失：梯度下降——用来寻找使损失最小的参数值的优化算法#梯度下降示例：y=x^2x=4.0#初始值lr=0.1#学习率foriinrange(1,6):grad=2*x#计算梯度

x=x-lr*grad#更新参数

print(f"第{i}次迭代：x={x:.4f},y={x**2:.4f}")Python代码实现：第1次迭代：x=3.2000,y=10.2400第2次迭代：x=2.5600,y=6.5536第3次迭代：x=2.0480,y=4.1943第4次迭代：x=1.6384,y=2.6844第5次迭代：x=1.3107,y=1.7180运行结果如下：梯度下降学习率大小的影响反向传播神经网络训练的核心机制，其本质是利用数学中的链式法则，将输出层的总误差层层回传，计算出每个参数对总误差的“贡献度”（即梯度），从而指导参数的更新。假设参数

w

影响中间变量

h，中间变量

h

影响输出

y，输出

y

最终决定损失

L。根据链式法则，参数

w

对损失

L

的影响（导数）可以分解为每一步影响的乘积：

激活函数SoftmaxSigmoidReLUSigmoid函数importnumpyasnpimportmatplotlib.pyplotasplt

x=np.linspace(-8,8,200)y=1/(1+np.exp(-x))

plt.plot(x,y,label='Sigmoid',color='blue')plt.title('SigmoidFunction')plt.xlabel('x')plt.ylabel('σ(x)')plt.grid(True)plt.legend()plt.savefig("sigmoid.png")plt.show()ReLU函数importnumpyasnpimportmatplotlib.pyplotaspltx=np.linspace(-5,5,200)y=np.maximum(0,x)plt.plot(x,y,label='ReLU',color='orange')plt.title('ReLUFunction')plt.xlabel('x')plt.ylabel('f(x)')plt.grid(True)plt.legend()plt.savefig("ReLU.png")plt.show()Softmax函数Softmax计算示例假设输出层的原始值为：z=2.0,1.0,0.1，计算其对应的Softmax概率。具体计算过程如下：importnumpyasnp

z=np.array([2.0,1.0,0.1])exp_z=np.exp(z)softmax=exp_z/np.sum(exp_z)

print("Softmax输出概率：",softmax)Softmax输出概率：[0.659001140.242432970.09856589]Python代码：运行结果：02项目实战：基于神经网络的学情数据分类01项目实现步骤0203基于神经网络的学情数据分类案例背景与任务说明项目总结与思考案例背景与任务说明随着智能教育的发展，学习过程中的各种行为数据（如作业完成次数、平均成绩、登录学习平台的频率等）逐渐能够反映学生的学习状态。如果能通过人工智能算法自动识别出“学习状态”，教师就可以及时发现需要帮助的学生，实现个性化教学。假设已经收集到某班学生的学习行为数据，而且数据包含了以下特征：（1）作业提交次数（反映学习积极度）；（2）平均测验分数（反映知识掌握情况）；（3）学习平台登录次数（反映学习频率）。对应的学习状态标签有三种：0（学习困难型）、1（中等稳定型）、2（积极进取型）。数据保存在文件“student_nn.csv”中，要求利用神经网络算法实现学生学习状态的自动分类，并完成以下任务：（1）读取“student_nn.csv”文件，提取特征与标签数据；（2）将数据集随机划分为训练集和测试集（测试集比例为20%）；（3）构建一个三层神经网络模型进行训练；（4）对测试集进行预测，并输出模型精度和分类报告；（5）绘制损失函数变化曲线与分类结果可视化图。项目实现步骤使用PyTorch框架构建神经网络模型，对学生的学习行为数据进行自动分类。生成Python代码完成如下任务：（1）读取“student_nn.csv”文件，提取特征（前三列：作业提交次数,平均测验分数,平台登录次数）与标签数据[最后一列：学习状态标签，0（学习困难型）、1（中等稳定型）、2（积极进取型）]；（2）将数据集随机划分为训练集和测试集（测试集比例为20%）；（3）构建一个三层神经网络模型进行训练；（4）对测试集进行预测，并输出模型精度和分类报告；（5）绘制损失函数变化曲线与分类结果可视化图（三维可视化）。1.使用提示词生成代码2.代码流程：数据准备→模型设计→模型训练→模型评估与可视化四个阶段。项目总结与思考通过本次实验，学生不仅学习了神经网络