清华大学版（2024）（青海）八下信息科技 第1单元 第1课 人工智能的起源与发展 教学设计.docxVIP

单元基本信息

单元教学主题

第一单元机器能预测

单元课时

5

单元项目情境与任务

在当今数字化时代，数据的价值日益凸显。我们身边存在着大量的数据，如个人健康数据、学习成绩数据、生活消费数据等。请你选择一类自己感兴趣的数据，运用机器学习的方法，构建一个预测模型，解决与之相关的实际问题。例如，根据性别、体重、脚长等数据预测身高，根据个人的运动数据预测运动能力提升情况，依据学习习惯数据预测考试成绩变化，或者通过消费数据预测未来的消费趋势等。

单元学习目标

1.知识技能

（1）了解人工智能和机器学习的基本概念，明确两者的区别与联系。

（2）掌握机器学习的基本流程，包括数据准备、模型搭建、模型训练与评估、模型应用等环节。

（3）熟悉常见的机器学习算法，如线性回归、多项式回归等，并能根据实际问题选择合适的算法。

2.素养指向

（1）信息意识：能够敏锐地感知生活中的数据价值，认识到机器学习在解决实际问题中的重要性，关注机器学习技术的发展动态。

（2）计算思维：学会运用计算思维分析问题，将实际问题转化为可通过机器学习解决的问题，设计合理的解决方案。

（3）数字化学习与创新：通过网络、书籍等多种渠道自主学习机器学习知识，积极探索不同的学习资源和方法，能够创造性地运用所学知识解决项目中的问题。

（4）信息社会责任：在使用机器学习技术时，遵守相关法律法规和道德规范，尊重他人的数据隐私，确保数据的合法使用和安全。

单元教学整体规划

项目活动

对应课题

拟解决的项目子问题或子任务

课时

项目筹备

第1节人工智能的起源与发展

规划项目实施方案

1

知识探究

了解人工智能的起源、发展历程、研究学派和范式，以及新一代人工智能的特点，为项目实施做准备

第2节人工智能的起源与发展

学习机器学习的定义、基本过程、常见算法，掌握数据集的相关知识，学会使用常用工具进行模型训练和评估

1

第3节用机器学习解决问题

以具体案例为导向，学习如何运用机器学习解决实际问题，包括问题分析、数据准备、模型训练、评估和应用

1

整理展示

第4节跨学科活动：身高推断

综合运用所学知识，完成身高推断项目，展示项目成果，进行项目评价与反思

2

项目实施

课题名称

第1课人工智能的起源与发展

课时目标

1.能够清晰阐述项目计划，合理规划项目进度和小组成员分工。

2.了解人工智能的起源，包括其概念的雏形以及早期的探索。

3.熟悉人工智能的发展历程，掌握不同阶段的主要特点、研究学派和范式，理解新一代人工智能的突破和应用。

4.认识到人工智能对生活和社会发展的重要影响，激发学习兴趣。

教学准备

计算机、相关教学资料、人工智能发展相关的视频素材

导学过程

意图说明

项目筹备

1.展示单元项目情境：

数字化时代，我们的生活被各类数据环绕，像日常的购物消费记录、运动时的心率变化数据、每月的水电费使用量等。这些看似平常的数据，实则蕴含着巨大的价值。机器学习就如同开启宝藏的钥匙，能够挖掘出数据背后隐藏的规律，进而对未来的情况进行预测。例如，通过分析家庭一段时间内的水电费数据，可以预测未来的水电消耗趋势，帮助我们提前做好资源规划，合理安排生活开支。再比如，分析运动时的心率和运动强度数据，能预测运动效果，为科学健身提供指导。现在，请同学们仔细思考，结合自己的生活实际，选择一类感兴趣的数据，思考运用机器学习可以解决什么实际问题。

提出单元项目任务：

请你以小组为单位，规划一个运用机器学习解决所选数据相关问题的项目方案。

（1）提供项目方案范例

项目

个人日常消费预测

应用目标

过分析个人日常消费数据，预测未来一段时间内的消费金额，帮助个人更好地进行财务规划，合理安排支出。

功能需求

集个人过去一段时间（如半年或一年）的消费记录，包括消费时间、消费金额、消费类别（如餐饮、购物、娱乐等）；运用机器学习算法建立消费预测模型；将预测结果以直观的方式呈现，如通过手机应用展示未来一周或一个月的预计消费金额，并给出合理的消费建议。

小组名：

姓名

角色

分工

任务

同学甲

组长

负责项目统筹、监督与管理

制定项目整体计划和进度安排，协调小组成员之间的工作；组织小组讨论，确定项目的技术路线和方法；监督项目的执行情况，及时解决项目中出现的问题；对项目的最终成果负责

同学乙

成员

数据收集与整理

确定收集消费数据的方式，如从电子支付平台导出消费记录；对收集到的数据进行清洗，去除重复、错误的数据；将数据按照消费时间、金额、类别等进行分类整理，构建适合模型训练的数据集；对数据进行初步分析，探索数据的特点和规律

同学丙

成员

模型训练与评估

研究适合消费预测的机器学习算法，如线性回归、决策树等；使用整理好的数据训练模型，不断调整模型参数以优化模型性能；运用合适的评估指标对模型进行评估，对比不同算法的效果，选择最优模型；记录