第五单元+人工智能的实现方式—设计一款无人驾驶智能车 +探索2 预测与分类（第二课时）+教学设计2025-2026学年苏科版初中信息科技九年级全一册

课时编号 005 备课时间 上课时间 课　　题 第五单元 探索2 预测与分类（第二课时） 教学目标 信息意识 1.理解分类算法是 AI 目标识别的核心技术，感知 K - 最近邻（监督学习）、K -均值聚类（无监督学习）在生活与无人驾驶场景的广泛应用，增强对 AI 分类技术的认知。 2.能区分监督学习与无监督学习的差异，提升对 AI 算法类型的敏感度与信息甄别能力。 计算思维 1.掌握 K -最近邻算法的核心逻辑（近邻投票分类），能拆解猫狗分类、超市补货的分类流程。 2.掌握 K -均值聚类算法的核心逻辑（相似度分组），能分析物流配送车辆分配的聚类流程，培养数据抽象、分组建模与算法选型的计算思维。 数字化学习与创新 1.完成超市补货、猫狗分类的分类实践，利用 AI 平台体验 K - 均值聚类物流配送实验，提升数字化工具操作与数据分析能力。 2.结合无人驾驶场景，设计简易的分类 / 聚类方案（如行人分类、配送路径规划），培养算法思维的创新应用与系统设计能力。 信息社会责任 1.认识分类 / 聚类算法对智慧交通、物流配送、生活服务的推动作用，理解技术对社会效率的提升意义。 2.理性看待算法的局限性（如K -均值聚类受初始值影响），培养科学、严谨、辩证的技术观。 教学重点 1.K-最近邻（KNN）算法的核心原理与监督学习的本质。 2.K-均值聚类算法的核心原理与无监督学习的本质。 教学难点 1.理解 K-最近邻的 “近邻投票” 逻辑与 K-均值聚类的 “相似度分组” 逻辑。 2.区分监督学习与无监督学习的适用场景，将算法迁移到无人驾驶真实场景。 教学方法 1.教法：情境教学法、实验探究法、对比分析法、小组合作指导法 2.学法：实操体验法、逻辑梳理法、迁移应用法、讨论探究法 教学准备 硬件：多媒体教室、计算机、投影设备 软件：PPT 课件、AI 应用平台（Python 环境）、配送货物程序、KNN/K-means 算法演示动画 素材：超市货架缺货示意图（图 5-4）、猫狗分类图（图 5-5）、物流配送客户位置数据、算法对比卡片、无人驾驶目标识别案例 分组：4 人一组，设操作员、分析员、记录员、发言人 教　学　过　程 教学环节 教师活动 学生活动 设计意图 一、情境导入，聚焦分类（5 分钟） 1.播放无人驾驶智能车目标识别短视频（如识别行人、车辆、红绿灯），提问：“无人驾驶如何区分路上的行人和车辆？物流配送如何给 50 位客户分配 5 辆无人车？” 2.展示图 5-4 超市货架缺货场景， 引出任务：“作为超市管理员，你会补什么货？为什么？” 3.引出课题：“今天我们探究人工智能的分类方式 ——K-最近邻与 K- 均值聚类算法，用数据给事物‘贴标签’。” 1.观看视频，感知分类技术在无人驾驶中的核心作用。 2.观察超市货架，讨论补货方案，进入探究状态。 3.明确本节课核心任务：理解两种分类算法原理与应用。 1.用真实场景导入，激发兴趣，落实信息意识。 2.以生活案例为抓手，建立 “分类 = 找规律、贴标签” 的思维起点。 二、新知探究 1：K - 最近邻（KNN）分类算法（12 分钟） 1.讲解 AI 分类的本质：通过已知类别样本训练分类器，对未知样本分类，属于监督学习。 2.讲解 K-最近邻算法核心：如果一个样本与特征空间中 K 个最相邻样本中的大多数属于某一类别，该样本也属于这个类别。 3.结合案例拆解： 超市补货案例：货架中间的空位，周围都是饮料，因此补饮料（K=8，近邻都是饮料，投票分类）。 猫狗分类案例（图 5-5）：未知样本的 3 个最近邻中 2 个是猫、1 个是狗，因此分类为猫（K=3，多数投票）。 