如何把算理与算法学深悟透

学习数学离不开计算,计算渗透数学教学的全过程,特别是小学数学教学对计算显得尤为重要。计算是学习数学必须掌握的一项基本技能,也是学好数学的基础。计算教学不仅要使学生能够正确地进行四则运算,还要求学生能够根据数据的特点,恰当地运用运算定律和运算性质,选择合理灵活的计算方法和计算过程,使计算简便。

一、感悟算理,了解算法

二、应用算理,掌握算法

算理是计算的思维本质,如果都思考着算理进行计算,不但思维强度太大,而且计算的速度很慢。为了提高计算的速度,使计算更方便、快捷,就必须寻找到计算的普遍规律,抽象、概括出计算法则。当学生理解和掌握了算理之后,应引导学生对计算过程进行梳理反思,启发学生再思考:计算12×23要写出三个算式,你的感觉是怎样的可以简化一下吗学生通过独立思考、同伴交流创造方便、快捷的计算方法:可以用竖式计算,根据算理:先算2×23,先根据2×3=6在个位上写上6,再根据20×2=40,在十位上写4,再算10×23,百位上写2、十位上写3、个位上写0,最后再把46和230加起来等于276,得出算理竖式。接着再启发学生思考:还能再简化吗通过师生共同研究,最终得出:加号可以省略,还可以把0去掉,优化成简化竖式。

三、探究算理,创造算法

任何新事物的认识,都是由旧引新的过程,数学的特点犹为突出,算理可以说是学生已有的“旧知”,在计算教学中,某些知识和技能是可以通过学生自己探究领悟、自己交流归纳算理、感悟算理、总结计算方法的。因此,教师必须对学生的知识、能力作全面的了解,要对教材内容作细致的分析,把握教学的探究点,找准时机,巧设新旧知识的矛盾冲突,引导学生走进问题情境,让学生在参与中找出新旧知识的连接点,感悟出数理,探究出计算的新方法。如在教学“两位数乘两位数”时,教师在引导“14×12”的竖式计算时,教学中教师充分抓住竖式中“14”的转接理解,把学生带入探究活动中。有学生说:“因为12中的1是表示10,1×4实质是表示10×14等于140,”有学生说:“14后面还有一个隐形的零。”本课是“两位数乘一位数”向“两位数乘两位数”新旧知识跨越,也是小学生学习计算的重要转折点,如果教师找准了这一关键的连接点,学习效果自然事半功倍。只有根据学生已有的“旧知”,并与抽象的竖式计算建立起联系,从而让学生经历竖式的形成过程,清晰理解竖式的算理,才能真正掌握竖式计算的方法。

四、新旧碰撞,生成算法

“数学方法是数学的本质”。传统计算教学,是教师引着学生走,学生依照例题的方法去理解、模仿、熟练,而不是学生探究、发现、“生成”出数学方法来,这是“新”课程与“旧”课程在教学思想上的本质区别。因此,在教学过程中,老师必须重视处理好“教师预设”与“课堂生成”这组相对的辩证关系,要培养学生分析问题、思考问题的方法。如“两位数乘两位数14×12””一课,引导学生动脑思考,学生会想出“10+2=12,14×10=140,14×2=28”的方法,只要把它们竖式联系起来,学生就会悟出“两位数乘两位数”竖式计算方法应注意的问题。“生成”与“预设”是相对的,课堂教学是一个师生、生生之间互相合作、交流、思维碰撞的动态过程,在这种动态的过程中,往往会生成一些超出教师预设之外的新问题、新情况。教师的预设越有效,课堂的动态生成就越丰富。如果教师能善于抓住这些生成点,让学生充分地去探究和交流,就有利于学生计算能力的培养和思维能力的提高。

“数学是一种文化,又是一种技艺。”计算课教学,是新时期教学研讨的“旧”题“新”做,只要我们不断更新教学理念,大胆尝试课堂教学改革,计算课将“好教”,也会教得更“好”。

