Этап урока

Номер слайда

Комментарии для учителя

Дополнительные материалы

Организационный э Актуализация знаний.

Постановка цели и задач урока. Мотивация учебной деятельности учащихся. тап.

1-2, демонстрация сайтов, работа с интерактивной доской

Вся история человечества – это история раздвигания граней неизвестного. Одним из вечно спорных и до сих пор нерешенных вопросов человека к самому себе остается вопрос о возможности создания искусственного интеллекта.

Так или иначе, всем нам интересно узнать побольше о проблеме искусственного интеллекта.

Посмотрите на слайд, вы можете увидеть 2 стихотворения давайте попробуем определить авторов этих стихотворений:

1. Умирающий — в смятеньи.

Вновь, как тень, огни дрожат,

Вновь над бездною движенья —

Где-то далека душа...

Крик смертельный рядом, зыбкий,

Тлели в хрустале глаза,

Шелест мечется с улыбкой,

Где-то в чаще небеса. (Google бот)

2. В соседнем доме окна жолты.

По вечерам — по вечерам

Скрипят задумчивые болты,

Подходят люди к воротам.

И глухо заперты ворота,

А на стене — а на стене

Недвижный кто-то, черный кто-то

Людей считает в тишине. (А. Блок)

Данные стихотворения являются результатом обработки естественного языка. Человек учит компьютеры и наши гаджеты воспринимать и синтезировать человеческую речь. Но не менее важной является и другая область, связанная с развитием систем компьютерного зрения. Специалисты в области искусственного интеллекта учат машины извлекать информацию из изображений (а не просто распознавать изображения).

Сегодня огромные коллективы специалистов в области искусственного интеллекта трудятся на благо нашей безопасности тратя многочисленные ресурсы на распознавания лиц преступников в толпе, номеров машин при нарушении правил дорожного движения и т.д. (показать карту http://airussia.online/#titul)

Так например давайте проведем эксперимент и попробуем проверить сможет ли нейронная сеть определить какой рисунок вы нарисовали для этого воспользуемся сервисом https://quickdraw.withgoogle.com/ (запускаем игру на интерактивной доске и приглашаем одного ребенка).

Давайте подумаем, как происходит распознавание образов? Эти каракули являются уникальным набором данных, который может помочь разработчикам обучить новые нейронные сети, помочь исследователям увидеть закономерности в том, как люди во всем мире рисуют, и помочь художникам создавать вещи, которые мы еще не начали думать.

Примечание:

Презентация для проведения этого этапа урока представлена в документе

3

Сегодня мы с вами побываем в виртуальном IT корпорации, и попробуем применить наши знания в программировании на решение конкретной задачи - КАК человек научить машину распознавать рукописные числа …

Итак, какой же алгоритм для этого необходим?

Обобщение и систематизация знаний.

Подготовка учащихся к обобщенной деятельности. Воспроизведение на новом уровне

4-9 (работа с плакатами)

В основе данного приложения лежат глубинные нейронные сети.

Нейронная сеть – это математическая модель, состоящая из нескольких слоев элементов, выполняющих параллельные вычисления.

Глубинные нейронные сети состоят из нескольких слоев. Слои, что добавляет нейронным сетям глубину. Каждый слой набор определенных математических операций или алгоритмов.

Что может стать объектами обучения? (ответы - картинки, звуки, состояния организма и т.д.)

Давайте подумаем, каким образом происходит распознавание образов? (ответы учащихся – 1) Получить изображение, 2) Обработка, 3) сегментация (выделение цветом определенных значимых пикселей для объекта) с данным пунктом ребятам необходимо помочь).

Распознавание образов является одной из ведущих задач искусственного интеллекта, поскольку решение этой задачи помогает в различных областях деятельности человека. Давайте подумаем, где может использоваться данная система в реальной жизни? (ответы - например, распознавание лиц системой безопасности в метрополитене).

В процессе распознавания анализируются некоторые предметы, процессы или явления окружающего мира, которые мы будем называть объектами наблюдения. Общая задача образов состоит в нахождении объектов реальной природы, а именно изображения, символов, текстов, запахов, шумов. Именно поэтому важно научиться рационально использовать системами искусственного интеллекта различных ситуаций в окружающем мире. В распознавании образов применятся особые правила – методы, которые машина идентифицирует, т.е. определяет объекты наблюдения. Параметрами объектов могут быть как признаки, т.е. качественные значения, так и величины, т.е. количественные значения. В результате группы объекты, которые характеризуются одними параметрами группируются в некоторый класс.

Давайте рассмотрим 2 класса знакомых нам объектов кошки и собаки. Где кошки, это отдельный класс, обладающий общими параметрами и наглядно отличаются от собак. Объекты одного класса отличаются значениями параметрами, что делает возможным сортировку объектов по одному из параметров объекта, который называется ранжирование. Давайте подумаем кошек можно ранжировать? Попробуйте назвать конкретные значения этих параметров. (ответы учащихся)

Таким образом мы понимаем, что процесс обучения системы определяется 1) путем предъявления системе отдельных объектов и выделением определенных параметров 2) указанием принуждённости объектов тому или другому классу. При этом обучение распознаванию образов может быть реализовано как на основе экспертных систем с заполнением дата сетов человеком, так и на основе машинного обучения.

