資源簡介

(共31張PPT)
第7單元 第3課
驗證算法
（黔教版）五年級
下
1
核心素養(yǎng)目標
3
新知講解
5
拓展延伸
7
板書設計
2
新知導入
4
課堂練習
6
課堂總結
課后作業(yè)
8
01
核心素養(yǎng)目標
信息意識
計算思維
數(shù)字化學習與創(chuàng)新
信息社會責任
通過設計和推廣垃圾分類算法，可以幫助社會實現(xiàn)更高效的垃圾分類與回收，減少環(huán)境污染。
能夠快速獲取垃圾分類相關的研究資料和最新技術，利用現(xiàn)代深度學習框架（如TensorFlow, PyTorch等）進行模型設計和驗證。
通過圖像處理技術和深度學習模型將垃圾分類問題轉化為計算機可以處理的問題，能夠更有效地理解和優(yōu)化模型。
通過學習垃圾分類算法模型課程，增強了自己對信息技術及其應用的意識；還包括如何利用信息技術為社會做出貢獻。
02
新知導入
活動背景
如何利用計算機驗證算法呢
我們可以先用計算機“語言”描述算法。
算法設計完成后，可以通過計算機程序驗證是否可行。
02
新知導入
03
新知講解
活動1：驗證垃圾類型查詢算法
對于搜集到的垃圾分類數(shù)據(jù)，可以使用列表進行存儲(圖7-3-1)。列表是存儲和管理多個數(shù)據(jù)項的重要方式。
圖 7-3-1 列表存儲垃圾分類數(shù)據(jù)
03
新知講解
存儲和管理多個數(shù)據(jù)項還有很多種方法：
數(shù)組 (Array)：存儲多個相同類型數(shù)據(jù)項的集合，具有固定的大小。它們的優(yōu)勢是可以通過索引高效訪問特定位置的數(shù)據(jù)。適用于數(shù)據(jù)量小或已知大小的情況。
鏈表 (Linked List)：鏈表是一種動態(tài)數(shù)據(jù)結構，適用于數(shù)據(jù)項大小不確定的情況。每個元素（節(jié)點）包含數(shù)據(jù)和指向下一個元素的指針。鏈表的優(yōu)勢是插入和刪除操作比數(shù)組更高效，尤其是在中間位置操作時。
小科提示
03
新知講解
隊列 (Queue)：隊列是一種先進先出（FIFO）的數(shù)據(jù)結構，通常用于存儲臨時數(shù)據(jù)或需要按順序處理的數(shù)據(jù)項。例如，任務調度、緩沖區(qū)管理等場景。
棧 (Stack)：棧是一種后進先出（LIFO）的數(shù)據(jù)結構，適用于需要按反向順序處理數(shù)據(jù)的場景。例如，深度優(yōu)先搜索、遞歸函數(shù)調用等。
集合 (Set)：集合用于存儲一組唯一的數(shù)據(jù)項。通常用于去重和集合運算（如交集、并集等）的場景。
小科提示
03
新知講解
圖7-3-2所示程序實現(xiàn)了判斷是否為“可回收物”的算法，你能嘗試根據(jù)垃圾類型查詢算法流程圖(圖7-3-3)，完善程序并驗證整個算法嗎
圖 7-3-2 判斷是否為“可回收垃圾”的程序
03
新知講解
圖7-3-3 垃圾類型查詢算法流程圖
03
新知講解
還可以這樣做：提供模擬垃圾投放的場景，如果投放正確可以獲得積分。
模擬投放垃圾的算法是關鍵。程序的趣味性越強，越有助于大家熟悉垃圾分類的知識。
03
新知講解
模擬投放垃圾算法描述如下所示，應該如何編寫程序進行驗證呢
(1)準備4種垃圾箱角色、10種不同的廢棄物角色；
(2)新建“分數(shù)”變量，設置初始值為0；
(3)如果當前角色屬于其他垃圾，且碰到“其他垃圾”垃圾箱角色，顯示“正確”，得分加1，否則顯示“錯誤”。
(4)如果得分為滿分，顯示“挑戰(zhàn)成功”畫面，否則顯示“挑戰(zhàn)失敗畫面。
03
新知講解
活動2：驗證模擬投放垃圾算法
1.圖 7-3-4 為“餐巾紙”角色的代碼。運行開始，餐巾紙是可見狀態(tài);當角色被按住時，可以隨著鼠標指針移動;當角色被放開時，進行類型是否正確的判斷。如果分類正確，將變量“分數(shù)”增加1，并發(fā)送廣播“正確”顯示“回答正確”的圖片角色;如果分類錯誤，將發(fā)送廣播“錯誤”，顯示“回答錯誤”的圖片角色。你能嘗試完善全部垃圾角色的判斷程序嗎
03
新知講解
2.根據(jù)算法，當“分數(shù)”等于 10 時，顯示“挑戰(zhàn)成功”畫面(圖 7-3-5a);完成10次操作但“分數(shù)”不等于10時，顯示“挑戰(zhàn)失敗”畫面(圖7-3-5b)。在“背景”角色中編寫程序，你能完善挑戰(zhàn)失敗時的程序嗎
03
新知講解
3.嘗試運行模擬投放垃圾程序，檢查程序是否與算法一致(圖7-3-6)。
03
新知講解
程序編寫完成后，要檢查輸出結果與算法預期結果是否一致。調試是驗證算法是否正確的一種方法。調試時，首先要檢查能否輸出結果：得到運行結果后，還需要判斷結果是否正確；如果不正確，就需要檢查程序檢查在編寫時是否有錄入錯誤、邏輯錯誤等問題，并及時進行修改。
