信息技术（第2版）（拓展模块）教案 拓展模块5 5.3常用核心技术(2).docx

PAGE2/NUMPAGES8

《拓展模块55.3常用核心技术》教案2

课题名称

贝叶斯分类器与人工神经网络

授课类型

理实一体

授课对象

一年级学生

授课课时

2课时

所授课程

信息技术（拓展模块）

授课地点

多媒体实训室

所授教材

《信息技术—拓展模块》，人民邮电出版社，张丹阳主编。

一、学情分析

本课程授课对象为高职各专业大一学生，课程开设在大一第2学期，学生在知识储备、学习特点和信息素养的情况如下：

1.知识与技能储备

学生进一步理解了机器学习的基本原理，了解了决策树算法，对机器学习算法开发流程有了进一步认识。

2.学习特点

授课对象在学习方面表现出如下特点：

（1）喜欢情境设定，厌烦平淡无奇的说教；

（2）乐于接受可视化教学资源，反感静态纸质学习材料；

（3）具有较强的求知欲，希望了解一些具体的机器学习算法。

3.信息素养

学生具备了基础的信息技术学科素养，有一定的信息意识和信息行动能力，有了初步的计算思维。

二、教学内容

本节课选自拓展模块5人工智能--5.3.2贝叶斯分类器和5.3.3人工神经网络，主要介绍贝叶斯分类器和人工神经网络。

1.机器学习模型的概率表示

2.贝叶斯分类器

3.神经元

4.前馈神经网络

三、教学目标

1.知识目标

（1）了解贝叶斯分类器的基本原理和算法；

（2）了解神经元的基本结构和工作原理；

（3）了解前馈神经网络的结构；

（4）初步了解前馈神经网络的训练过程。

2.能力目标

（1）能够针对具体问题使用朴素贝叶斯分类器做一些简单计算；

（2）能够初步看懂前馈神经网络的结构图。

3.素养目标

（1）培养基本的计算思维；

（2）培养良好的数字化学习和交流沟通能力。

四、教学重难点

1.教学重点

朴素贝叶斯分类器的算法和前馈神经网络的结构。

2.教学难点

贝叶斯分类器的基本原理。

五、教学准备

1.教学环境

计算机实训室（与互联网连接的计算机、投影仪、黑板）。

2.教学用具

电子教室相关软件、学习通。

3.教学材料

（1）拓展模块55.3常用核心技术教案2

（2）拓展模块55.3常用核心技术课件

（3）微课拓展模块55.3.2贝叶斯分类器

微课拓展模块55.3.3人工神经网络

（4）Excel训练数据集

（5）常用核心算法学习笔记

（6）拓展模块5人工智能课后考核评价试题

六、教学策略

教法：讲授教学法问题教学法任务驱动法案例法

学法：听讲学习法自主探究法问题学习法

依托学习通学习资源、练习题和学习笔记导图等保证学习过程的顺利实施。

七、教学流程

八、教学环节

教学

环节

教学内容

教学活动

策略与意图

环节一

课程回顾与学习目标

(5分钟)

【问题导入】

决策树算法开发流程是什么？

【学习目标】

了解贝叶斯分类器的基本原理；

了解贝叶斯分类器的基本算法；

了解前馈神经网络的结构；

初步了解前馈神经网络的训练过程。

教师活动

1.提出问题，回顾以前所学内容

2.介绍本单元的学习目标

学生活动

1.认真回顾决策树，听取教师讲授内容

2.思考记录

1.问题教学法：复习决策树算法开发流程，为本次课程做好铺垫

2.讲授教学法：介绍学习目标，使学生明确本次课的要求

教学

环节

教学内容

教学活动

策略与意图

环节二

学习贝叶斯分类器(20分钟)

1.概率

随机事件出现的可能性大小，表示为P（A）。

例：根据案例训练集数据计算学习状态为好的概率。

P

2.概率分布

随机变量取值的概率规律，即随机变量各种可能结果发生的概率。

3.条件概率

条件概率是指事件A在另外一个事件B已经发生条件下的发生概率，表示为P（A|B）。

例：根据案例训练集数据计算学习状态为“好”条件下考试成绩良好的可能性。

P

4.机器学习模型的概率表示

模型f(x)是一个有关概率分布的函数，它在观测到输入数据x的条件下，会输出最有可能的y，数学表示为

f

例：对于案例训练集数据中的学习状态判断问题，已知一个学生考试成绩良好，能按时完成作业，课上注意力一般，出勤率低，需要判断其学习状态。该问题可表达为以下形式并选取其中较大者的学习状态作为判断结果。

P(学习状态=好|(考试成绩=良好，作业完成情况=按时完成，课上注意力=一般，出勤率=低))

P(学习状态=差|(考试成绩=良好，作业完成情况=按时完成，课上注意力=一般，出勤率=低))

5.贝叶斯定理

P

6.贝叶斯分类器

f

7.朴素贝叶斯分类器

fx

教师活动

（1）继续使用上次课程案例：学习状态预测问题

（2）结合案例复习概率、概率分布、条件概率等基本概念

（3）结合案例讲解机器学习模型的概率表示

（4）讲解贝叶斯定理

（5）讲解贝叶斯分类器

（6）讲解朴素贝叶斯分类器