Чтобы интеллектуальная система решила задачу по распознаванию образов необходимо:

• найти отличительные черты объекта;
• сравнить их с содержимым дата сетов;
• определить принадлежность объектов к классам; ​
• выдать наиболее оптимальный результат.        

Любая нейросеть — это набор нейронов и связей между ними. Нейрон лучше всего представлять просто как функцию с кучей входов и одним выходом. Задача нейрона — взять числа со своих входов, выполнить над ними функцию и отдать результат на выход. Простой пример полезного нейрона: просуммировать все цифры со входов, и, если их сумма больше N — выдать на выход единицу, иначе — ноль.

Связи — это каналы, через которые нейроны шлют друг другу циферки. У каждой связи есть свой вес — её единственный параметр, который можно условно представить, как прочность связи. Когда через связь с весом 0.5 проходит число 10, оно превращается в 5. Сам нейрон не разбирается, что к нему пришло и суммирует всё подряд — вот веса и нужны, чтобы управлять на какие входы нейрон должен реагировать, а на какие нет.

Чтобы сеть не превратилась в анархию, нейроны решили связывать не как захочется, а по слоям. Внутри одного слоя нейроны никак не связаны, но соединены с нейронами следующего и предыдущего слоя. Данные в такой сети идут строго в одном направлении — от входов первого слоя к выходам последнего.

В реальном программировании, естественно, никаких нейронов и связей не пишут, всё представляют матрицами и считают матричными произведениями, потому что нужна скорость.

Рекомендации для учителя:

Скорее всего, личный опыт школьников позволит организовать беседу в диалоговом режиме с опорой на личный опыт школьников. 

Применение знаний и умений в новой ситуации. Практическая работа

Работа с файлом

zadacha.py или с сервисом, представленным в тексте colab.research.google.com

Давайте вспомним, что же из себя представляет изображение? (ответ – изображение – это набор пикселей. Разбив «обычный» рисунок на квадратики, мы выполнили его дискретизацию – разбили единый объект на отдельные элементы. Действительно, у нас был единый и неделимый рисунок – изображение ромба. В результаты мы получили дискретный объект – набор пикселей.)

Значит, изображение представляет собой матрицу, и нам необходимо будет выполнить сегодня обработку изображения, как матрицы. Что такое матрица? (ответ - Массив — это пронумерованная последовательность величин одинакового типа, обозначаемая

одним именем. Элементы массива располагаются в последовательных ячейках памяти, обозначаются именем массива и индексом. Каждое из значений, составляющих массив, называется его компонентой (или элементом массива).) 

Для этого давайте вспомним, какая команда в Python позволяет открыть файл работы?  (ответ – open) Какой метод подгружает изображение по его структуре? (ответ – load())Какой метод получает количество пикселей по ширине и высоте  изображения?(ответ – size )

Отлично, а если картинка представляет собой матрицу пикселей, то каким образом необходимо выполнить работу с каждым отдельным элементом (пикселем в ней)? (ответ – с помощью циклов) Какой цикл подойдет лучше всего? (ответ -  цикл for)

Любое изображение необходимо представить в более простом формате для компьютера. Что для этого нужно сделать? (ответ -  уменьшить количество цветов в палитре). Как это сделать? (ответ -  уменьшить значение основных цветов из 255)

Ответ:

image = Image.open('img3.jpg')

def swap_colors(img):

    pix = img.load()

    x, y = img.size

    for i in range(x):

        for j in range(y):

            r, g, b = pix[i, j]

            r, g, b = 255 - r, 255 - g, 255 - b

            pix[i, j] = (r, g, b)

В дальнейшем ребята разбиваются на группы по 2 человека, где пытаются восстановить код недостающей программы. Работа может быть построена дифференцированно (для ребят хорошо знакомых с языком Python можно попросить написать код самостоятельно с возможностью дальнейшей самопроверки, для ребят плохо знающих, подготовлена карточки с последовательностью уже готовых команд, которые им нужно расположить в правильном порядке и в дальнейшем воспроизвести в программе).

Ребята приступают к самостоятельной части написания кода на своих компьютерах в среду Python. В конце можно попросить кого-нибудь из ребят подключиться к облачному сервису - colab.research.google.com с уже готовой программой и вставить недостающий код в нее). Готовая программа для работы учеников (https://colab.research.google.com/drive/1QF6XlnCQmRjIMKsxonqpLbaFhwePhFP2#scrollTo=VwXyI0MynTVg

Версия для компьютера представлена в прилагаемом файле с расширением .py)

Рефлексия (подведение итогов занятия)

На данном занятии мы познакомились с вами с методологией распознавания прописным чисел с помощью машинного обучения. В конце занятия попрошу вас заполнить электронную форму https://forms.gle/Z3GNg9e5JFk5yGtk9.

Подведение итогов урока. Сообщение домашнего задания. Выставление оценок.

image = Image.open('img3.jpg')

def swap_colors(img):

pix = img.load()

x, y = img.size

for i in range(x):

for j in range(y):

r, g, b = pix[i, j]

r, g, b = 255 - r, 255 - g, 255 - b

pix[i, j] = (r, g, b)