3.3 人工神经网络与深度学习说课稿2025学年高中信息技术教科版2019选择性必修4 人工智能初步-教科版2019

3.3人工神经网络与深度学习说课稿2025学年高中信息技术教科版2019选择性必修4人工智能初步-教科版2019学校授课教师课时授课班级授课地点教具教材分析一、教材分析本节是教科版选择性必修4《人工智能初步》第三章第三节，承接人工智能基础与机器学习概念，是理解深度学习核心原理的关键内容。教材以生物神经元为切入点，通过简化模型阐释人工神经网络的结构与工作机制，结合图像识别等实例说明深度学习的特征与价值，旨在培养学生的计算思维与信息意识，为后续人工智能应用实践奠定理论基础。核心素养目标二、核心素养目标通过人工神经网络与深度学习的学习，培养信息意识，认识深度学习在人工智能中的核心价值与应用场景；发展计算思维，通过分析神经网络结构与工作原理，提升抽象建模与逻辑推理能力；增强数字化学习与创新意识，结合图像识别等实例探究深度学习技术；树立信息社会责任，理性看待人工智能技术的机遇与挑战，形成负责任的技术应用观念。教学难点与重点三、教学难点与重点1.教学重点，①人工神经网络的基本结构（神经元、输入/隐藏/输出层、连接权重）及其模拟生物神经元的机制；②深度学习的核心特征（多层结构、特征自动提取）与传统机器学习的区别；③图像识别等实例中深度学习技术的应用流程与价值。2.教学难点，①人工神经网络中权重调整的反向传播算法逻辑，理解误差如何逐层传递并更新参数；②深度学习中“特征自动提取”的抽象过程，结合图像识别实例具象化特征层次变化；③生物神经元与人工神经元模型的类比迁移，准确理解两者结构与功能的对应关系。教学资源准备四、教学资源准备1.教材：确保每位学生均有教科版选择性必修4《人工智能初步》教材，重点标注第三章第三节内容。2.辅助材料：准备神经元结构示意图、多层神经网络动态演示视频、图像识别案例对比图表及深度学习应用实例短片。3.实验器材：配置Python模拟神经网络编程环境的计算机，确保学生能实操简单模型搭建。4.教室布置：设置分组讨论区，配备交互式电子白板展示多媒体资源，预留学生操作演示空间。教学过程设计导入环节（5分钟）：教师展示一段深度学习在图像识别中应用的短视频（如手机人脸识别过程），并提出问题：“大家有没有想过，为什么手机能快速识别照片中的人脸？这背后隐藏着什么技术原理？”学生分组讨论（2-3人一组），分享想法。教师引导总结，引出人工神经网络概念，激发兴趣。讲授新课（20分钟）：教师分步骤讲解：①人工神经网络结构（展示神经元模型图，解释输入层、隐藏层、输出层及权重作用，提问学生“权重如何影响信号传递？”）；②深度学习特征（对比传统机器学习，强调多层结构和特征自动提取，用动态演示视频说明图像识别中的特征层次变化）；③应用实例（分析教材中的案例，如手写数字识别，描述流程：数据输入→特征提取→分类输出）。重点突出难点：通过类比生物神经元模型，解释反向传播算法（展示误差传递动画，提问“误差如何从输出层返回输入层？”）。师生互动：学生举手回答问题，教师即时反馈，确保理解。巩固练习（10分钟）：学生分组完成练习题（如选择题：深度学习与传统机器学习的区别？），并讨论一个实际应用场景（如推荐系统）。教师巡视指导，小组代表分享结果，教师点评强化重点。课堂提问（10分钟）：系统提问针对重难点：①“反向传播算法中，权重更新的核心逻辑是什么？”（学生回答，教师补充）；②“特征自动提取在图像识别中如何实现抽象化？”（学生举例说明，教师总结）。互动贯穿始终，教师鼓励学生提问，解答疑惑，拓展核心素养（如信息意识：讨论AI伦理）。总用时45分钟，紧扣重难点，双边互动创新。教学资源拓展六、教学资源拓展1.拓展资源：①神经网络类型深化：补充教材中基础神经网络结构，延伸卷积神经网络（CNN）在图像识别中的局部连接与权值共享机制，循环神经网络（RNN）在自然语言处理中的序列数据处理逻辑，强化对深度学习多结构应用的理解；②深度学习发展脉络：从感知机模型到深度学习突破的关键节点（如2006年Hinton提出深度信念网络、2012年AlexNet在ImageNet竞赛中的成功），结合教材中“深度学习为何兴起”内容，揭示技术迭代与算力、数据的关系；③数学基础支撑：关联教材中权重调整概念，引入线性代数（矩阵运算在信号传递中的应用）、微积分（梯度下降法优化损失函数的核心思想），帮助学生理解反向传播算法的数学本质；④跨学科应用案例：结合教材图像识别实例，拓展医疗领域（如医学影像病灶检测）、工业领域（如产品质量缺陷识别）的深度学习应用，体现人工智能与多学科融合的价值。2.拓展建议：①实践操作建议：利用Python的TensorFlow/Keras框架，搭建一个简单的全连接神经网络模型，对手写数字数据集（MNIST）进行分类训练，体验数据输入、特征提取、权重调整的完整流程，深化对教材中“神经网络工作机制”的理解；②文献阅读建议：阅读教材配套拓展阅读材料《深度学习在生活中的应用》，或查阅《人工智能初步教师教学用书》中“神经网络模型简化实验”章节，进一步梳理生物神经元与人工神经元的对应关系；③生活应用分析：收集3个生活中的深度学习应用实例（如智能音箱语音识别、自动驾驶环境感知、电商商品推荐），结合教材中“特征自动提取”和“多层结构”知识，分析其技术实现路径，撰写简短案例分析报告；④伦理思辨讨论：围绕教材“信息社会责任”栏目，小组探讨深度学习技术可能带来的算法偏见（如人脸识别的种族识别差异）、数据隐私问题，提出“技术向善”的改进建议，培养负责任的人工智能应用意识；⑤跨学科探究：结合数学学科中的函数与图像知识，分析神经网络中激活函数（如ReLU、Sigmoid）对信号输出的影响，绘制不同激活函数的图像特征，理解非线性变换在特征提取中的作用。教学反思与总结教学反思中，情境导入环节的短视频确实有效激发了学生兴趣，但部分学生讨论时容易偏离技术原理，需加强引导方向。新课讲解时，动态演示对理解神经网络结构帮助明显，但反向传播算法的抽象性仍导致部分学生困惑，下次可增加类比实例（如误差传递如同接力赛）。巩固练习的分组讨论参与度高，但时间把控需更精准，避免少数学生主导。课堂提问设计覆盖了重难点，但应增加开放性问题（如“如何优化模型避免过拟合”），促进学生深度思考。

