3.4博弈决策 教案（表格式）-高中教学同步《信息技术-人工智能初步》（人教-中图版2019）

《信息技术-人工智能初步》教案 课 题 3.4博弈决策 课 型 班课 课 时 1 授课班级 高一1班 学习目标 3.4.1 博弈决策的发展历程 理解人工智能在博弈决策领域的里程碑事件，如萨缪尔的国际跳棋程序和IBM的“深蓝”。 探讨为什么即使机器在一些棋类比赛中超越人类，研究如围棋这样的复杂游戏仍然具有重要性。 了解“深蓝”如何利用已知的开局和收官棋谱，采用穷尽所有可能性的方法算出最佳走棋法而获胜，以及这种方法的局限性。 学习阿尔法围棋智能程序如何结合蒙特卡罗树搜索算法与强化学习完成弈棋，并了解其训练过程的基本原理。 3.4.2 强化学习及其应用 认识到强化学习在各种学科中的普适性和威力，特别是在解决复杂决策问题中的作用。 通过婴儿学习走路的例子，理解强化学习的基本概念和组成部分（智能体、环境、奖励、惩罚、状态、动作）。 介绍Q-学习算法作为强化学习中的一种典型算法，并解释其在未知环境模型中的应用。 认识到深度Q网络如何解决输入量巨大情况下Q-学习算法的挑战，特别是其在处理庞大状态空间上的优势。 了解蒙特卡罗树搜索算法及其在阿尔法围棋中快速评估棋面位置价值的应用，认识其结合随机模拟和树搜索的特点。 学习重难点 教学重点： 3.4.1 博弈决策的发展历程 重点理解：人工智能在博弈决策领域的里程碑事件，如萨缪尔的国际跳棋程序和IBM的“深蓝”。 重点掌握：阿尔法围棋结合蒙特卡罗树搜索算法和两个深度神经网络来完成弈棋的原理。 重点分析：强化学习及其与深度学习的结合，在解决复杂决策问题中的威力。 3.4.2 强化学习及其应用 重点介绍：强化学习的基本概念、原理和组成部分。 重点探讨：Q-学习算法和深度Q网络在处理庞大状态空间上的应用。 重点了解：蒙特卡罗树搜索算法及其在快速评估棋面位置价值中的应用。 教学难点： 3.4.1 博弈决策的发展历程 难点理解：机器已经在一些棋类比赛中超越人类，但仍需要研发其他棋类比赛机器人的原因。 难点分析：围棋的搜索空间和计算量为何使得研究人机围棋对弈更具有挑战性。 3.4.2 强化学习及其应用 难点掌握：强化学习在多学科中的广泛应用及其普适性。 难点深入：Q-学习算法的核心原理以及如何通过Q函数最大值选择最大化未来回报的“动作”。 难点应对：深度Q网络如何解决状态空间庞大的问题，特别是在视频游戏和其他高维输入领域的挑战。 教学方法 3.4.1 博弈决策的发展历程 案例教学法：通过智力游戏如国际跳棋和国际象棋的具体案例，引入人工智能的发展历史，让学生了解人工智能如何逐步超越人类在特定领域的能力。 讲授法：解释超级计算机“深蓝”击败国际象棋世界冠军的事件，以及阿尔法围棋击败人类围棋冠军背后的技术原理，帮助学生理解算法的基本工作机制。 探究学习法：鼓励学生探讨为什么即便机器在某些棋类比赛中超越人类，研究如围棋这样更复杂的游戏仍然具有挑战性和必要性。 3.4.2 强化学习及其应用 图示法：使用图表和流程图（如图3.4.2和图3.4.3）来展示阿尔法围棋的基本原理和强化学习的核心概念，帮助学生直观理解复杂理论。 案例分析法：通过阿尔法围棋机器人战胜世界冠军的案例，深入讨论强化学习的威力和应用，特别是在处理复杂决策问题中的角色。 讨论法：引导学生讨论强化学习的思想、原理以及在不同学科中的应用，例如自动驾驶、博弈论等，促进对强化学习普适性的理解和认识。 实验法：可能的话，设计简单实验或模拟（如Flappy Bird游戏实例），让学生亲自体验Q-学习算法和深度Q网络在解决问题中的运用，加深对理论与实践结合的理解。 课前准备 3.4.1 博弈决策的发展历程 历史材料收集：搜集关于人工智能在博弈决策领域的发展历史资料，特别是与国际跳棋、国际象棋和围棋相关的背景信息。 案例准备：准备智力游戏案例， ... ...