《深度學(xué)習(xí)與大模型》單元2人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)教案教學(xué)任務(wù)項(xiàng)目2人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)任務(wù)2.1神經(jīng)網(wǎng)絡(luò)的基本概念任務(wù)2.2神經(jīng)元與激活函數(shù)任務(wù)2.3前向傳播與反向傳播算法任務(wù)2.4激活函數(shù)的作用與選擇策略任務(wù)2.5深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對(duì)比任務(wù)2.6深度學(xué)習(xí)的典型應(yīng)用場(chǎng)景授課課時(shí)總時(shí)長(zhǎng)：4學(xué)時(shí)包括：課堂講授3學(xué)時(shí)；實(shí)訓(xùn)學(xué)習(xí)1學(xué)時(shí)總結(jié)與拓展0.5學(xué)時(shí)一、教學(xué)分析學(xué)習(xí)目標(biāo)知識(shí)目標(biāo)1..了解人工神經(jīng)網(wǎng)絡(luò)的起源及其與生物神經(jīng)系統(tǒng)的啟發(fā)關(guān)系，熟悉AI發(fā)展過(guò)程中神經(jīng)網(wǎng)絡(luò)角色的演變。2.理解感知機(jī)與多層感知機(jī)的基本結(jié)構(gòu)、工作原理及區(qū)別，能說(shuō)明其如何從線性模型擴(kuò)展到非線性模型。3.掌握神經(jīng)元的基本模型，包括輸入、權(quán)重、求和、激活函數(shù)、輸出等組成部分的功能與意義。4.系理解前向傳播與反向傳播的完整計(jì)算流程與數(shù)學(xué)原理，掌握梯度下降法的基本思想及其在訓(xùn)練中的作用。5.熟悉常見(jiàn)激活函數(shù)（ReLU、Sigmoid、Tanh）的特性、圖像、公式及適用場(chǎng)景，理解激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中的核心作用。6.系統(tǒng)掌握深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)在特征工程、模型復(fù)雜度、數(shù)據(jù)需求、處理能力等方面的核心差異。7.了解深度學(xué)習(xí)在圖像識(shí)別、自然語(yǔ)言處理、強(qiáng)化學(xué)習(xí)等領(lǐng)域的典型應(yīng)用場(chǎng)景及其基本原理。能力目標(biāo)1.能夠繪制并解釋感知機(jī)與多層感知機(jī)的結(jié)構(gòu)圖，說(shuō)明信息流動(dòng)方向。2.能夠使用Python及簡(jiǎn)單深度學(xué)習(xí)框架（如TensorFlow/Keras或PyTorch）搭建一個(gè)包含輸入層、隱藏層、輸出層的多層感知機(jī)模型。3.能夠?qū)σ粋€(gè)簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)示例進(jìn)行手動(dòng)前向傳播計(jì)算，并理解反向傳播中誤差傳遞與權(quán)重更新的基本邏輯。4.能夠根據(jù)不同的任務(wù)類(lèi)型（如分類(lèi)、回歸）和數(shù)據(jù)特征，為神經(jīng)網(wǎng)絡(luò)的隱藏層和輸出層選擇合適的激活函數(shù)。5.能夠通過(guò)對(duì)比表格或口頭陳述，清晰闡述深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的主要區(qū)別及各自的優(yōu)劣勢(shì)。

