机器人公开课教案

机器人公开课教案（精选8篇）

机器人公开课教案 篇1

《机器人》

郭洋

教学目标：

1、知识与技能：了解机器人的相关知识。

2、过程与方法：能用身边的材料做一个机器人。

3、情感、态度和价值观：启发学生对科学技术发展的关注，激发学生热爱科学的热情，培养学生的创新精神。教学重点：

了解机器人的种类、特点和功能。教学难点：

利用身边材料设计制作机器人。教学准备：

课件、图片和制作需要的材料。教学过程：

一、情景激趣导入：

1、有一个小家伙来到了我们这里，看看它是谁？师手里拿着已经准备好的机器人，展示给你大家。你们喜不喜欢？

2、出示课题。

二、新授、欣赏、感知

1、师提问：那么什么是机器人？根据你的理解小组讨论一下吧。小组讨论。讨论完毕，生回答。

2、看来大家对机器人的了解可真不少啊？老师呢给大家带来了一个短片，我们来更进一步的认识机器人。在看短片之前，仔细听短片的语言描述，找出什么是机器人。播放视频，学生认真观看。

3、视频播放完毕，师问：那什么是机器人呢？出示机器人定义，生齐读。机器人是从事有用活动的机器并具有自主行为能力。

4、我们已经知道了什么是机器人，那么我们来了解一下机器人有那些种类吧。播放视频，学生认真观看。师提问，机器人有那几种？学生回答。师出示相应的类型。

5、那么大家想一想机器都是人的样子吗？机器人能帮助人做什么？小组讨论并回答。

6、下面我们一起进入到机器人的世界去一探究竟吧。出示各种各样的图片。学生认真观看。

7、机器人的世界可真是丰富多彩啊，它们能做许许多多事情，它们可真是强大。下面我们欣赏一下同学们是怎样表现机器人的。出示作品。学生认真观看。

8、作品欣赏完毕后，师语，同学们用彩色画笔画出了五彩斑斓的机器人世界，老师要用另一种方法来展现机器人，大家看，老师手里拿的什么啊？接下来老师就用手中的夹子给大家示范一个机器人吧，大家想不想看？按步骤边讲解边示范。学生认真观看。

三、学生创作，教师指导

1.示范完毕后，师语，老师这个机器人的名字叫长臂救援机器人，它的功能可以救援高处处于危险的人。老师的已经做好了，估计你们呀已经迫不及待了，大家想不想做？在做之前呢，你要想一想，要做一个什么样的机器人，都有哪些功能，还要给机器人起一个响亮的名字，好，现在组内交流。交流完毕，开始创作。老师看谁制作的机器人最神气，本领最大！

2.学生开始创作，老师巡视指导。

四、作品评价，小结本课

1.老师选出学生作品，让学生介绍自己的作品，再进行学生评价，老师再做出总评。师总评。同学们发挥自己的想象力，利用自己的小巧手创造出一个个鲜活有趣而富有个性的机器人，老师为你们点个赞。

2.通过这节课你有哪些收获？看来大家的收获还不少啊。3.师总结：通过本节课的学习，同学们初步了解了机器人的相关知识，基本掌握了制作机器人的方法，回家以后，大家可以使用多种材料继续创造机器人。因为生命在于创造，生命在于努力。

机器人公开课教案 篇2

【知识与技能】

1.学习诵读诗歌, 分清节奏, 读出感情。

2.识记“缥缈、定然、闲游”等词语, 品味诗歌语言。

3.理解联想和想象手法的作用, 把握诗歌内容。

【过程与方法】

1.运用默读, 快速了解内容;运用朗读, 读准语气, 体会感情;自由诵读, 当堂背诵。

2.通过“自主、合作、探究”学习, 初步培养联想和想象的能力。

【情感、态度与价值观】

体会诗人对自由幸福生活的向往和追求, 启发学生珍惜今天的美好生活。

[教学重点、难点]

重点:反复诵读, 品味语言, 把握内容。

难点:理解诗歌中联想和想象的作用。

[教法和学法导航]

教法:导学法、创设情境法、交流点拨法。

学法:诵读法、联想想象法、小组探究法。

教学时间:一课时。

[教学准备]

老师:准备课文朗读视频, 收集作者资料, 查找想象、联想的有关知识, 充分预设课堂。

学生:1.查阅写作背景, 了解牛郎织女传说。

2.朗读预习, 扫除字词障碍。

[教学过程]

一、学法导入

同学们, 老师很喜欢读诗, 你们喜欢吗?“诗以言志”, 诗歌是用来表达诗人的思想感情的, 是诗人心灵世界的呈现。今天, 我们走近诗人郭沫若, 去感受他笔下《天上的街市》的美妙神奇。

读诗首先要了解诗人及写作背景。心中有作者, 才能更好地把握诗歌内容。同学们课前查阅了资料, 老师看大家对诗人郭沫若了解多少。

(学生介绍, 小组相互检查)

教师投影补充:

郭沫若 (1892-1978) , 原名郭开贞, 四川乐山人。我国现代著名诗人、剧作家、学者。中国新诗的奠基人, 代表作有诗集《女神》《星空》, 话剧《屈原》等。

写作背景:《天上的街市》选自诗集《星空》, 写于1921年10月24日, 当时“五四”运动的洪波已经消退, 但半殖民地半封建的中国依旧处于军阀混战、列强掠夺、民不聊生的黑暗中。面对现实, 诗人感到失望和痛苦, 他痛恨黑暗的现实, 向往光明的未来, 因此, 写下这首充满浪漫色彩的著名诗篇。

二、初读感知

1.默读, 初步了解内容。 (导学:抓诗题, 快浏览, 写什么?找名词。怎么写?找动词、形容词)

2.朗读, 体会思想感情。 (导学:读准字音, 分清节奏, 把握基调)

播放朗读视频, 教师指导朗读, 学生朗读展示。

3.自由诵读, 小组竞赛, 看谁背得快。 (导学:理清思路, 抓关键词)

三、再读品析

1.品析诗歌精练的语言。 (小组合作交流, 老师点拨)

第一节:比较两组动词“明”———“现”“闪”———“点”。

后三节:“缥缈、定然、珍奇、闲游”等词语的含义及作用。

2.感受诗歌美妙的意境。 (学生展示)

创设情境让学生想象画面, 描述画面, 概括画面。

三幅画面:街灯明星辉映图、天上美丽街市图、牛郎织女闲游图。

3.感受诗歌情感美。

通过以上环节, 学生能把握诗歌美好、恬静的感情基调;能感受诗人对美好生活的向往和追求。再次指导朗读, 要求节奏不宜强, 声音不宜大, 速度不宜快, 要做到轻松、柔和、舒缓。

四、合作探究

同学们的朗读深深打动了老师的心, 这真是首美妙神奇的诗歌。我们一起来探究它的美妙神奇。提出探究问题:联想和想象表现手法的运用。 (投影)

1.作者由街灯想到明星, 它们有什么相似点?从地上写到天上主要运用了什么手法?谈谈你对联想和想象表现手法的认识。

2.诗中牛郎织女的生活跟民间传说有什么不同?为什么这样写?