教学总结显示，学生能清晰描述神经网络基本结构，对深度学习与传统机器学习的区别掌握较好，但在权重调整的数学逻辑上仍需强化。实践操作中，Python模型搭建的完成率较高，但激活函数的参数调整理解不足，需补充数学基础衔接。情感态度方面，学生对AI伦理的讨论积极，但需警惕技术乐观主义，后续可增加案例剖析算法偏见问题。改进措施包括：增加数学工具辅助理解梯度下降，设计分层练习满足不同学生需求，引入更多跨学科案例深化应用认知。整体教学紧扣教材核心，但难点突破的层次感仍需优化。内容逻辑关系①**基础概念与结构**

人工神经元模型（输入、权重、激活函数、输出）

神经网络层级结构（输入层、隐藏层、输出层）

连接权重与信号传递机制

生物神经元与人工神经元的类比关系

②**深度学习核心原理**

多层结构对特征自动提取的必要性

传统机器学习与深度学习的本质区别

反向传播算法（误差计算、梯度下降、权重更新）

损失函数与模型优化的关联性

③**技术实现与应用价值**

图像识别案例中的特征层次变化流程

深度学习在现实场景（如医疗、工业）的应用路径

技术局限性（如数据依赖性、可解释性）课堂小结，当堂检测课堂小结：本节课系统梳理了人工神经网络的核心结构，包括神经元模型的输入、权重、激活函数与输出机制，以及输入层、隐藏层、输出层的层级关系。深度学习的核心特征在于多层结构实现特征自动提取，与传统机器学习的显著区别在于无需人工设计特征。通过图像识别案例，理解了深度学习从原始数据到抽象分类的完整流程，同时认识到反向传播算法在权重调整中的关键作用。

当堂检测：

1.选择题：人工神经网络中，权重的主要作用是（）

A.控制信号传递强度B.决定神经元数量C.替代激活函数

2.简答题：简述深度学习与传统机器学习在特征处理上的本质区别。

3.应用题：结合教材案例，说明深度学习在医疗影像识别中如何实现“特征自动提取”。

答案：1.A；2.深度学习通过多层结构自动提取特征，传统机器学习依赖人工设计特征；3.通过多层卷积层逐级提取边缘→纹理→器官等抽象特征，实现病灶自动定位。课后拓展1.拓展内容：

①阅读教材配套拓展材料《深度学习发展简史》，重点标注感知机模型到深度神经网络的演变过程；

②观看纪录片《智能时代》第3集片段，观察工业质检中深度学习应用的实时案例；

③分析教材P68“技术