6.初步具備將深度學(xué)習(xí)應(yīng)用場(chǎng)景與對(duì)應(yīng)技術(shù)（如CNN、RNN）進(jìn)行關(guān)聯(lián)的能力。素質(zhì)目標(biāo)1.培養(yǎng)對(duì)復(fù)雜系統(tǒng)（神經(jīng)網(wǎng)絡(luò)）的模塊化分析與理解能力，建立從生物啟發(fā)到數(shù)學(xué)模型構(gòu)建的科學(xué)思維。2.樹(shù)立嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)推導(dǎo)與計(jì)算態(tài)度，理解算法背后的數(shù)學(xué)原理而非僅關(guān)注調(diào)用接口。3.增強(qiáng)對(duì)技術(shù)發(fā)展脈絡(luò)的洞察力，理解深度學(xué)習(xí)興起的歷史必然性與技術(shù)突破點(diǎn)。4.激發(fā)對(duì)前沿AI應(yīng)用場(chǎng)景的探索興趣，并初步建立根據(jù)問(wèn)題特性選擇技術(shù)路線的意識(shí)。教學(xué)重點(diǎn)多層感知機(jī)的結(jié)構(gòu)及其解決非線性問(wèn)題的能力。神經(jīng)元模型與激活函數(shù)的非線性引入作用。前向傳播與反向傳播算法的核心思想與計(jì)算流程（重點(diǎn)在于邏輯理解，而非復(fù)雜推導(dǎo)）。常見(jiàn)激活函數(shù)（ReLU、Sigmoid、Tanh）的特性對(duì)比與選擇依據(jù)。深度學(xué)習(xí)自動(dòng)特征提取能力與傳統(tǒng)機(jī)器學(xué)習(xí)手工特征工程的根本性差異。教學(xué)難點(diǎn)1.反向傳播算法中梯度計(jì)算與鏈?zhǔn)椒▌t的理解，特別是誤差如何從輸出層反向傳播至淺層網(wǎng)絡(luò)。2.對(duì)激活函數(shù)梯度消失（Sigmoid/Tanh）和梯度爆炸問(wèn)題的成因及其對(duì)深度網(wǎng)絡(luò)訓(xùn)練影響的理解。3.從“感知機(jī)只能處理線性可分”到“多層感知機(jī)可處理非線性問(wèn)題”這一能力躍遷的直觀與理論理解。4.深度神經(jīng)網(wǎng)絡(luò)中“深度”一詞的含義，及其與模型表征能力、訓(xùn)練難度之間的辯證關(guān)系。教學(xué)內(nèi)容1.神經(jīng)網(wǎng)絡(luò)基本概念：人工神經(jīng)網(wǎng)絡(luò)的生物啟發(fā)；感知機(jī)模型（結(jié)構(gòu)、公式、局限性：以“異或”問(wèn)題為例）；多層感知機(jī)（MLP）的引入（結(jié)構(gòu)、解決非線性問(wèn)題的原理）。2.神經(jīng)元與激活函數(shù)：生物神經(jīng)元與人工神經(jīng)元的類(lèi)比；人工神經(jīng)元的數(shù)學(xué)模型（加權(quán)求和、偏置、激活函數(shù)）；激活函數(shù)的必要性（引入非線性，突破線性模型限制）。3.前向傳播與反向傳播：-前向傳播：定義與目標(biāo)（計(jì)算預(yù)測(cè)值）；逐層計(jì)算過(guò)程（輸入層→隱藏層→輸出層）；符號(hào)說(shuō)明（權(quán)重W、偏置b、激活函數(shù)σ、輸入a、輸出z）。-反向傳播：核心目標(biāo)（最小化損失函數(shù)）；梯度下降法基本原理（下山比喻、學(xué)習(xí)率）；鏈?zhǔn)椒▌t在梯度計(jì)算中的應(yīng)用；誤差反向傳播的直觀解釋?zhuān)◤妮敵鰧拥捷斎雽又饘诱{(diào)整權(quán)重）。4.激活函數(shù)及其選擇：-常見(jiàn)激活函數(shù)詳解：ReLU（公式、圖像、優(yōu)缺點(diǎn)、緩解梯度消失）、Sigmoid（公式、圖像、優(yōu)缺點(diǎn)、輸出概率解釋?zhuān)?、Tanh（公式、圖像、優(yōu)缺點(diǎn)、零中心化）。-作用與選擇策略：激活函數(shù)的三大作用（引入非線性、控制輸出范圍、影響梯度流）；隱藏層激活函數(shù)選擇（ReLU為主流）；輸出層激活函數(shù)選擇（根據(jù)任務(wù)：Sigmoid用于二分類(lèi)、Softmax用于多分類(lèi)、線性用于回歸）。5.深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對(duì)比：-特征處理：傳統(tǒng)機(jī)器學(xué)習(xí)依賴(lài)“特征工程”（手工、耗時(shí)、需專(zhuān)家知識(shí)）；深度學(xué)習(xí)實(shí)現(xiàn)“自動(dòng)特征提取”（端到端學(xué)習(xí)、多層次抽象）。