(小组讨论交流, 汇报探究成果, 老师评价补充)

答案:

1.发光发亮联想和想象

教师补充:联想指由一事物想到与之相关或相似的另一事物。想象则是指对已知的事物形象进行加工, 创造出新的形象的心理过程。

板书:街灯———明星———天上街市———物品———天河———牛郎织女

2.通过比较得出:诗人创造牛郎织女的幸福生活的图景, 就是为了表达对自由幸福美好生活的向往与追求这一主题。

(老师和同学们一起有感情背诵, 感受诗人的美好情怀)

五、拓展训练

1.思维训练题:写出由“天空”联想到的事物, 要求五个以上。

2.仿照续写题:发挥你的联想和想象, 续写句子。

示例:天上的明星现了, 好像点着无数的街灯。

月光照在地上, ……

(以小组竞赛的方式, 竞选答案, 要求学生课后做整理积累笔记)

六、课堂小结

《囚绿记》公开课教案 篇3

【摘要】同学们，顾城有诗云：黑夜给了我黑色的眼睛，我却用它来寻找光明。今天，让我们带着慧眼一起去寻找那抹绿，共同走进陆蠡的《囚绿记》。

【关键词】公开课；教案；《囚绿记》；绿

【中图分类号】G632 【文献标识码】A

教学目标：1.有感情朗读课文，体会文章的内涵；2.学习本文托物言志的象征手法；3.联系当时的社会环境，明确作者在抒写对绿的挚爱之情中，表达对生命、对爱，对光明、自由的向往，对坚贞不屈的抗敌精神的歌颂。教学重难点：理解绿的象征意义，感受优秀作品恒久的生命力。教学方法：诵读感知、读写品悟。课时安排：一课时。教学准备：早自习预习、电子白板、ppt。教学过程：

一、导入

同学们，顾城有诗云：黑夜给了我黑色的眼睛，我却用它来寻找光明。今天，让我们带着慧眼一起去寻找那抹绿，共同走进陆蠡的《囚绿记》。

二、整体感知：检查早自习预习情况

1.文题中“绿”指什么？（常春藤）2.题目为“囚绿记”，课文中哪几段是写“囚绿”？“囚绿”之前、之后主要写了哪些内容？请用两个字概括。（寻绿（1—4）观绿（5—7）囚绿（8—12）放绿（13）怀绿（14））3.作者囚绿后放绿，放绿后又怀绿，这矛盾的表现流露作者的什么情感？（喜爱绿）

三、讲析课文

（一）学习囚绿（8—12段），齐读，完成下面两道题目

1.爱绿为什么囚绿呢？圈出相关句子来读读。2.请大家圈出描写“绿囚”的语言，读一读。看看绿枝条发生了什么样的变化？突出绿枝条什么特点？在“绿囚”变化过程中作者心情如何变化的？

答案：我拿绿色来装饰我这简陋的房间，装饰我过于抑郁的心情。我要借绿色来比喻葱茏的爱和幸福，我要借绿色来比喻猗郁的年华。我囚住这绿色如同幽囚一只小鸟，要它为我作无声的歌唱。

研读重点词语：“装饰”、“葱茏”、“猗郁”。（装饰，安慰；葱茏、猗郁本指草木茂盛，这里移用，表现爱与幸福年华的丰富。）（绿的枝条悬垂在我的案前了。它依旧伸长，依旧攀缘，依旧舒放，并且比在外边长得更快。可是每天早晨，我起来观看这被幽囚的“绿友”时，它的尖端总朝着窗外的方向。甚至于一枚细叶，一茎卷须，都朝原来的方向。它渐渐失去了青苍的颜色，变得柔绿，变成嫩黄；枝条变成细瘦，变成娇弱，好像病了的孩子。）（绿枝条由生机勃勃变得嫩黄细瘦娇弱，颜色与形态发生了巨大的变化。）（向往光明，不屈服于黑暗）

重点句子研读：“它的尖端总朝着窗外的方向。甚至于一枚细叶，一茎卷须，都朝原来的方向”，体味作者的用意。（生的欢喜——不快——渐渐不能原谅我的过失——可怜、恼怒）

（二）学习（1—6段），自由诵读，完成三个任务

请找出相关句子读读。1.我住在什么样的房子里？对这样的房子我却怀着一种喜悦，毫不犹疑的决定下来，是什么原因呢？2.为什么如此爱绿呢？3.哪些句子表现我对见到绿的急迫心理？4.这种急迫的心情暗示什么？并找出相关词句来证实。

答案：圆窗外面长着常春藤。当太阳照过它繁密的枝叶，透到我房里来的时候，便有一片绿影，我便是欢喜这片绿影才选定这房间的、绿色是多宝贵的啊！它是生命，它是希望，它是慰安，绿色是多宝贵的啊！

重点句子朗读研读：“绿色是多宝贵的啊！它是生命，它是希望，它是慰安，它是快乐。”注意重音，理解象征意义。从哪里可看出作者需要慰安？（我怀念着绿色把我的心等焦了。我怀念着绿色，如同涸辙的鱼盼等着雨水！我急不暇择的心情即使一枝之绿也视同至宝。）（暗示作者境遇不佳，他的生活缺乏绿色，缺乏希望，缺乏慰安，缺乏快乐，生活在举目无亲的北平，正需要用绿色来安慰自己的眼睛，象征生命与快乐的绿成了作者唯一的朋友。“我疲累于灰暗的都市的天空和黄漠的平原”、“在这古城中我是孤独而陌生”、“困倦的旅程和已往的许多不快的记忆”）齐读5—6段。

（三）学习（13—14段），老师范读，完成下面问题

1.发生了什么事让作者提早释放了绿纸条。（卢沟桥事变，日本全面侵华）2.在绿枝条上，作者赋予了怎样的精神内涵呢？（这永不屈服于黑暗的囚人）3.这种精神内涵与我们民族的哪种精神相同呢？（自强不息 向往自由 向往光明 不屈不挠。作者赞美绿色，就是在赞扬中华民族忠贞不屈的抗敌精神）4.作者怀念绿，还怀念了什么？（怀念北平的人民、沦陷区的人民、日寇铁蹄下的同胞。或者说怀念和平安静的生活）

（四）总结

作者用绿的特点来象征中华民族在强敌入侵下的永不屈服的抗争精神，其实这种精神也是陆蠡精神的体现。

补充：巴金赞扬他说：“古圣贤所说‘富贵不能淫，贫贱不能移，威武不能屈，圣贤可以当之无愧。” 1942年4月，陆蠡发往西南的抗日书籍在金华被扣，日本宪兵队追踪到上海，查封了书店，没收了全部《文学丛刊》。陆蠡不顾胞妹的劝阻，亲自去巡捕房交涉，便遭关押。后被解到汪伪政府所在的南京审讯，敌宪问：“你赞成南京政府吗？”陆蠡说，“不赞成！”敌人又问：“日本人能否征服中国？”回答依然是：“绝不可能！”7月21日临刑时，年仅34岁。“文如其人，人如其文”。陆蠡，一介书生，在生死面前所体现的硬气和浩然正气，就是中华民族不屈不挠精神，他用自己的笔书写这样一种精神，用自己的献血来印证这种精神，令我们都深深感动。

