Раздел: 11.1А Искусственный интеллект
|
Школа: Частная школа «Тагылым»
|
Дата:
|
Имя учителя: Апуова А.К.
|
Класс: 11
|
Количество присутствующих:
|
отсутствующих:
|
Тема урока:
|
Классификация нейронных сетей
|
Цели урока
|
11.3.4.4 описывать области применения метода "Обучение с учителем" при разработке искусственного интеллекта
|
Критерий оценивания
|
Знает: как работает нейрон;
Как спроектировать нейронную сеть;
Как использовать ПО для обучения компьютера, прогнозирования;
Как построить нейронную сеть;
|
Языковые цели
|
Учащиеся могут:
Обсуждать опроектирование нейронных сетей;
Построение нейронных сетей;
Предметная лексика и терминология:
Нейронная сеть –нейрондық желі-neuralnetwork
Пролог – шекті - threshold
Сглаживание – тегістеу - smoothing
Ошибка – қате - error
Прогноз - болжам - forecast
Функция активации – белсендіру функциясы - activationfunction
|
Краткосрочный план
|
Этапы урока
|
Запланированная деятельность на уроке
|
Ресурсы
|
5мин
|
Актуализация.
Организационный момент
Объявление новой темы. Ученики записывают тему и цели обучения
|
Презентация
Слайд 1-2
|
10 мин
5 мин
10 мин
|
Учитель объясняет понятие нейронные сети
Просмотр видеоролика с 0:00-6:00 минуты
https://www.youtube.com/watch?v=CtlHxItrvbk
Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, tahn
Искусственные нейронные сети можно классифицировать по ряду признаков:
• количеству слоев;
• типу связей;
• алгоритму обучения;
• классу решаемых задач
Сеть, в которой все входные элементы соединены непосредственно с выходными элементами, называется однослойной нейронной сетью, или сетью персептрона
Многослойная нейронная сеть – это нейронная сеть, состоящая из входного, выходного и расположенного(ых) между ними одного (нескольких) скрытых слоев нейронов.
Другим классификационным признаком ИНС является направленность связей.
трелки идут строго слева направо, то есть сигнал в таких сетях идет строго от входного слоя к выходному. Такие сети называются сетями без обратных связей. Они делятся на следующие группы: – с обратным распространением ошибки, которые характеризуются фиксированной структурой, итерационным обучением, корректировкой весов по ошибкам; – сети радиально-базисных функций (RBF); – другие сети (когнитрон, неокогнитрон, другие сложные модели
Обучение алгоритмом обратного распространения ошибки предполагает два прохода по всем слоям сети: прямой и обратный. При прямом проходе входной вектор подается на входной слой нейронной сети, после чего распространяется по сети от слоя к слою. В результате генерируется набор выходных сигналов, который и является фактической реакцией сети на данный входной образ. Во время прямого прохода все синаптические веса сети фиксированы. Во время обратного прохода все синаптические веса настраиваются в соответствии с правилом коррекции ошибок, а именно: фактический выход сети вычитается из желаемого, в результате чего формируется сигнал ошибки. Этот сигнал впоследствии распространяется по сети в направлении, обратном направлению синаптических связей. Отсюда и название – алгоритм обратного распространения ошибки. Синаптические веса настраиваются с целью максимального приближения выходного сигнала сети к желаемому.
Преимуществами сетей без обратных связей является простота их реализации и гарантированное получение ответа после прохождения данных по слоям. Недостатком этого вида сетей считается минимизация размеров сети: нейроны многократно участвуют в обработке данных.
Сети прямого распространения – это искусственные нейронные сети, в которых сигнал распространяется строго от входного слоя к выходному. В обратном направлении сигнал не распространяется.
Сети с обратными связями – это искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход.
Третьим важным классификационным признаком является принцип ее обучения (настройки). Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Сеть обучается, чтобы для некоторого входного вектора X сформировать желаемый (или, по крайней мере, сообразный с ним) выходной вектор Y.
Обучение нейронной сети – это поиск такого набора весовых коэффициентов, при котором входной сигнал после прохода по сети преобразуется в нужный нам выходной.
Нейронные сети являются одним из алгоритмов машинного обучения. Поэтому по классификации обучения ИНС делятся на сети, обучаемые с учителем, сети, обучаемые без учителя, и встречного распространения, часть слоев которых обучается без учителя, а часть – с учителем. Еще одним классификационным признаком является назначение ИНС. Согласно этому признаку, все сети делят на прогнозирующие (расчетные), классифицирующие (группирующие) и ассоциативные. Последние используются при решении задач распознавания образов.
Наводящие вопросы о введении в проектирование нейронных сетей, Примеры нейропакетов.
Задание 1 (исследование и анализ).Распространение сигналов по нейронной сети
Оценивание. Самооценивание. Взаимооценивание. Обратная связь учащихся
|
Слайд 4-7
Слайд 8
|
5 мин
|
Оценивание решении учеников.
Прогон по слайдам с данными
Подведение урока ссылаясь на цели обучения темы. Обратная связь от учеников
УПРАЖНЕНИЕ для ГЛАЗ / ФИЗ.МИНУТКА
|
Слайд 9
Слайд 10
|
Дополнительная информация
|
Дифференциация – как Вы планируете оказать больше поддержки? Какие задачи Вы планируете поставить перед более способными учащимися?
|
Оценивание – как Вы планируете проверить уровень усвоения материала учащихся?
|
Межпредметные связи
Здоровье и безопасность
Связи с ИКТ
Связи с ценностями (воспитательный элемент)
|
Рефлексия
Были ли реализованы цели урока/Ожидаемые результаты реалистичными? Чему сегодня научились учащиеся? Какова была атмосфера в классе? Сработала ли дифференциация? На все ли хватило времени? Какие изменения были внесены в план и почему?
|
Используйте данный раздел для рефлексии урока. Ответьте на вопросы о Вашем уроке из левой колонки.
|
|
Общая оценка
Какие два аспекта урока прошли хорошо (подумайте, как о преподавании, так и об обучении)?
Какие две вещи могли бы улучшить урок (подумайте, как о преподавании, так и об обучении)?
Что я узнал(а) за время урока о классе или отдельных учениках такого, что поможет мне подготовиться к следующему уроку?
|
Скачать 80.05 Kb.