-模型與數(shù)據(jù)：模型復(fù)雜度對(duì)比（淺層vs深層）；數(shù)據(jù)需求量對(duì)比（少量vs海量）；計(jì)算資源需求對(duì)比（CPU為主vsGPU/TPU依賴(lài)）。-適用場(chǎng)景：傳統(tǒng)機(jī)器學(xué)習(xí)在中小型結(jié)構(gòu)化數(shù)據(jù)、可解釋性要求高場(chǎng)景的優(yōu)勢(shì)；深度學(xué)習(xí)在非結(jié)構(gòu)化數(shù)據(jù)（圖像、語(yǔ)音、文本）、復(fù)雜模式識(shí)別場(chǎng)景的壓倒性?xún)?yōu)勢(shì)。6.深度學(xué)習(xí)的應(yīng)用場(chǎng)景：-圖像識(shí)別與分類(lèi)：CNN原理簡(jiǎn)述；應(yīng)用案例（人臉識(shí)別、醫(yī)療影像診斷、自動(dòng)駕駛視覺(jué)）。-自然語(yǔ)言處理：RNN/LSTM/Transformer原理簡(jiǎn)述；應(yīng)用案例（機(jī)器翻譯、智能客服、文本生成）。-強(qiáng)化學(xué)習(xí)：智能體-環(huán)境交互框架簡(jiǎn)述；應(yīng)用案例（AlphaGo、游戲AI、機(jī)器人控制）。二、教學(xué)策略教學(xué)設(shè)計(jì)采用“概念具象化->原理剖析->對(duì)比強(qiáng)化->實(shí)戰(zhàn)驗(yàn)證->視野拓展”的遞進(jìn)式教學(xué)主線。1.概念具象化：使用大量類(lèi)比（如“學(xué)生做題”類(lèi)比監(jiān)督學(xué)習(xí)、“整理書(shū)籍”類(lèi)比聚類(lèi)）和圖示（神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖、激活函數(shù)圖像）將抽象概念具體化。2.原理剖析：對(duì)關(guān)鍵算法（前向/反向傳播）采用“分步驟圖示+簡(jiǎn)化數(shù)學(xué)推導(dǎo)+動(dòng)態(tài)流程圖”進(jìn)行拆解，降低理解門(mén)檻。3.對(duì)比強(qiáng)化：使用對(duì)比表格（如感知機(jī)vsMLP、激活函數(shù)對(duì)比、深度學(xué)習(xí)vs傳統(tǒng)機(jī)器學(xué)習(xí)）突出核心差異，強(qiáng)化記憶。4.實(shí)戰(zhàn)驗(yàn)證：通過(guò)編寫(xiě)并運(yùn)行一個(gè)簡(jiǎn)單的多層感知機(jī)代碼，將理論轉(zhuǎn)化為直觀結(jié)果，加深理解并提升興趣。5.視野拓展：結(jié)合前沿應(yīng)用案例（AlphaGo、ChatGPT原理淺談）展示深度學(xué)習(xí)威力，連接理論與實(shí)踐，激發(fā)探索欲。

教學(xué)資源PPT、微課視頻三、教學(xué)實(shí)施（一）課前教師準(zhǔn)備：1.完成教學(xué)PPT的制作與優(yōu)化，確保圖示清晰、邏輯連貫。2.準(zhǔn)備課堂演示代碼（一個(gè)可在10分鐘內(nèi)演示完成的簡(jiǎn)單MLP模型），并測(cè)試運(yùn)行無(wú)誤。3.收集并剪輯好案例視頻片段（如AlphaGo、圖像識(shí)別應(yīng)用），時(shí)長(zhǎng)控制在3分鐘內(nèi)。學(xué)生預(yù)習(xí)：1.閱讀教材“人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)”章節(jié)，了解基本概念。2.思考問(wèn)題：(1)“人腦是如何學(xué)習(xí)的？計(jì)算機(jī)能模仿嗎？”(2)“你接觸過(guò)的哪些APP或技術(shù)可能用到了神經(jīng)網(wǎng)絡(luò)？”(3)“為什么圖片識(shí)別不能直接用上一章學(xué)的線性回歸來(lái)做？”。