探讨：本文通过描绘一种事物来表达作者的思想感情，这种事物被赋予象征意义，写作上是什么手法？我们所学哪些课文采用这种手法？学生自由讨论（托物言志）。

（五）课堂迁移

同学们，绿色到处都有，在生活中我们不是缺少绿色，而是缺少发现绿的眼睛，希望大家用眼睛去观赏，去体味，去感悟，让生命之绿、希望之绿、慰安之绿、快乐之绿充盈我们的生活。你能举出一些被人生的苦难“囚住”了但“永远向着阳光生长”的“常春藤”吗？学生自由讨论。

机器人公开课教案 篇4

高中语文公开课教案-高中语文公开课教案

高中语文公开课教案  每天学习1小时，30天说一口流利的`英语!4天记忆1000单词，30天轻易突破中小学英语、四六级、商务英语、GRE。适合于各类想学英语的人群！ 中国最领先的英语学习。点击进入>>高中语文公开课教案 你能想象吗？用100万倍的记忆力来学习英语，将是怎样一种震撼！也许.....你可以成为这项重大突破的最大受益者！点击进入>>  20最火爆的英语学习方法！ 激活100万倍英语记忆潜能，使英语就像录音一样永久储存于右脑中，绝对的英语语感，像母语一样使用英语！ 点击进入>>  高中语文公开课教案

机器人公开课教案 篇5

Andrew Ng 监督式学习

让我们开始先讨论几个关于监督式学习的问题。假设我们有一组数据集是波特兰，俄勒冈州的47所房子的面积以及对应的价格

我们可以在坐标图中画出这些数据：

给出这些数据，怎么样我们才能用一个关于房子面积的函数预测出其他波特兰的房子的价格。

为了将来使用的方便，我们使用x表示“输入变量”（在这个例子中就是房子的面积），也叫做“输入特征”，y表示“输出变量”也叫做“目标变量”就是我们要预测的那个变量（这个例子中就是价格）。一对（x,y）叫做一组训练样本，并且我们用来学习的---一列训练样本｛（x,y）；i=1，„，m｝--叫做一个训练集。注意：这个上标“（i）”在这个符号iiiiii表示法中就是训练集中的索引项，并不是表示次幂的概念。我们会使用χ表示输入变量的定义域，使用表示输出变量的值域。在这个例子中χ=Y=R

为了更正式的描述我们这个预测问题，我们的目标是给出一个训练集，去学习产生一个函数h：X→ Y 因此h(x)是一个好的预测对于近似的y。由于历史性的原因，这个函数h被叫做“假设”。预测过程的顺序图示如下：

当我们预测的目标变量是连续的，就像在我们例子中的房子的价格，我们叫这一类的学习问题为“回归问题”，当我们预测的目标变量仅仅只能取到一部分的离散的值（就像如果给出一个居住面积，让你去预测这个是房子还是公寓，等等），我们叫这一类的问题是“分类问题”

PART I Linear Reression 为了使我们的房子问题更加有趣，我们假设我们知道每个房子中有几间卧室：

在这里，x是一个二维的向量属于R。例如，x1i就是训练集中第i个房子的居住面积，i是训练集中第i个房子的卧室数量。（通常情况下，当设计一个学习问题的时候，这些输x22入变量是由你决定去选择哪些，因此如果你是在Portland收集房子的数据，你可能会决定包含其他的特征，比如房子是否带有壁炉，这个洗澡间的数量等等。我们以后可能会涉及到更多变量的问题，现在我们先按照给定的变量的讲解。）

为了完成监督是学习，我们必须决定怎么样去描述我们的函数/假设 h 在计算机中。有一个最初的选择，我们把y近似的看成是x的一个线性函数：hx01x12x2 在这里，θ(i)是参数（也叫做权重）是y关于x的线性函数之间的参数。当y与x之间没有其他影响因素的时候我们将会舍弃下标θ，通常写为h(x)。为了简化我们的标注，我们习惯上令x0=1（这个是截距），因此可以写成

右边的θ和x都是向量并且这里n是输入的变量的个数（不是计算x0的个数）。

现在给定一个训练集，我们怎么选择、学习、计算权重θ？一个合理的方法类似与让hx尽可能的接近于y，至少对于我们所训练的数据都是适合的。使这个近似形式化，我们定义一个测量函数去记录对于每一个θ，h(x(i))有多接近于y(i)。我们定义一个代价函数

如果你以前了解过线性回归，你会认出这个和最小二乘法比较近似。不管你以前是否看过他，让我们继续，并且我们最终会证明这个知识众多的算法大家庭中的一个特例而已。LMS algorithm(Least Mean Square 最小均方差算法)我们想去选择一个θ使得J(θ)取的最小值。为了这样做，我们用一个寻找算法给θ赋一个初值（随机的），然后不断的重复改变θ的大小以便是J(θ)更小，直到我们找到一个θ是的J(θ)达到我们期望的最小值。特别的，我们考虑“梯度下降算法”，用下面这个公式寻找θ。

（这个更新过程同时的对所有的j=0…n执行）α表示“学习速率”。这是一个自然算法，反复的对J在减小的方向上迈出一大步直到最小。

为了执行这个算法，我们需要做的工作就是计算出等号右边的偏导数。首先我们计算出一组（x，y）样本的偏导数，这是我们可以先忽略掉对J的求和。（运用求导定律很容易就能求出导数）

对于单一的训练样本，这里给出了更新的规则：

这个规则就叫做LMS更新规则（LMS是least mean squares的缩写）也被叫做Widrow-Hoff（就是Widrow和Hoff这两位大仙发明的这个算法。参考链接：http://baike.baidu.com/link?url=bmZNDF9xV8GMtSE_rk9eV_9UbE9wGrnAdYqyf876U3Lf4IKfkRZVCoACvxF2dm1zmRDu1UUYzW9nQs-8oPWhu_）学习规则。这个算法有几个自然的和直观的特性。例如，更新的量级正比于误差项

(y(i)− h_(x(i)))；因此，当我们遇到一组训练样本的预测值非常接近他的真实值的时候，我们会发现在更新过程中权重项基本不变；相反的这个权重项会有一个大的变化当我们的预测值hθ(x(i))有大的误差的时候（例如预测值和真实值y(i)差别非常大的时候）

我们推断出了当有一个训练样本是的LMS算法。我们有两种方法可以让这个算法去适应多于一个训练样本的例子。第一种是用下面这种算法替换:

可以很容易的证明上述的更新规则算法的运算量仅仅是

J()（对J的初始化定义）。j因此这是一个简单的梯度下降算法对于原始成本函数J。这个方法注重每一个训练样本在训练过程中的每一步，所以也被叫做“批量梯度下降”。注意，梯度下降算法容易受到局部最小值的影响，这个优化问题我们对于线性回归算法只有一个目标就是找到最合适的，因此梯度下降算法总是收敛于全局最小值。（将设学习率α不是很大）实际上，J是一个凸函数。这里我们有一个梯度下降算法的例子，是使这个二次函数取得最小值。

B

这些椭圆表示了这个二次函数的等高线。这个紫色的线条表示的是取得最小值的轨迹，T初始化（48，30）。这个X标识出来在图中在梯度下降算法计算出的每个θ值，并且用实线连接起来。

当我们运行批量梯度算法去计算θ在我们以前的数据集去估计房子的价格使用房子的价格和房子面积的函数，我们得到0=71.27，1=0.1345.如果我们把 h(x)当作x（面积）的函数，使用训练样本中的数据，我们能得到下面这张图：