4.补充新案例：无人驾驶识别红绿灯，通过近邻样本（红灯/绿灯特征）投票，判断信号灯类别。 1.理解监督学习与 KNN 算法的核心概念。 2.结合超市、猫狗案例，拆解 “近邻投票” 的分类逻辑。 3.关联无人驾驶场景，感知算法的实际应用。 1.用生活化案例拆解抽象算法，落实计算思维中的逻辑推理能力。 2.补充无人驾驶案例，实现知识迁移，为项目设计铺垫。 三、新知探究 2：K - 均值聚类算法（12 分钟） 1.过渡：KNN是 “有标签的监督学习”，K-均值聚类是无监督学习，无需训练样本，按相似度自动分组。2. 讲解核心原理：根据数据对象的相似程度，将其划分为 K 个类别，核心是 “相似度分组”。 3.结合物流配送实验拆解： 场景：50 位客户、5 辆无人车（K=5），按地理位置相似度，将客户分为 5 组，每组分配 1 辆车。 - 流程：初始化 5 个聚类中心→计算客户到中心的距离→分配到最近中心→更新中心→重复直到稳定。 4. 补充新案例： 生活案例：电商平台按用户购物习惯聚类，做个性化推荐。 无人驾驶案例：按路况特征聚类，规划不同的行驶策略。 5.讲解算法局限：分类结果取决于初始分类标准的选择。 1.理解无监督学习与 K - 均值聚类的核心概念。 2.结合物流配送案例，拆解 “相似度分组” 的聚类逻辑。 3.了解算法的优势（无需标签）与局限（受初始值影响）。 4.拓展生活与无人驾驶应用，深化认知。 1.用对比法区分监督/无监督学习，完善 AI 算法知识体系，落实计算思维。 2.用物流实验具象化聚类流程，突破教学难点。 四、实践探究：算法体验与对比（10 分钟） 1.布置小组任务： 任务 1：猫狗分类推理：用 KNN 算法（K=3），分析图 5-5 未知样本的分类，说明理由。 任务 2：物流配送实验：登录AI应用平台，运行配送货物程序，体验K -均值聚类的车辆分配过程，记录分组结果。 任务 3：对比讨论：KNN 与 -均值聚类的核心差异是什么？分别适用于什么场景？ 2.巡视指导，重点帮助学生理解 “K 值选择”“相似度计算” 的逻辑，纠正分组错误。 3.组织小组分享：展示实验结果，对比两种算法的差异。 维度 K-最近邻（KNN） K-均值聚类 学习类型 监督学习（有标签） 无监督学习（无标签） 核心逻辑 近邻投票 相似度分组 适用场景 目标识别、分类 聚类分组、路径规划 4.分享实验成果，交流算法理解。 1.小组合作，完成猫狗分类推理，验证 KNN 逻辑。 2.操作 AI 平台，体验 K- 均值聚类实验，记录结果。 3.讨论两种算法的差异，完成对比表格： 1.核心实践环节：通过推理 + 实验，深化对两种算法的理解，落实数字化学习与创新。 2.对比讨论强化计算思维中的算法选型能力。 五、总结与作业（5 分钟） 1. 梳理本节课核心： K-最近邻（KNN）：监督学习，近邻投票，用于目标识别。 K-均值聚类：无监督学习，相似度分组，用于聚类规划。 核心差异：是否有标签、是否需要训练。 2.布置分层作业： 基础作业：完成猫狗分类分析报告，梳理两种算法的核心原理。 提升作业：结合无人驾驶智能车，设计一个基于 KNN 的目标识别方案（如行人/车辆分类），说明流程。 拓展作业：查找K-均值聚类在用户画像、图像分割中的应用案例，下节课分享。 3.总结：分类与聚类算法是 AI 的核心能力，共同支撑无人驾驶与智慧生活的实现。 1.跟随教师梳理知识点，构建完整的 AI 分类算法知识体系。 2.记录分层作业，明确课后学习要求。 3.深化对算法社会价值的认知。 1.梳理知识，强化记忆，落实核心素养。 2.分层作业满足不同学生需求，延伸应用能力。 教学反思 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $