在科教版第五單元“數(shù)據(jù)分析與人工智能”的第一章“走進數(shù)據(jù)分析”,學生初次接觸數(shù)據(jù)分析和人工智能的基本概念。在這一背景下,我們希望通過一個微項目的教學設計,引導學生在實踐中深入理解數(shù)據(jù)分析,并對深度學習的認識自然發(fā)生。
學生在之前的學習中已經(jīng)掌握了數(shù)據(jù)表格的處理和基本的數(shù)據(jù)可視化方法。而深度學習作為人工智能的一支重要領域,對初學者可能顯得復雜。因此,本次微項目旨在通過一個簡單而有趣的實踐任務,讓學生自主進行深度學習。
項目設計以圖像分類為主題,引導學生應用簡單的深度學習模型對手寫數(shù)字進行識別。這個項目既涵蓋了數(shù)據(jù)收集、整理和分析的基本流程,又讓學生了解深度學習的基礎原理。通過這個微項目,學生將深度學習從抽象的概念轉化為實際可操作的工具,培養(yǎng)對人工智能的興趣。
【教學目標】
1.理解數(shù)據(jù)分析的基本概念與方法
學生能夠解釋數(shù)據(jù)分析的基本概念,理解對比分析法和平均分析法的原理,并能夠在實際問題中選用適當?shù)姆治龇椒ā?/p>
2.掌握深度學習的基礎知識
學生能夠理解深度學習的基本原理,包括神經(jīng)網(wǎng)絡、反向傳播等概念,并具備使用簡單深度學習模型解決問題的能力。
3.應用數(shù)字化工具進行數(shù)據(jù)處理與可視化
學生能夠熟練使用數(shù)字化工具,如表格處理軟件和深度學習框架,對數(shù)據(jù)進行整理、組織、計算,并能夠選擇合適的圖表進行數(shù)據(jù)可視化。
【教學過程】
第一課時:理解數(shù)據(jù)分析基本概念與方法
(一)導入(5分鐘)
為了激發(fā)學生對數(shù)據(jù)分析的興趣,我以一場“數(shù)碼探險”開始本次課程。在這場數(shù)碼探險中,學生將扮演數(shù)據(jù)分析小隊成員,即將進入一個神秘的數(shù)字迷宮。數(shù)字迷宮中充滿了各種數(shù)據(jù),而小隊的任務是解讀這些數(shù)字,找到通向下一層的正確路徑。
為了達到這個目的,我在教室里設置了多個數(shù)據(jù)點,每個數(shù)據(jù)點都代表著一個數(shù)據(jù)分析的關鍵概念,如平均值、對比分析等。學生需要通過與這些數(shù)據(jù)點的互動,解答相應問題,找到正確的數(shù)字路徑,逐漸深入數(shù)字“迷宮”。
歡迎各位小偵探加入我們的數(shù)碼探險隊!今天,我們將踏上一場神秘的數(shù)字迷宮之旅。在這個數(shù)字迷宮中,每個數(shù)字都是一個謎題,而你們扮演的角色是解鎖這些數(shù)字背后秘密的數(shù)碼偵探。
首先來看一個數(shù)據(jù)點:32、15、42、18、25、32、15、42、18、25。這組數(shù)字代表某個城市過去五天的溫度。你們的任務是解開這個數(shù)字的謎題,找到這五天的平均溫度。誰能最快算出平均值,就是我們的第一位“數(shù)碼偵探”!