|（二）課中教學(xué)環(huán)節(jié)教學(xué)內(nèi)容教師活動(dòng)學(xué)生活動(dòng)設(shè)計(jì)意圖課堂引入（10mins）1.展示深度學(xué)習(xí)應(yīng)用案例（AlphaGo、人臉識(shí)別、實(shí)時(shí)翻譯）。2.提出問(wèn)題：“這些系統(tǒng)與傳統(tǒng)的機(jī)器學(xué)習(xí)模型（如線性回歸）有何本質(zhì)不同？”3.引出本章主題：“人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)”。1.播放案例視頻，引導(dǎo)學(xué)生觀察與思考。2.提問(wèn)并隨機(jī)點(diǎn)名回答，鼓勵(lì)不同觀點(diǎn)。3.總結(jié)學(xué)生回答，點(diǎn)明深度學(xué)習(xí)核心特點(diǎn)，展示本章知識(shí)導(dǎo)圖。1.觀看視頻，記錄觀察到的AI能力。2.參與討論，結(jié)合預(yù)習(xí)內(nèi)容發(fā)表看法。3.明確本章學(xué)習(xí)目標(biāo)與知識(shí)框架。。1.通過(guò)震撼案例激發(fā)興趣，打破技術(shù)抽象感。2.通過(guò)問(wèn)題鏈引導(dǎo)學(xué)生主動(dòng)思考，建立新舊知識(shí)聯(lián)系。3.快速聚焦主題，明確學(xué)習(xí)方向。新知講解（115mins）模塊1：神經(jīng)網(wǎng)絡(luò)基本概念（25分鐘）1.感知機(jī)模型：結(jié)構(gòu)、公式、決策示例。2.感知機(jī)的局限：“異或”問(wèn)題引出線性不可分。3.多層感知機(jī)：結(jié)構(gòu)圖、與感知機(jī)對(duì)比、解決非線性問(wèn)題的原理。模塊2：神經(jīng)元與激活函數(shù)（20分鐘）1.生物神經(jīng)元與人工神經(jīng)元類(lèi)比。2.人工神經(jīng)元數(shù)學(xué)模型：輸入、權(quán)重、偏置、激活函數(shù)。3.激活函數(shù)的必要性：引入非線性。模塊3：前向傳播與反向傳播（35分鐘）1.前向傳播：目標(biāo)與過(guò)程可視化。2.反向傳播與梯度下降：核心思想、直觀比喻。3.鏈?zhǔn)椒▌t與誤差反向傳遞機(jī)制。模塊4：深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)對(duì)比（20分鐘）1.特征提取方式對(duì)比：手工特征工程vs自動(dòng)特征提取。2.模型復(fù)雜度、數(shù)據(jù)需求、計(jì)算資源對(duì)比。3.適用場(chǎng)景與局限性分析。2.關(guān)鍵注意點(diǎn)：數(shù)據(jù)預(yù)處理重要性（“垃圾數(shù)據(jù)訓(xùn)練不出好模型”）、超參數(shù)調(diào)優(yōu)方法（網(wǎng)格搜索、隨機(jī)搜索）。模塊4：常見(jiàn)算法核心原理（20mins）1.線性回歸vs邏輯回歸（對(duì)比表1-3）：任務(wù)類(lèi)型、輸出、損失函數(shù)差異；案例（線性回歸預(yù)測(cè)房?jī)r(jià)、邏輯回歸判斷客戶(hù)流失）。2.其他算法簡(jiǎn)介：K近鄰（“近朱者赤”類(lèi)比+歐幾里得距離）、決策樹(shù)（“判斷是否買(mǎi)手機(jī)”邏輯+節(jié)點(diǎn)劃分準(zhǔn)則）。1.結(jié)合圖示與生活案例講解感知機(jī)與多層感知機(jī)。2.通過(guò)“異或”問(wèn)題演示單層感知機(jī)局限，引導(dǎo)學(xué)生思考多層結(jié)構(gòu)的必要性。3.使用動(dòng)畫(huà)演示前向傳播與反向傳播過(guò)程。4.通過(guò)對(duì)比表格總結(jié)深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的核心差異。5.穿插提問(wèn)，引導(dǎo)學(xué)生逐步理解。1.跟隨講解繪制神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，理解信息流動(dòng)方向。