如果卧室数量也被当作一组输入变量，我们得到0=89.60，1=0.1392，2=-8.738.上面这些结果都是我们使用批量梯度算法得到的。对于批量梯度算法算法可以有其他的选择使他更好的预测。考虑一下下面这个算法：

在这个算法中，我们重复的使用梯度下降算法在训练样本中，并且每一次我们遇到一个训练样本，我们更新这个权重仅仅根据每一次对训练样本训练的梯度误差。这种算法叫做“随机梯度下降法”（也叫做增量梯度下降法。）然而批量梯度下降法必须要扫描全部的训练集在进行每一步之前----一个多余的操作如果m特别大的话----随即梯度下降算法可以随时开始，并且可以继续进行下一步在他跟踪的样本上。一般情况下，随即梯度下降算法会比批量梯度算法更快的使的θ“接近”最小值。（注意虽然根本不可能收敛到最小值，并且这个权重θ会一直震荡在使的J(θ)取得最小值的θ的附近；但是实际上大多数在最小值附近的值已经可以取了，已经可以近似的使函数取得最小值了）。更多的原因，特别是当这个训练集很大的时候，随即梯度下降算法通常是优先选择相对于批量梯度算法。The normal equations 梯度下降法给出了一种方法最小化J。让我们讨论另一种方法最小化J，这个算法明确的求解最小化并且不依赖于迭代算法。使用这种方法，我们通过计算J的导数来最小化J并且使他们等于0。为了不在运算过程中写过多的代数和大量的矩阵，这里对使用的计算矩阵的符号做一些介绍。

2.1 Matrix derivatives、定义一个函数，从m*n的矩阵到实数的映射，（f：Rm*nR）定义f关于矩阵A的导数：

因此梯度Af(A)本身就是

A112f一个m*n维的矩阵，对于（i,j）的元素就是。举个例子，假设A=AijA212*2维的矩阵，并且函数f：R2*2A12是一个A22R 已给定为：f(A)32A115A12A21A22 2这里Aij表示矩阵

A中（i,j）维的元素。我们得到：

这里介绍一下迹算子记作“tr”。对于一个n*n维的矩阵A，A的迹就是矩阵主对角线上元素 的和trAAi1nii。如果a是一个实数（例如a是一个1*1维的矩阵），tra=a。（如果你以前么有见到过这个运算符号，你可以矩阵A的迹看作tr（A）或者对矩阵A求他的迹。）

迹运算同样适用于两个矩阵A和B因此AB如果都是方阵，我们可以得到 tr(AB)=tr(BA)。下面是这个公式的一些推论，我们有如下：

下面对于迹的操作的一些公式也很同意证明。这里A和B都是方阵，并且a是一个实数

我们下面给出一些矩阵导数的迹推论并不进行证明（本节中不会用到）。等式（4）仅仅适用于非奇异方阵A，|A|表示A的行列式。

为了使我们的矩阵符号更具体，让我们现在详细解释第一类方程的意义。假设我们有一些固定的矩阵B∈Rn*m.我们可以定义一个函数f：Rn*mn*m→R根据F（a）= tr(AB)。注意，这个定义是有意义的，因为如果AR确实是从Rn*m，然后AB是一个方阵，我们可以将其应用到它，因此f到R的映射。我们可以运用我们的定义矩阵导数找到Af(A)，m*n矩阵。

T方程（1）在上述情况下，该矩阵的输入（i，j）的值可以由B给出或者等价于Bji。方程的证明（1-3）是相当简单的，留下作为给读者的练习。方程（4）可以使用伴随矩阵和矩阵的逆来推导。2.2 Least squares revisited

随着矩阵导数，我们开始继续在封闭的模型中寻找θ使的J（θ）取得最小值，开始先把J重新写入向量矩阵中。

给定一个训练集，定义m*n维的矩阵X（实际上是m*（n+1）维的，如果算上偏置项）在矩阵中包含给定的训练集的输入值在

同时，定义y为一个一维的列向量，值为所有的目标值

现在，从我们可以很容易证明：

运用定理

可以得到

最后，为了最小化J，我们寻找J(θ)关于θ的导数。结合式子（2）和（3），我们发现

因此有：

AT,BBTXXT

在第三步中，我们使用了实数的迹就是实数本身这个定理；第四步我们使用了在第五步中我们对式5使用AT,BBTXXT和C=I和公式1.为了最tr(A)tr(AT)，小化J，我们使他的导数等于0可以得到如下等式：

因此，使的J(θ)最小的θ的值就可以有下式得到： Probabilistic interpretation

当得到一个回归问题时，什么时候使用线性回归，什么时候选择最小二乘算法去计算价值函数J？本节中，我们会给出一系列的假设来描述什么情况下使用最小二乘算法最合适。

假设我们的目标变量和输入变量的关系是：

xix

i表示误差项（就像我们预测房价例子中有很多其他因素比如地理位置，房屋年龄等这些我们考虑外的对房价有影响的因素我们没有计算进去），或者随机噪声。我们进一步假定i是分散的IID(independently and identically distributed)根据高斯分布（也叫正态分布）均值为0方差为2。我们可以写出这个i的定义iN(0,2)。也就是说i的概率密度是给定的

这表明：

说明yi的分布是由xi和θ控制的。注意，我们不能单独以θ为的条件，因为θ不是一个随机值。我们也能把这个式子写成另外一种形式：

给定X（设定好的矩阵包含所有的输入变量xi）和θ，如何求的yi的分布呢？这个可能的值就是。这个值代表y（或者X）的一个关于θ的函数。当我们明确

的理解这个函数之后，我们给他起一个名字叫做似然函数：

注意由于这个偏差项i的独立性（同样的y和xi之间）这个式子也可以写成

i

现在给定这个概率模型关于y和xi，怎么去选择最合理的方法去最好的求解我们想

i要得到的参数θ？这个极大似然函数使的我们能尽可能的取得最好的θ。我们应该选择θ使的L(θ)最大。

最大化L(θ)，我们可以最大化任意的单调递增函数L(θ)。特别的，求他的派生物（这里表示的是对数）的最大值回事比较简单的方法

：

因此，最大化相当于最小化

我们认出了这个J(θ)就是我们的最小二乘法函数。

小结：在前面的概率模型计算中，使用最小二乘算法去寻找θ使得极大似然函数取得最大值。这个是一种比较合理的方法使用最小二乘法算法求解问题。（注意虽然这个方法是合理的和比较好的但是一定还有更加合适的方法去使用这个方法）

注意，在我们前面的讨论中，我们最终的选择θ并没有使用到偏差项，而且也是因为即使偏差项我们不知道，计算的结果仍然是一样的。这个结论我们会在后续讨论指数族和广义线性模型的时候用到。Locally weighted linear regression（局部加权线性回归）

考虑这个问题从x属于R预测 y。这个最左边的模型显示出这个预测得到的结果函数。我们看到这个数据并没有全部落到这个线上，所以说这个预测结果并不是很。

相反的，如果我们给这个函数加上一个额外的变量x2，预测函数则为，然后我们得到一个比刚才那个更适给定数据的预测函数（中间这幅图）。看起来好像我们加上去的变量越多这个模型越好。然而，加上太多的模型也是危险的对于我们的预测来说：右边这个模型是一个使用了五个自变量的预测模型。我们可以看到这个模型完美的适和我们给定的数据，我们不能期待这个是一个好的预测模型对于使用房子的面积去预测房子的价格。在没有正式定义这些模型之前，我们可以看到左边这个模型是低拟合度的例子-----给定训练集中的数据离我们给出的预测函数相差太多----右边这个模型是过拟合度的例子。（本节课的后面，我们会给出这些定义的概念，并且给更加详细的定义去判断一个预测模型是好还是坏）

正如前面讨论的和在上面例子中展示的，特征变量的选择直接决定了一个学习模型的好坏。（当我们讨论模型选择时候，我们会看到模型会自动选择特征变量。）在这部分，我们来讨论一下局部加权线性回归算法（LWR）假设有足够的训练数据，特征变量未鉴定。这个方法是聪明的，你会得到机会去发现这个算法的一些优异之处在你的作业中。

在经典线性回归算法中，我们在一个点x做出预测我们将会：

1、寻找使

2、输出Tx

相反的在局部加权线性回归算法中我们会这样做：

最小化的θ

1、寻找使T2、输出x

最小的θ

在这里是一些非负的权值。更直接的如果是一个非常大的特殊值关于i的，之后

更小。如果

很小，之在选择θ的过程中，我们会尽最大努力去使后计算过程中的误差项可以直接被忽略在寻找的过程中。

一个公平的标准选着权值的公式是：

i注意那些我们将要预测x并且对特别点x有依赖的权值。特别的是如果|xx|很小，这个

i权值就会接近1；并且如果|xx|很大，这个权值就会很小。因此，θ被选来作为更高的“权重”去减小误差使的取得最合适的值在x偏差较大的点上。（注意，而权重公式外观类似于高斯分布的密度，形成W是不直接跟高斯有任何联系，和特别是W不是随机变量，正态分布或其他参数τ控制。）如何快速的训练样本的重量脱落的x距离从查询点X；τ叫做带宽参数，而且也是你会在你的家庭作业见到的东西。

局部加权线性回归是我们看到的非参数化算法的第一个例子。（未加权）线性回归算法，我们前面看到的是一个众所周知的参数学习算法，因为它有一个固定的，有限数量的参数（θ），这是适合这个数据的。一旦我们适应θ并且储存了他，我们不再需要保持训练数据进行未来预测。相反，使用局部加权线性回归预测，我们需要整个训练集。术语“非参数化”（粗略）指的是，我们需要保持的东西的量，以表示的假设小时增长线性的训练集的大小。

Part II Classification and logistic Regression(分类和线性回归)

现在让我们来分析分类问题。这就和回归问题一样，除了我们现在要预测的值y仅仅是一些小的离散的值之外。现在开始，我们将会把目光放在二元分类问题上，也就是y只能去两个值 0 和 1。（我们在这说的简单的形式可以推广到更加复杂的形式）。例如，如果我们想要建立一个垃圾邮件分类系统，x是邮件的特征，y是1代表是垃圾邮件，是0则代表不是。0也叫做否定类，1也叫做肯定类，一些情况下也用“+、-”来表示。给定x，y也被叫做训练集的标签。Logistic regression 我们可以解决分类问题不论y是否是离散值，并且用以前的线性回归算法去试着预测我们给定x的y值。然而，非常容易证明这个方法是不足的。更直观的是，他对于h(x)没有什么意义当值大于1或者小于0的时候当我们界定y{0,1}。

为了解决这个问题，我们改变这个假设函数h(x)。我们选择

逻辑函数，下面是他的函数图像

注意g(z)趋近1当z趋近于，并且g(z)趋近于0当z趋近于-。另外g(z)和h(x)的值域都是[0,1]。我们约定x01，因此

从现在开始，我们都假定g是已知的。其他函数如果是0—1之间的连续函数也是可以使用的，但是有两个原因我们将会看到（当我们讨论GLMs是，还有讨论生成学习算法的时候）选择他做回归函数是最合适的。在开始下一节千，这里有一个重要的推论关于sigmoid函数的导数：

因此，给定这个逻辑回归模型，怎么去找一个适合的θ？接下来我们将会使用最小二乘法和极大似然估计相结合来求出。将会结合概率和极大似然函数来球权重参数。

我们假设：

注意这个也可以简单的写为 假定给定的m个样本之间都是相互独立的，我们可以得到如下极大似然函数：

像以前一样很容易对这个似然函数的对数求最大值：

怎么样去最大化这个似然函数呢？像在线性回归里面所做的一样，我们可以使用梯度上升法。写成向量的形式，更新式子是

（注意这个公式中的正负号还有我们是要求的是最大值而不是最小值）。首先在一个训练样本（x，y）上使用这个公式，并且对他的对数求导：

我们使用公式

。求出来的就是随即梯度更新规则：

如果我们拿这个和LMS更新规则比较，我们会发现这两个是完全一样的；但是这是不一样的算法得到的，因为h(xi)现在是有非线性的函数Txi定义的。尽管如此，我们还是很好奇为什么不一样的算法和不一样的学习方法会得到同样的结果。这是偶然吗？或者有更深层次的原因在里面，我们将会解答这个问题在GLM模型中。6 Digression: The perceptron learning algorithm（感知学习算法）

我们现在额外的增加一个算法由于一些历史爱好，我们将会回归到整体之后讨论学习理论的时候。试着想一下改变这个逻辑回归模型去要求他去预测一个值是0或1或者其他。为了达到目的自然而然的从新定义g为一个阀值函数

如果我们使用

在前面作为我们的预测函数，其他都不变我们更新规则如：我们叫新的算法为感知学习算法。

在19世纪60年代，这个“感知”被认为是一个粗陋的模型对于人脑中工作的单个神经元。考虑到这个算法比较简单并且作为一个开始对于我们下节理论讨论做一个开头来讲一下。注意虽然这个感知学习算法看起来和我们其他的学习算法一样，实际上他是一个不同于逻辑回归和最小二乘回归类型的算法，特别的是，他很难赋予感知算法概率的应用，或者使用最大似然估计算法去求解。Another algorithm for maximizing ℓ(θ)回到逻辑回归算法g(z)使用sigmoid函数，我们接下来讲解一种不一样的算法来最小化l()开始之前，我们先看一下牛顿的方法去寻找一个函数的零点。特别的，假设我们有一系列的函数f：R—>R，并且我们想找到一个值使的f(θ)=0。这里θ输入R是一个实数。牛顿的方法如下：。这个方法我们可以这样理解，选定一个值做自变量的垂线过函数上这点做函数的切线与函数轴交与一点，再过这点做垂线，再过这点做函数的切下知道找到切线斜率为零的点。下面是一副图表示牛顿法的过程

在左边这张图中我们看到函数f画了一条直线在y=0处。我们希望找到的θ使得f(θ)=0;这个θ的值大约是1.3。假设我们初始化这个算法定义θ=4.5.牛顿的方法是通过函数上这点做f的切线，并且评估这条线的值是否为0.这给我们下一个猜想的对于θ，大约是2.8.最右边的图指出了这个最后一次迭代的结果，这时候更新的θ大约是1.8.一阵迭代之后我们能很快的接近θ=1.3.牛顿的方法给出了一种使f(θ)=0的方法。我们怎么把这个应用到我们求解l函数中？这个函数的最大值相当于去求他的一阶导数等于0的点。因此令f(θ)=l`(θ),我们能使用相同的算法去是L最大，我们得到这个更新规则：