同時,還有其他的數(shù)據(jù)點散布在教室的不同角落。每個數(shù)據(jù)點都代表一個數(shù)據(jù)分析的關鍵概念,如中位數(shù)、對比分析等。小隊將分頭行動,解鎖這些數(shù)字背后的秘密,尋找通向下一層的正確路徑。
(二)理論講解(15分鐘)
1.數(shù)據(jù)分析基本概念
在數(shù)字迷宮的前方,需要了解數(shù)據(jù)分析的基本概念。數(shù)據(jù)分析是一種通過處理、清理和解釋數(shù)據(jù)來提取有用信息的過程。它是對數(shù)據(jù)進行深入研究和理解的方法,是科學決策和解決問題的有力工具。
2.對比分析法
對比分析法是一種通過對不同組或不同時期的數(shù)據(jù)進行比較,揭示出相似、差異之處,進而作出判斷的方法。在我們的數(shù)碼探險中,舉個例子:如果我們有兩組城市的氣溫數(shù)據(jù),通過對比分析,我們可以看出哪個城市的溫差更大,了解它們之間的氣候差異。
具體操作時,對比分析法涉及計算相對數(shù)、比率、百分比等,以量化不同數(shù)據(jù)之間的差異。這種方法可以幫助我們更好地理解數(shù)據(jù),發(fā)現(xiàn)隱藏在數(shù)字背后的規(guī)律。
3.平均分析法
平均分析法是通過提取數(shù)據(jù)集的平均值,來反映事物目前所處的位置和發(fā)展水平;再對不同時期、不同類型單位的平均指標進行對比,說明事物的發(fā)展趨勢和變化規(guī)律。以剛才的氣溫數(shù)據(jù)為例,通過計算這五天氣溫的平均值,我們可以得到一個更為代表性的數(shù)值,從而更好地了解這個城市的氣溫。
平均分析法在數(shù)據(jù)分析中的廣泛應用,尤其適用于處理大量數(shù)據(jù)時,通過單一的指標來描述整體特征。它可以是算術平均、加權平均等形式,具體取決于分析的需求。
(三)小組討論與案例分析(20分鐘)
案例:電商銷售數(shù)據(jù)分析
假設一家電商公司,銷售了某款產(chǎn)品,現(xiàn)在我們有前兩個月的銷售數(shù)據(jù)。某兩個月每周的銷售額如下:
月份1銷售額:
450 000,480 000,510 000,490 000
月份2銷售額:
550 000,520 000,480 000,510 000
對比分析法的應用:
小組成員首先可以通過對比分析法比較兩個月的銷售數(shù)據(jù),尋找相似和差異之處。例如:
計算相對數(shù):對比每個月的銷售額與整體平均銷售額的相對差異,找出這款產(chǎn)品在哪個月的銷售情況較好或較差。
比率與百分比:計算每個月的銷售額變化百分比,確定銷售波動的幅度。
平均分析法的應用:
接著,小組成員可以使用平均分析法來得到銷售數(shù)據(jù)的整體趨勢。例如:
計算算術平均:求取每個月的銷售額的算術平均值,以獲取整體銷售水平。
月份1平均銷售額=
月份2平均銷售額=
加權平均:如果某個月份的銷售額對整體影響更大,可以使用加權平均。
以上計算幫助小組成員更深入地了解銷售數(shù)據(jù),發(fā)現(xiàn)銷售波動的原因,并制訂未來銷售策略。在討論中,每個小組要選擇一位代表分享小組的結論和分析思路。
(四)總結與展望(5分鐘)
教師對本節(jié)課所學內(nèi)容進行簡要總結,并展望下一節(jié)課將要進行的深度學習微項目。數(shù)據(jù)分析是解決實際問題的工具,而深度學習將為我們提供更強大的分析工具。
第二課時:深度學習微項目實踐
在第一課時中,學生深入學習了數(shù)據(jù)分析的基本概念和方法,特別關注了對比分析法和平均分析法?,F(xiàn)在學生將轉向深度學習,探索如何應用這一強大的分析工具解決實際問題。
(一)項目介紹
深度學習微項目將聚焦于手寫數(shù)字識別。這既是一個廣泛應用于圖像識別領域的問題,又是深度學習在計算機視覺中的一個典型應用。通過這個項目,我們將學習如何建立一個簡單的深度學習模型,使其能夠識別手寫數(shù)字。
(二)項目目標
通過這個深度學習微項目,將實現(xiàn)以下目標:
1.了解深度學習的基本原理,包括神經(jīng)網(wǎng)絡的結構、反向傳播算法等。
2.掌握深度學習框架的基本使用,如TensorFlow或PyTorch。
3.應用深度學習模型解決實際問題,提高對數(shù)字圖像的識別能力。
(三)項目準備(5分鐘)
在進入實際操作之前,需要準備一些基本的工具和數(shù)據(jù):
1.深度學習框架:選擇一種流行的深度學習框架,如TensorFlow或PyTorch,確保已經(jīng)安裝并配置好。