03
新知講解
根據(jù)模擬投放垃圾算法描述編寫程序進行驗證時的注意事項：
數(shù)據(jù)結構設計：根據(jù)模擬的需求選擇合適的數(shù)據(jù)結構。如果需要模擬垃圾桶的位置、容量、垃圾量等，可以使用數(shù)組、鏈表或字典等數(shù)據(jù)結構來管理這些信息。
隨機性和模擬精度：如果算法中包含隨機性（例如垃圾投放的時間間隔不固定），確保正確地模擬隨機過程。你可以使用隨機數(shù)生成函數(shù)（如Python中的`random`模塊）來模擬隨機事件。
小科提示
03
新知講解
邊界條件處理：模擬過程中，要特別注意邊界條件的處理。例如，垃圾桶容量是否會溢出，垃圾投放的時間間隔是否合適等。
性能考慮：如果模擬的規(guī)模較大，程序的效率也需要考慮。比如，可以避免過多的重復計算，或者使用適當?shù)乃惴▋?yōu)化來提升模擬的效率。
小科提示
04
課堂練習
一、選擇題
1、垃圾分類算法的準確率衡量指標中，哪個是衡量分類器輸出與實際標簽之間差異的標準？（ ）
A.召回率 B.F1值 C.精度 D.誤差率
2、垃圾分類算法中，哪種方法最適合處理缺失數(shù)據(jù)？（ ）
A.插值法 B.直接刪除缺失值
C.均值填充 D.隨機森林
C
A
04
課堂練習
3、在垃圾分類算法模型訓練時，通常會使用哪種評價指標來評估模型的分類效果？（ ）
A. 精確度 B. 召回率（Recall） C. F1分數(shù) D. 所有以上選項
二、判斷題
1、模型訓練過程中，過擬合問題在垃圾分類中不常見。（ ）
2、垃圾分類算法只需要考慮分類的精度，不用考慮模型的實時性。（ ）
3、在垃圾分類算法的驗證過程中，交叉驗證是提高模型泛化能力的一種有效方法。（ ）
D
X
X
√
04
課堂練習
三、操作題
研究并實現(xiàn)一種深度學習方法（如卷積神經(jīng)網(wǎng)絡CNN）用于垃圾分類任務。通過訓練數(shù)據(jù)集并優(yōu)化模型，比較深度學習方法與傳統(tǒng)機器學習算法的效果，給出具體實驗結果。
05
拓展延伸
一個完整的算法流程包括哪些板塊？
問題定義：明確算法需要解決的具體問題，確定輸入和輸出的格式。
算法設計：根據(jù)問題的需求設計合適的算法，包括選擇合適的算法思想（如貪心、動態(tài)規(guī)劃、回溯等）和具體實現(xiàn)步驟。
算法分析：分析算法的時間復雜度和空間復雜度，評估算法的效率和可行性。
編碼實現(xiàn)：根據(jù)設計的算法，編寫代碼實現(xiàn)。
05
拓展延伸
一個完整的算法流程包括哪些板塊？
測試與驗證：使用測試用例驗證算法的正確性和有效性。
優(yōu)化與改進：根據(jù)測試結果，優(yōu)化算法的效率或修復可能的錯誤。
文檔與報告：記錄算法設計、分析、測試等過程，撰寫技術文檔或報告，方便他人理解和復用。
05
拓展延伸
計算機驗證算法方式
實現(xiàn)算法：用編程語言（如Python、Java、C++等）實現(xiàn)所設計的算法。
設計測試用例：根據(jù)算法的功能和預期結果，設計多個測試用例，覆蓋各種邊界情況和常見情況。
自動化測試：編寫自動化測試腳本，使用一組輸入數(shù)據(jù)來驗證算法輸出是否符合預期。
05
拓展延伸
計算機驗證算法方式
性能測試：通過給算法輸入大規(guī)模數(shù)據(jù)，測試其時間復雜度和空間復雜度，驗證算法是否能夠在合理的時間和空間限制內運行。
調試與優(yōu)化：在驗證過程中發(fā)現(xiàn)算法中的錯誤或瓶頸后，進行調試和優(yōu)化。
05
拓展延伸
如何判斷自己設計的算法是否正確？
數(shù)學證明：通過數(shù)學推導或歸納證明算法的正確性。這種方法適用于理論性的算法，如排序、查找等。
測試用例：使用多種輸入數(shù)據(jù)進行測試，確保算法在不同情況下都能返回正確結果。測試用例應覆蓋常見情況、邊界情況和極限情況。
形式化驗證：使用形式化方法，如模型檢查或符號執(zhí)行，對算法進行嚴格驗證，確保算法的行為符合預期。
06
課堂總結
1
引入新知內容
驗證算法
2
驗證垃圾類型查詢算法
3
驗證模擬投放垃圾算法
4
完成課堂練習
5
進行相關知識拓展
1
2
3
4
5
07
板書設計
驗證算法
1、進行新知引入
2、驗證垃圾類型查詢算法
3、驗證模擬投放垃圾算法
4、完成課堂練習
5、進行知識拓展
課后作業(yè)。
1、完善和優(yōu)化所設計的算法內容。
08
課后作業(yè)
1、基于垃圾分類任務，分析算法的復雜度，特別是時間復雜度和空間復雜度，討論如何優(yōu)化算法以提高其效率。可以嘗試不同的優(yōu)化策略，如特征降維、算法加速等。
https://www.21cnjy.com/recruitment/home/fine

展開更多......

收起↑