En AI-baserad digital lärarassistent

Lektion. Gy. Artificiell intelligens 1 – Djupdykning i neuralnätverk

Lektionsplanering

Årskurs: Gymnasiet
Ämne: Artificiell intelligens 1
Tema: Djupdykning i neuralnätverk

Koppling till styrdokument

Centralt innehåll

Undervisningen ska fokusera på grundläggande koncept och tekniker inom neuralnätverk, inklusive deras struktur, hur de tränas samt hur de tillämpas i olika AI-områden. Eleverna ska även lära sig om olika typer av neuralnätverk, såsom feedforward-nätverk och konvolutionella nätverk, samt grunderna för djupinlärning.

Kunskapskrav

Eleven visar förmåga att förklara och analysera neuralnätverks funktion och struktur samt kan tillämpa kunskapen för att lösa praktiska problem inom AI. Eleven kan också diskutera skillnader mellan olika typer av neuralnätverk och deras användningsområden.

Lärarledda instruktioner

Introduktion till neuralnätverk (10 min)

Förklara vad neuralnätverk är och hur de fungerar som inspiration från biologiska nervsystem. Diskutera grundbegrepp som noder, vikter, aktiveringsfunktioner och lager. Presentera skillnaden mellan vanliga algoritmer och neuralnät.

Typer av neuralnätverk (15 min)

Beskriv olika typer av neuralnätverk, såsom feedforward-nätverk och konvolutionella nätverk (CNN). Ge exempel på tillämpningar för olika nätverkstyper, t.ex. bildigenkänning med CNN. Diskutera hur olika arkitekturer påverkar prestationen i specifika uppgifter.

Träning och bruttoresultat (15 min)

Förklara hur neuralnät tränas genom att justera vikterna baserat på förlustfunktioner och backpropagation. Demonstrera hur man validerar och testar ett tränat nätverks prestanda. Diskutera vikten av överanpassning och metoder för att undvika detta.

Sammanfattning och reflektion (10 min)

Sammanfatta nyckelkoncepten från lektionen. Låt eleverna reflektera över betydelsen av neuralnätverk inom AI och dess praktiska tillämpningar. Öppna för frågor och diskussion.

Aktivitet

I grupper om tre arbetar eleverna med att designa ett enkelt neuralnätverk för ett valt problem, till exempel att klassificera bilder eller att förutsäga ett resultat. De ska skissa upp nätverksstrukturen, välja en aktiveringsfunktion, och motivera sina val. Beräknad tidsåtgång: 20 minuter.

Exit-ticket

Vad är ett neuralnät och hur skiljer det sig från traditionell programmering? Svar: Ett neuralnät är en algoritm som efterliknar hur hjärnan fungerar för att lära sig från data, medan traditionell programmering använder explicita instruktioner för att utföra uppgifter. Nämn en typ av neuralnätverk och dess användningsområde. Svar: Konvolutionellt neuralnätverk (CNN) används ofta för bildigenkänning. Vad innebär aktiveringsfunktioner? Svar: Aktiveringsfunktioner bestämmer om en neuron ska aktiveras eller inte baserat på den vägda summan av ingångarna. Förklara vad backpropagation är. Svar: Backpropagation är en algoritm för att justera vikter i ett neuralnät för att minimera fel i förutsägelser under träning. Vad kan vara en risk med att använda för komplexa neuralnätverk? Svar: Risk för överanpassning, vilket innebär att nätverket presterar bra på träningdata men dåligt på nya, osedda data.

Hemläxa

Skriv en reflektion (300-500 ord) om neuralnätverk och deras betydelse inom artificiell intelligens. Ta upp specifika typer av neuralnätverk och ge exempel på tillämpningar i verkligheten.

Fördjupningsuppgift

Välj ett specifikt neuralnätverk (t.ex. CNN eller RNN) och genomför en detaljerad analys av dess struktur och funktioner. Skapa en rapport där du redogör för hur det används i en verklig applikation och dess fördelar och nackdelar.

Förslag för nästa lektion

Praktisk tillämpning av neuralnätverk. I nästa lektion kan vi fokusera på praktiska övningar där eleverna får implementera och träna ett enkelt neuralnätverk med hjälp av programvara som TensorFlow eller Keras. Vi kan gå igenom hela processen, från dataförberedelse till utvärdering av nätverkets prestation. Denna lektion ger eleverna en konkret förståelse för hur neuralnätverk tillämpas och fungerar i praktiken.

Förberedelser

Förbereda programvara (t.ex. TensorFlow, Keras) och se till att alla har tillgång till den. Skapa dataset som eleverna kan använda för att träna sina neuralnätverk. Förbereda exempel på kod och vägledning för hur man bygger ett neuralnätverk.


×