2.手寫數(shù)字數(shù)據(jù)集:使用一個公開可用的手寫數(shù)字數(shù)據(jù)集,如MNIST數(shù)據(jù)集。這個數(shù)據(jù)集包含大量手寫數(shù)字圖像,每個圖像都有對應的標簽,表示圖像中的數(shù)字。
(四)實際操作(40分鐘)
目標:學生能夠通過實際操作,加載手寫數(shù)字數(shù)據(jù)集,進行數(shù)據(jù)探索、預處理,搭建并訓練一個簡單的深度學習模型,并對模型進行評估和預測。
[▲]步驟一:數(shù)據(jù)加載與探索
教師可以引導學生使用TensorFlow加載MNIST手寫數(shù)字數(shù)據(jù)集,并進行基本的數(shù)據(jù)探索。
from tensorflow.keras.datasets import mnist
#加載數(shù)據(jù)
(x_train,y_train),(x_test,y_test)=mnist.load_data()
#數(shù)據(jù)探索print("訓練集圖像數(shù)量:",len(x_tr-ain))print("測試集圖像數(shù)量:",len(x_test))print("圖像尺寸:",x_train[0].shape)print("標簽示例:",y_train[0])
[▲]步驟二:數(shù)據(jù)預處理
指導學生進行數(shù)據(jù)預處理,確保圖像數(shù)據(jù)適用于深度學習模型的訓練。
#數(shù)據(jù)預處理
x_train=x_train.reshape((len(x_train),28,28,1)) /255.0
x_test=x_test.reshape((len(x_test),28,28,1))/ 255.0
[▲]步驟三:建立深度學習模型
引導學生使用TensorFlow建立一個簡單的卷積神經(jīng)網(wǎng)絡(CNN)模型。
from tensorflow.keras.models import Sequential-from tensorflow.keras.layers import Conv2D,MaxPoo-ling2D,F(xiàn)latten,Dense
#搭建CNN模型
model=Sequential( )
model.add(Conv2D(32,(3,3),activation='relu', input_shape=(28,28,1)))
model.add(MaxPooling2D((2,2)))
model.add(Flatten( ))
model.add(Dense(128,activation='relu'))
model.add(Dense(10,activation='softmax'))
[▲]步驟四:模型編譯與訓練
指導學生編譯模型,并使用訓練集進行模型訓練。
#編譯模型
model.compile(optimizer='adam',loss='sparse_c-ategorical_crossentropy',metrics=['accuracy'])
#模型訓練
model.fit(x_train,y_train,epochs=5,validation_d-ata=(x_test,y_test))
[▲]步驟五:模型評估與預測
教師可以引導學生對模型進行評估并嘗試用新的手寫數(shù)字圖像進行預測。
#模型評估
test_loss,test_acc=model.evaluate(x_test,y_test)print(f"測試集準確率:{test_acc}")
#預測新圖像
predictions=model.predict(x_test[:5])print("模型預測結果:",predictions.argmax(axis=1))print("真實標簽:",y_test[:5])
通過這一系列步驟,學生將親身體驗數(shù)據(jù)加載、深度學習模型搭建與訓練的全過程,促進對實際操作的理解。
(五)結果與討論
通過完成深度學習微項目,學生將深入了解深度學習的基本原理,并親自搭建、訓練和評估一個簡單的深度學習模型。通過完成手寫數(shù)字識別任務,學生將學會應用深度學習解決實際問題,提高對圖像數(shù)據(jù)的理解和處理能力。這個項目旨在培養(yǎng)學生的實際操作技能,讓他們在未來的數(shù)據(jù)科學和人工智能領域中更具競爭力。
(作者單位:江蘇省鎮(zhèn)江第一中學)
編輯:陳鮮艷
作者簡介:馬騁(1981—),男,漢族,江蘇鎮(zhèn)江人,本科,中學一級,研究方向:高中信息技術教學。