第四章 人工神經網絡與深度學習學習過程：課程名稱學時教學環境

人工智能導論6多媒體教室

教學內容 人工神經網絡與深度學習翻轉課時 第1、2、5、6課時教學方法 情境教學法、任務驅動法、講練結合法、小組爭論教學法一、學習內容分析〔包括股市推測〕中，大多數與“智能”有點關系的問題，都可以歸結為一個在多維空間進展用如火如荼，其成果也成為AI二、教學目標學問目標12、了解神經網絡的進展概況3、了解神經元三、教學重點12

力量目標能夠覺察并理解神經網絡在現代生活中的應用四、教學難點神經網絡如何應用五、課前任務設計思考：第一、二節課:1從技術到落地，自動駕駛讓深度學習大有作為“定損寶”，會搶走定損員的飯碗么？Google人工智能或能提前一周推測臺風2、人工神經網絡是如何學習的？第五、六節課：延長閱讀：1、AI不用地圖和GPS2、將大腦信號直接轉換為可辯識的語音，幫助不能說話的人溝通外界六、授課過程一、二節從技術到落地，自動駕駛讓深度學習大有作為“定損寶”，會搶走定損員的飯碗么？Google人工智能或能提前一周推測臺風的根本單元——神經元而組成的人工神經網絡模型具有自學習與自組織等智能絡曾歷經質疑、批判與冷落，同時也幾度富強并取得了很多矚目的成就。從2040M-PHebb50Hodykin-Huxley60人腦簡單的層次化認知特點的深度學習已經成為類腦智能中的一個重要爭論方高潮。經元,，一個人工神經元的構造如下圖。來自其他神經元的輸入信號為〔x1,x2,...,xn〕。〔w1,w2,wn〕，權重〔weight〕的凹凸反映了輸入信號對神經元的重要性。線性聚合器〔∑〕將經過加權的輸入信號相加，生成一個“激活電壓”〔activationvoltage〕。激活閾值activationthreshol〕或bia〔〕個閾值。激活電位〔activationpotential〕u是線性聚合器和激活閾值之差，假設u≥0，神經元產生的就是興奮信號，假設u<0，神經元產生的是抑制信號。激活函數〔activationfunction〕g將神經元的輸出限制在一個合理的范圍內。〔y〕，可以傳遞給與之相連的其他神經元。將上述信息用公式可表示為：〔四〕歸納總結整體了解人工神經網絡的進展概況以及神經元的相關工作原理人工神經網絡的當前應用狀況。三、四節假設一個神經元是一個函數，那么神經網絡就是一個函數網絡！這意味著一個神經網絡有很多這樣的函數和這樣的學習單元智能機器人、自動掌握、推測估量、生物、醫學、經濟等領域已成功地解決了很多現代計算機難以解決的實際問題，表現出了良好的智能特性。1、人工神經網絡構造及工作原理但是同一層節點之間沒有弧相互連接，而且每一個節點不能越過一層連接到下下層的節點算出它們所指節點的值，比方節點Y1的值取決于X1X2W11和W21X1，X2，…，Xn也稱為輸入層。來自這些點的數值〔x1,x2,…,xn〕依據它們輸出的弧的權重〔w0,w1,w2,…,wn〕Gf(G)，賦給其次層節點Y。

G=w0+x1?w1+x2?w2+?+xn?wn (4-2)最終一層又被稱為輸出層。在模式分類時，一個模式〔圖像、語音、文字等〕的特征值〔比方坐標〕，從輸入層開頭，依據上面的規章和公式一層層向后傳遞。最終在輸出層，哪個節點的數值最大，輸入的模式就被分在了哪一類。這就是人工神經網絡的工作原理。2、BPBP神經網絡具有m關系一般是線性函數。隱蔽層中各個神經元的輸入輸出關系一般為非線性函數。依據自己的理解試著說明神經網絡的學習過程?！菜摹硽w納總結通過本節課的學習，了解人工神經網絡的相關學問以及具體應用。五、六節1、深層神經網絡多個隱層的深度神經網絡,依靠深度神經網絡的機器學習被稱為深度學習。2、CNN卷積神經網絡(ConvolutionalNeuralNetwork