THE END
1.生成式AI:创造性智能的新纪元什么是生成式AI? 生成式AI是一种利用机器学习算法,特别是深度学习技术,来生成新的数据样本的人工智能。这些数据样本在统计上与训练数据相似,但又是独一无二的。这种技术的核心在于能够捕捉到数据的分布特征,并在此基础上创造出新的实例。 主要技术 生成对抗网络(GANs):由生成器和判别器组成,生成器产生数据,判别器https://blog.csdn.net/qq_56438516/article/details/141832237
2.生成式深度学习神经网络深度神经网络算法生成式深度学习神经网络 深度神经网络算法 Writed by changfei_lovelife~ 目录 1.卷积神经网络 2.深层卷积网络实例探究 第一部分 卷积神经网络 1.边缘检测器 原理:利用过滤器,与原图矩阵进行卷积计算,可实现垂直/水平边缘检测。 卷积运算:逐元素相乘,然后相加https://blog.51cto.com/u_13259/10358004
3.4机器学习算法面试八股【4】机器学习算法面试八股 51随机森林RF 通过对训练数据样本以及属性进行有放回的抽样(针对某一个属性随机选择样本)这里有两种,一种是每次都是有放回的采样,有些样本是重复的,组成和原始数据集样本个数一样的数据集;另外一种是不放回的抽样,抽取出大约60%的训练信息。由此生成一颗CART树,剩下的样本信息作为袋https://www.nowcoder.com/discuss/509759767431098368
4.python机器学习笔记:深入学习决策树算法原理1. 决策树学习算法主要由三部分构成 1.1 特征选择 特征选择是指从训练数据中众多的特征中选择一个特征作为当前节点的分裂标准,如何选择特征有着很多不同量化评估标准,从而衍生出不同的决策树算法。 1.2 决策树生成 根据选择的特征评估标准,从上至下递归地生成子节点,直到数据集不可分则停止决策树停止生长。树结构来https://www.flyai.com/article/622
5.博弈环境下的深度强化学习和传统的深度强化学习不同博弈环境下的深度学习需要通过与其他智能体或环境进行交互来生成数据。相比之下,传统的深度学习通常使用已标注的静态数据集进行训练。 2、增强学习算法 博弈环境下的深度学习通常使用增强学习算法来训练智能体。增强学习是一种通过与环境交互学习最优策略的方法。传统的深度学习通常使用监督学习算法。 https://wap.sciencenet.cn/home.php?mod=space&uid=40841&do=blog&id=1418525
6.基于机器学习的深基坑三维土层重建提出一种基于机器学习的土层重建方法,首先设计土层生成算法来进行土层训练数据集的数据增强。然后根据钻孔信息数据结构设计了预测模型特征编码方法,作为预测模型的标准输入,通过搭建卷积神经网络模型,对土层结构进行特征提取,形成土层预测模型。随后,利用预测模型对待预测地块中的离散格点进行土层属性预测,获得土层体数据。最后http://qks.cqu.edu.cn/html/cqdxzrcn/2021/5/20210515.htm
7.《自然》封面:人工智能掀起材料革命,将颠覆人类科研方式能见度但有一批材料科学家转换思路,使用计算机模型和机器学习算法生成海量假想的材料,建立数据库,从中筛选出值得合成的材料,再通过检索这些材料可能拥有的性质进行具体应用测试,比如将这种材料用作导体表现如何、用作绝缘体性能又如何、这种材料是否具有磁性、那种材料的抗压力是多少。https://www.thepaper.cn/newsDetail_forward_1466136
8.强化学习GAIL生成对抗模仿学习详解《Generativeadversarial( c , π ) (c,\pi) (c,π)为一个鞍点。 可得,不同的正则化函数 ψ \psi ψ构成不同的模仿学习算法,可以直接求解上式得到 ( c , π ) (c,\pi) (c,π)。 在本文中将会主要介绍三种不同的正则化函数:恒定正则化函数,示性正则化函数,生成对抗正则化函数(GA) https://cloud.tencent.com/developer/article/2152022
9.交换机如何实现自学习算法帧交换表的实现是通过自学习算法,自学习算法是在网络中主机间不断的通信中逐渐建立起来的。 自学习算法最重要的两点 1)主机发送出帧后交换机便将该MAC地址以及接口登记; 2)一个接口成功接收到帧,变将该接口和MAC地址登记 冗余环路可以提高以太网的可靠性,但是会造成网络环路,可以通过创建最小生成树的创建来避免网https://www.jianshu.com/p/ed03cf24b9b1