（需要考虑的问题：如果我们想要求一个函数的最小值而不是最大值这个算法应该如何改进？）

最后，在我们的逻辑回归设定中，θ是一个向量，因此我们需要推广牛顿法到向量级别。这个推广的方法是把牛顿法应用到多维中（也叫做牛顿—拉普森方法）

这里()是()对θ的偏导数，H是一个n*n的矩阵（实际上是n+1*n+1维的，我们带上截距项）叫做Hessian，是由下面的式子给定：

牛顿法更加快速的收敛到最小值比着梯度下降法，并且需要更少的迭代次数接近最小值。一次牛顿迭代会花费更大的代价比着梯度下降算法，当他要求找到和反相一个海森矩阵的时候，但是如果n不是很大的时候，牛顿算法通常是更快的。当牛顿算法应用到求逻辑回归极大似然函数的最大值的时候，这个求解方法也被叫做Fisher scoring。

Part III Generalized Linear Models（广义线性模型）

至今为止，我们已经看来一个回归分析的例子和一个分类分析的例子。在两个例子中都有一些近似的函数，2回归分析的例子中我们有yx;N(,)，在分类的例子中有yx;Bernoulli()

本节我们将会展示出这些都是广义线性模型中的一部分。我们也会推到一些其他的适用于回归和分类问题中的广义线性模型。The exponential family 为了引出GLMS，我们先说一下指数分布。我们定义一个分布是指数分布如果他可以被写为如下形式：

叫做特性参数（也叫做典型参数）；T(y)是充分统计量（通常情况下T(y)=y），a()是对数划分函数。分量ea()作用是归一化参数，确保p(y;η)的和是大于1的。

T一个复杂的选择，a和b定义一个分布族关于参数η；当我们改变η的值时，我们会得到不同的分布在这个分布族里面。

现在看到的Bernoulli和Gaussian分布都是指数分布的一个例子。Bernoulli分布均值为υ写为Bernoulli（υ），指定一个分布y∈｛0，1｝，写成p（y=1；υ）=Φ；p（y=0；υ）=1-υ

h(x)

当我们改变υ的值，我们得到不同均值的Bernoulli分布。现在我们证明这一类的Bernoulli分布，在例子中选择T，a和b所以式子（6）是Bernoulli分布。我们把Bernoulli分布写为：

因此，特性参数由log1给出。有意思的是，当我们使用η表示υ的时候我们会得到υ=1/（1+e^（-η））。这个看起来是不是和sigmoid函数很像。这将会再次被提到当我们把逻辑回归分析看作GLM时。为了完成Bernoulli分布是指数分布的一种的猜想，我们进一步有：

这表明选择适当的T，a和b的时候，Bernoulli分布可以被写成式（6）的形式。我们进一步来讨论Gaussian分布。回想一下，当我们推导线性回归时，的值对我们最终选择的θ和

2h(x)没有任何影响。因此我们可以选择任意值作为2而不去改变他的值。为了简化式子我们定义=1.我们可以得到： 2

因此我们看到高斯分布也在指数分布族里面，当

有许多其他分布指数的家人:多项分布(我们稍后将看到),在泊松分布(造型计数数据;也看到问题集);伽玛和指数(造型连续、非负随机变量,如时间间隔),β和狄利克雷(对概率分布),和许多更多。在下一节中,我们将描述构建模型的一般“食谱”,y(x和θ)来自这些发行版。Constructing GLMs 假设您想要构建一个模型来估计客户来到你的商店的数量y(或您的网站上的页面浏览量数量)在任何给定时刻,基于某些特性x等商店促销,最近的广告、天气、读写等。我们知道,泊松分布通常提供了一个好的模型数量的游客。知道了这一点,我们怎么能想出一个模型问题?幸运的是,泊松是一个指数族分布,所以我们可以应用一个广义线性模型(GLM)。我们将在本节中,我们将描述一个方法构建全球语言监测模型,诸如此类的问题。

更为普遍的是,考虑这样一个分类或回归问题,我们想要预测一些随机变量的值y作为x的函数。获得一个漠视这个问题,我们将进行以下三个假设条件分布的y x和关于我们的模型:

1、y | x;θ∼ExponentialFamily(η)。即。鉴于x和θ,y的分布遵循一些指数族分布,参数η。

2、鉴于x,我们的目标是预测T的预期值x(y)。在我们的大多数示例中,我们将T(y)= y,所以这意味着我们想预测h(x)的输出由我们学习假说h满足h(x)= E[y | x]。(注意,这个假设是选择满足h(x)逻辑回归和线性回归。例如,在逻辑回归,我们有h(x)= p(y = 1 | x;θ)= 0·p(y = 0 | x;θ)+ 1·p(y = 1 | x;θ)= E[y | x;θ]。)

3、η的自然参数和输入x相关线性:η=θT x。(或者,如果η量值,那么ηi =θTi x)。第三的这些假设似乎是最合理的,而且它可能是更好的认为是一种“设计选择”在我们的配方设计的漠视,而不是作为一个假设本身。这三个假设/设计的选择将使我们能够获得一个非常优雅的classof学习算法,即全球语言监测机构,有很多可取的属性,如易于学习。此外,生成的模型往往是非常有效的模拟不同类型的分布在y;例如,我们不久将表明,逻辑回归和普通最小二乘法都可以派生的漠视。9.1 Ordinary Least Squares 表明普通最小二乘法是一种特殊的GLM的家庭模型,考虑设置目标变量y(也称为响应变量在GLM术语)是连续的,而且我们模型x y给定的条件分布为高斯N(μ,σ2)。(在这里,μ可能取决于x)。所以,我们让ExponentialFamily(η)分布是高斯分布。正如我们之前看到的,配方的高斯指数族分布,我们有μ=η。所以,我们有 上面的第一个假设2,平等;第二个平等的合集y | x;θ∼N(μ,σ2),所以其预期值等于μ;第三个平等从假设1(和我们先前推导表明,μ=η配方的高斯指数族分布),和最后一个平等遵循从假设3。

9.2 Logistic Regression 我们现在考虑逻辑回归。我们感兴趣的是二进制分类,因此y∈{ 0,1 }。鉴于y binary-valued,因此自然选择的伯努利家族分布模型的条件分布x y。在我们制定的伯努利分布指数族分布,我们有υ= 1 /(1 + e−)。此外,请注意,如果x,y |θ∼伯努利(υ),然后E x y |,θ=υ。similarderivation后,作为一个普通的最小二乘法,我们得到:

所以,这给了我们假设函数形式的h(x)= 1 /(1 + e−T x)。如果你以前想知道我们想出了物流功能的形式1 /(1 + e−z),这给了一个答案:一旦我们假设x y条件是伯努利,它产生的后果的漠视和指数族分布的定义。引入更多的术语中,该函数g给分配的平均作为自然参数的函数(g(η)= E(T(y);η))被称为规范响应函数。其逆,g−1,称为规范化链接功能。因此,规范响应函数为高斯家庭只是识别功能,和规范化是伯努利响应函数 9.3 Softmax Regression 让我们看看一个GLM的例子。考虑一个分类问题的反应变量y可以承担任何一个k值,因此y∈{ 1 2,。、k}。例如,而不是电子邮件分类到两类垃圾邮件或非垃圾邮件，将是一个二元分类问题,我们可能需要分类成三个类,如垃圾邮件、个人邮件,与工作相关的邮件。响应变量仍然是离散的,但现在能超过两个值。我们将因此分布式根据多项分布模型。

允许派生的GLM造型这种类型的多项数据。这样做,我们将首先表达了多项指数族分布。参数化一个多项式在k可能的结果,可以使用υ1 k参数,。,υk指定每个结果的概率。然而,这些参数将是多余的,或者更正式,他们不会独立(因为知道任何k−1υi独特的决定 最后一个,因为他们必须满足Pkiυi = 1 = 1)。所以,我们将参数化多项式只有k−1参数,υ1,。,υk−1,υi = p(y =我;υ)和p(y = k;υ)= 1−Pk−1 i = 1υi。记数的便利,我们还将让υk = 1−Pk−1 i = 1υi,但我们应该记住,这不是一个参数,而且它完全υ1规定,。,υk−1。

表达多项指数族分布,我们将定义T(y)∈R^k−1如下: 与我们之前的例子,在这里我们没有T(y)= y;此外,T(y)现在是一个k−1维向量,而不是一个实数。我们将编写(T(y))我表示的第i个元素的向量T(y)。我们介绍一个非常有用的符号。一个指标函数1 {·}就值1如果它的参数是正确的,和0(1 {真正} = 1,1 {假} = 0)。例如,1 { 2 = 3 } = 0和1 { 3 =5−2 } = 1。所以,我们还可以写T之间的关系(y)和y(T(y)){ y =我} i = 1。(继续阅读之前,请确保你明白为什么这是真的!)进一步,我们有E[(T(y))我]= P(y =我)=υi。

现在,我们可以证明这个多项式指数家族的一员，有如下：

至此我们制定的多项指数族分布。

链接函数给出了for i= 1,„,k)

为了方便起见,我们也定义ηk=log(υk /υk)= 0 =。逆函数并获得响应函数的联系,因此,我们有

这意味着υk = 1 / Pki = 1 ei,可代替回方程(7)给响应函数 这个函数映射η的υ的叫做将softmax功能。

完成我们的模型,我们使用假设3,鉴于ηi的早些时候,x的线性相关。所以,ηi =θTi x(因为我= 1,。θ1,k−1),。,θk−1∈Rn + 1是我们的模型的参数。记数的方便,我们还可以定义θk = 0,以便ηk =θT k x = 0,鉴于之前。因此,我们的模型假设的条件分布ygiven x等于

这个模型,这也适用于分类问题y∈{ 1,„k },叫做softmax回归。这是一个逻辑回归的概括。

我们的假设将输出

换句话说,我们的假设将输出概率估计p(y =我| x;θ),为每一个值的我= 1,。k。(尽管h(x)如上定义只是k−1维,显然p(y = x k |;θ)可以获得1−Pk−1 i = 1υi)。最后,让我们讨论参数拟合。类似于我们最初派生的普通最小二乘法和逻辑回归,如果我们有一个训练集m的例子{(x(i),y(i));i= 1,„,m },愿学习的参数θi这个模型中,我们将首先写下log-likelihood

小班公开课体育优质课教案 篇6

1、跟着老师模仿小手操，感受手的不同活动方式

2、学会四散跑。

3、对体育活动感兴趣

活动准备：

《摇太阳》音乐一段、录音机、幼儿三轮车每人一个、

活动过程：

一、猜谜语、引出小手

1、师：小朋友，老师今天要请你们猜个谜语，你们听好了。

五个兄弟心连心，

我们各个都爱它，

洗脸、穿衣、解纽扣，

样样事情都会做。(手)

教师伸出手：对了，老师今天就要和小朋友们一起玩大手跟小手的游戏，把你们的小手都伸出来。

教师引导幼儿跟着老师一起做：小眼睛看好了，老师的大手要出发了哦!你们的小手在哪里?

小手，小手，摆一摆

小手，小手，点点头

小手，小手，跳跳跳

小手，小手，抓一抓

最后一句，教师把手伸向幼儿：哦!大灰狼了，要吃你们的小手来咯!促使幼儿四散跑。

教师把手藏到背后：小手，小手，藏起来

哦!大灰狼跑掉了，小手，小手快回来幼儿再回到老师身边。

2、教师放音乐，幼儿跟着音乐和老师一起做小手操。

3、休息，玩开小汽车的游戏。

排队，回教室，洗手喝水。

教学反馈：

初中数学公开课评课方法探究 篇7

关键词：初中数学公开课,评课方法,评课程序,评课内容,科学评价标准

内容科学评价标准

初中数学的公开课,并非一般的课堂教学,它蕴含着众多的教学规律,基本能够体现出授课教师的数学思想、方法、情境创设,表达交流、问题的提出及解决,以及运用辅助工具的能力及水平。因此,如何评课能最大限度地调动教师的教学积极性和主动性,帮助和指导其不断总结教学经验,改进教学方法,转变教育观念,提高教学水平,促使教师生动活泼地进行教学,在教学过程中逐渐形成自己独特的教学风格,是每一位数学老师应该思考的重要问题。评课是一门科学,也是一门技术。是科学就有规律可循,是技术就有操作要领。评课的原则、要领、形式和技巧反映了评课的规律和技术。那么,我们如何来评价一堂公开课呢?

一、评课程序要合理

教研组要有目的、有计划、有组织地开展评课活动,评课活动一般先由执教者自评,然后由富有经验的教师、教研组(备课组)长、教研员或专家主评,再由听课者(教师、学生、家长等)评议。执教者自评时应先从教学思想这一角度出发,说明教学活动的设计流程,以及教学思想在课堂教学中的实施过程,再从教学内容处理的角度,在课后说明授课过程中内容及知识体系把握的准确程度、教学重点是否突出、教学难点是否突破、内容定量是否妥当等。

二、评课内容须明确

评课教师要把被评的课与新的教育观念下的数学课程标准要求的教学特点联系起来,从听好课,记好听课时的第一手资料入手,思考评课时应点评的内容,从教的角度去看待主导者的优势、特色、风格,以及需要改进的地方和需要商讨的问题;更应从学的角度去看待主体作用发挥程度、学习的效果和学生的可持续学习情况、学生思维的活跃性、活动的创造性等。因此,听课时做的记录就要讲究了,一般有两种形式:实录型和选择型。前者如实地记录课堂教学的全过程,听者记得多、想得就少,所以不可取;后者是根据听课者的需要,选择某个侧面或某些问题,如授课人的特色、方法的运用、存在的问题等。这样有利于评课时,依据上课教师探讨的目的和课型,根据听课的目的和要解决的主要问题,抓住课堂教学中存在的主要问题进行评论。评课者评教学流程,一是要看教学流程设计符不符合教学内容实际,符不符合学生实际;二是要看教学流程的设计是不是有一定的独创性,能否给学生以新鲜的感受;三是看教学流程的脉络是不是清晰;四是看教师在课堂上教学流程实际运作的效果。重点要对教学思想、教材处理、教法运用、学法指导、教学过程、教学效果等环节进行有针对性的评价。主要看教与学的方法是否统一,教学方法是否多样化。评价时我们不仅要看常规教学,更要看教学方法的改革与创新是否落到了实处。

