(
课件网) 第七单元 第4课 深度学习的开端 清华版（中学） 通 1 学习目标 3 新知讲解 5 拓展延伸 7 板书设计 2 新知导入 4 课堂练习 6 课堂总结 课后作业 8 01 教学目标 （1）了解深度学习之父杰弗里·辛顿的成长经历及其伟大贡献。 （2）理解深度学习的基本原理，特别是层次性特征学习的重要性。 （3）探讨深度学习开启的大数据学习时代及其推动人工智能发展的意义。 02 新知导入 1. 深度学习的诞生背景 深度学习源于对传统神经网络局限的突破，旨在解决 特征自动提取 和 复杂模式识别 问题，摆脱人工设计特征的依赖。 02 新知导入 2. 杰弗里·辛顿的关键贡献 20 世纪 80 年代辛顿与他人共同完善反向传播算法， 2006年辛顿提出深度信念网络，推动了深层神经网络的实用化，为深度学习理论和实践奠定基础。 02 新知导入 3.深度学习的核心价值 技术突破 ：实现端到端学习，自动从数据中提取多层次特征； 应用影响 ：推动计算机视觉、自然语言处理等领域的跨越式发展，成为现代AI的核心驱动力。 03 新知讲解 1 辛顿的求学之路 1. 辛顿的学术背景与家族影响 出生于科学世家（曾曾祖父为布尔代数创始人乔治·布尔），自幼受科学熏陶，尤其痴迷于大脑工作机制的研究。 03 新知讲解 1 辛顿的求学之路 2. 求学与科研的曲折历程 从剑桥大学实验心理学转向神经网络研究，经历了学术方向探索与生活困境，最终在爱丁堡大学坚持攻读神经网络博士学位，对抗当时学术界的质疑。 03 新知讲解 1 辛顿的求学之路 3. 坚韧信念与历史性贡献 面对神经网络研究低谷，坚信“其他人错了”，其执着精神为后续深度学习突破（如反向传播、深度信念网络）埋下伏笔，最终成为AI领域里程碑人物。 03 新知讲解 1. 神经网络研究的低谷背景 20世纪60年代末，闵斯基的《感知器》揭露了感知器的线性可分局限，导致神经网络研究陷入低谷，大量研究者转向符号方法或其他领域。 2 多层神经网络 03 新知讲解 2. 辛顿的坚持与BP算法突破 辛顿拒绝放弃，于1986年提出 反向传播（BP）算法 ，成功训练多层神经网络，解决线性不可分问题，首次挽救神经网络研究。 2 多层神经网络 03 新知讲解 3. BP算法的理论价值与应用局限 理论贡献 ：证明单隐藏层网络可逼近任意连续函数； 实践短板 ：训练易陷局部最优，性能不稳定，难以达到理论潜力。 2 多层神经网络 03 新知讲解 4. 支持向量机（SVM）的竞争冲击 1995年SVM凭借 全局最优解 和稳定性能碾压神经网络，导致神经网络研究再度边缘化，凸显BP算法的实践缺陷。 2 多层神经网络 03 新知讲解 5. 辛顿的长期目标与后续方向 BP算法虽复兴了神经网络，但辛顿的终极目标是 模拟生物智能 ，而非仅解决分类问题，这推动他后续探索深度学习。 2 多层神经网络 03 新知讲解 3 深度学习的开端 1. 2006年的突破：深度信念网络与预训练 辛顿在《自然》发表论文，提出用 受限玻尔兹曼机（RBM） 逐层预训练提取层次特征（如从线条到人脸轮廓），解决了深层网络训练难题，开启深度学习革命。 03 新知讲解 3 深度学习的开端 2. 层次化特征学习的核心思想 突破“神经网络即函数拟合”的传统观念，强调 特征层次性 ，由低到高、从局部到语义，模拟人类感知系统的信息处理机制。 03 新知讲解 3 深度学习的开端 3. 深度学习的本质与时代意义 深度学习的核心是通过大数据与复杂模型实现高效学习，并作为大数据时代的“第一声号角”重新定义了机器智能的边界。 03 新知讲解 3 深度学习的开端 4. Transformer架构的革新性影响 2017年提出的Transformer凭借 自注意力机制 ，极大提升了序列建模能力，如语言、视频，推动AI进入 大模型时代 ，接近通用智能。 03 新知讲解 3 深度学习的开端 5. 规 ... ...