2.參與課堂討論，回答教師提問(wèn)。3.記錄關(guān)鍵知識(shí)點(diǎn)，完成對(duì)比表格。4.小組討論：“生活中哪些任務(wù)適合深度學(xué)習(xí)？哪些適合傳統(tǒng)機(jī)器學(xué)習(xí)？”。1.分模塊講解，層層遞進(jìn)，降低理解難度。2.通過(guò)圖示、動(dòng)畫(huà)、對(duì)比表格等多種形式強(qiáng)化理解。3.互動(dòng)提問(wèn)提升課堂參與度，避免單向灌輸。4.小組討論培養(yǎng)學(xué)生分析與表達(dá)能力。實(shí)踐應(yīng)用（45mins）任務(wù)：使用TensorFlow/Keras搭建多層感知機(jī)模型，在Fashion-MNIST數(shù)據(jù)集上進(jìn)行圖像分類(lèi)。步驟：1.數(shù)據(jù)加載與預(yù)處理。2.模型構(gòu)建：輸入層、隱藏層（含激活函數(shù)）、輸出層。3.模型編譯：選擇損失函數(shù)、優(yōu)化器、評(píng)估指標(biāo)。4.模型訓(xùn)練與評(píng)估。1.大屏幕演示代碼編寫(xiě)過(guò)程，逐步講解關(guān)鍵函數(shù)與參數(shù)。2.發(fā)布任務(wù)單，明確每一步的目標(biāo)與時(shí)間限制。3.巡回指導(dǎo)，解答學(xué)生編碼與理解問(wèn)題。4.引導(dǎo)學(xué)生嘗試調(diào)整隱藏層神經(jīng)元數(shù)量或激活函數(shù)，觀察性能變化。1.分組協(xié)作，跟隨教師演示編寫(xiě)代碼。2.運(yùn)行代碼，觀察訓(xùn)練過(guò)程中的損失與準(zhǔn)確率變化。3.記錄實(shí)驗(yàn)結(jié)果，嘗試解釋不同參數(shù)對(duì)模型性能的影響。4.小組討論優(yōu)化策略。1.通過(guò)動(dòng)手實(shí)踐將理論轉(zhuǎn)化為技能，增強(qiáng)學(xué)習(xí)成就感。2.分組協(xié)作培養(yǎng)團(tuán)隊(duì)合作能力。3.調(diào)參實(shí)驗(yàn)幫助學(xué)生直觀理解超參數(shù)與模型性能的關(guān)系?？偨Y(jié)提升（10mins）1.知識(shí)梳理：用思維導(dǎo)圖回顧神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、前向/反向傳播、激活函數(shù)、深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)對(duì)比等核心內(nèi)容。2.答疑與拓展：回答學(xué)生疑問(wèn)，提出拓展問(wèn)題：“如果網(wǎng)絡(luò)層數(shù)過(guò)深，可能遇到什么問(wèn)題？有哪些解決方法？”。1.展示思維導(dǎo)圖，引導(dǎo)學(xué)生逐層回顧知識(shí)點(diǎn)。2.收集學(xué)生疑問(wèn)，優(yōu)先解答高頻問(wèn)題。3.提出拓展問(wèn)題，鼓勵(lì)學(xué)生課后自主探索。1.跟隨思維導(dǎo)圖回顧本章內(nèi)容，查漏補(bǔ)缺。2.提出未理解的問(wèn)題，參與答疑互動(dòng)。3.記錄拓展問(wèn)題，明確課后學(xué)習(xí)方向。1.通過(guò)思維導(dǎo)圖構(gòu)建系統(tǒng)化知識(shí)框架，避免知識(shí)碎片化。2.及時(shí)答疑解決個(gè)性化問(wèn)題，提升學(xué)習(xí)效果。3.拓展問(wèn)題激發(fā)學(xué)生持續(xù)探索的興趣，為后續(xù)學(xué)習(xí)鋪墊。（三）課后布置以下課后學(xué)習(xí)任務(wù)，并預(yù)習(xí)下節(jié)課的內(nèi)容。鞏固練習(xí)：完善課堂代碼實(shí)驗(yàn)報(bào)告，包括模型結(jié)構(gòu)圖、核心代碼截圖、訓(xùn)練結(jié)果（準(zhǔn)確率/損失曲線）以及對(duì)探索任務(wù)（改神經(jīng)元數(shù)、改激活函數(shù)）結(jié)果的