三、采用以生为本的科学评价标准

一评老师是否有学生意识。在一节公开课上,我看到这样一个细节。老师让学生登台参与活动,学生一不小心把投影屏幕碰落下来,学生吓得手足无措,怯生生地等候老师“发落”。老师也呆住了,继而很不耐烦地挥挥手:“下去!下去!”学生灰溜溜地下去了。也许凭一个细节就否定一个老师有失公允,但一个心中装着学生的老师,必定会呵护学生的心灵,关注学生的学习需要、兴趣培养、情感体验、人格养成,这些会通过课堂上的诸多细节展现出来,只要是有心人就一定会体会得到。

二评学生权利的行使。课堂上,每一个学生都有学习、思考、表达、质疑、提高的权利。学生是否能独立思考,不在于形式上是动还是静。学生能否平等地参与课堂学习并受到平等对待,不至于让课堂成为某几个学生唱主角的舞台,这是衡量老师学生本位意识的重要一环。学生的个性化理解能否有机会表达,老师是否千方百计把学生往唯一的答案上引,老师能否从一些闪现的火花中捕捉到教学灵感,能体现一个教师的教学理念与教学机智。

三评学生的收获。一堂成功的课,最终要看学生的所思、所感、所得。我们不妨尝试让学生说说,相信他们的评价更有说服力。总之,评课应该是过滤网,过滤掉作秀、表演的成分,留下供人思考、借鉴的东西。

科学评课能最大限度地调动教师的教学积极性和主动性,帮助和指导其不断总结教学经验,改进教学方法,转变教育观念,提高教学水平,促使教师生动活泼地进行教学,不断提高教学质量。从这个意义上讲,课堂评价会直接影响新课程改革的进程。只有客观、公正、全面地评课,才能保护教师的课改积极性和主动性,才能更好地为教学服务,才能正确地引导新课改走向深入。

总之,评课是一种说服的艺术。说服是一种技巧,是一种智慧。有效评课就是善于说服别人,而善于说服别人的关键在于知道“为什么要评课”,熟悉“怎样评好课”,吃透“评议的内容是什么”,做到心中有数,目中有人,动之以情,晓之以理,以理服人,令人心悦诚服。一句话,评课得就课论课,实事求是;评课得恰如其分,一针见血;评课得字字珠玑,点到为止,真正成为广大执教者进步的“阶梯”,听课者学习、切磋的“平台”,学生有效学习的“催化剂”,学校提高初中数学教学质量的“实验田”。

参考文献

[1]唐永妹.新课程背景下数学课堂教学的重新建构[J].数理化学习,2010(12).

[2]刘玲芬.对初中数学课堂教学的思考[J].中学生数理化(教与学),2008(01).

公开课教学反思 篇8

一、过度包装，成本太高

据笔者观察，现今流行的公开课大都经过精心的包装，并且评比的级别越高，包装就越厉害。如，为准备一节上档次的公开课，往往兴师动众，有的甚至竟准备一个月有余，动用大量的人力物力。一节课往往经过多次修改教案，反复地试讲，准备各种教具，请教研员或专家指导、讨论等等，一般说来，经过这样的多次打磨，好课居多。即便成功，也是多人集体智慧的结晶。但这是得不偿失的。首先，它打乱了教师和学校的正常教学计划；其次，使学生的课业受到干扰；再者，这样的课是刻意打造出来的，非常态的，一般教师即便是作课者也难以做到平时这样上课，因为投入太大。耗费学校大量的人力和物力资源，花费教师过多的精力。

二、功利性太强

既是评比，就难免把讲课者分个三六九等，无论是观摩课、研讨课，还是评优课等，对讲课者本人的重要作用是不言而喻的。能够参评县级、省级甚至国家级的优质课，一旦评上，各种荣誉和利益就会接踵而至，因此就助长了部分教师为获奖而讲的不良局面，唯获奖是从，只许成功，不许失败，一心讨好听课者和评课者，曲意逢迎，其课甚至是讲给听评课者听的。

讲公开课的教师大都追求完美无缺，在各方面尽善尽美，十分挑剔。这本无可厚非，但是太多的课都一窝蜂地使用课件教学，一味追求看点、图热闹，于是，把课上成了课件的展示课者有之；组织学生进行一些虚情假意的伪讨论和庸俗做作的表演者有之；一味亦步亦趋地模仿别人，丧失了自己的风格，以至于邯郸学步，东施效颦者更有之。

当然，公开课作为积极有益的教研活动，我们不能因为其有这样或那样的问题就因噎废食，而是应该尽力发挥它的长处，规避它的弊端。

三、教师应苦练基本功，勿作秀

上公开课的教师为了脱颖而出，或充分展示自己的个性，往往有—些做法会与众不同。如用影视、诗歌等新颖别致的导语，精心选取知识内容作铺垫，以及教学细节的处理与教学机智的运用、教具的制作，或课堂分组讨论，或组织学生表演等等，适度运用是正当的，但是如果一味追求热闹，甚至哗众取宠，都是不适当的。我们应该看到，教学方法和手段的运用，要取决于讲课的科目、本节课的内容以及学生的特点，应因材施教，不能一成不变，更要力戒矫揉造作。

上公开课的教师，受名利等因素的影响，常在课题的选择上避重就轻，避难就易，往往会选择自己较为熟悉的教学内容，或较易出彩的课，鲜有讲一些教师普遍感到困惑或新课程急需解决的课题。如就语文而言，讲课文者居多，很少有教师讲怎样作文和修改作文的。就是讲课文，也大都喜欢讲散文和诗歌，讲议论文的不多。因此，我们应提倡一课多讲，几人上同一节课，以利比较和取长补短。

四、正确运用课件

时下用课件上课日渐泛滥，尤其是公开课，简直到了无课件不成课的地步。当然，课件运用得当，可以起到锦上添花的功效，但是不宜过多过滥，否则五光十色的画面会使学生转移注意力，产生审美疲劳。我们不能把生动活泼的师生对话变成生硬的人机对话，更不能把课件变成现代化的黑板。我们要知道，并不是所有的课都适合使用课件，我们应运用课件去解决传统教学手段无法解决的问题，并且把传统教学与现代化手段紧密结合。

因此，我们要转变观念，评优质课的标准不应以是否运用了多媒体课件为唯一标准，评价一堂课课件的运用成功与否的标准应是：是否有利于学生的主动参与、积极探究；是否能充分发挥学生学习的主体性；是否有利于学生知识与能力的拓展与三个纬度的充分落实。

五、追求常态化

教学应该是真实自然的，大可不必去追求完美，不必去追求面面俱到。我们应充分发挥自己的教学风格，而不可一味模仿他人。无论是讲课者还是听课者，都应摆正心态，不要刻意追求功利化，而应充分展示自己平时教学的风格，使自己的教学方法与手段能为同行提供一些借鉴，力戒浮夸，追求真实。一劳永逸式的讲课不可取。