人工智能主题学习 走近机器学习算法（教学设计）信息科技苏科版五年级下册（新教材）

走近机器学习算法 教学设计 课题 《走近机器学习算法》 单元 人工智能主题学习 学科 信息技术 年级 五 学习 目标 【核心素养】 信息意识：  认识到机器学习是人工智能的核心技术，理解不同机器学习算法在不同场景中的应用价值，形成主动关注人工智能发展的意识。 计算思维：  初步理解有监督学习（线性回归）、无监督学习（K-均值聚类）、强化学习的基本思想，能够通过实验观察算法的工作过程。 数字化学习与创新：  运用课程平台中的“阅读时间预测器”“K-均值聚类”“迷宫寻宝”等程序，亲身体验机器学习算法的实现与应用，培养创新实践能力。 信息社会责任：  辩证认识机器学习算法的优势与局限（如数据偏见、样本单一等问题），树立负责任地使用人工智能技术的意识。 【教学目标】 知识与技能：  了解有监督机器学习、无监督机器学习、强化学习的基本概念与典型应用；掌握线性回归、K-均值聚类、强化学习的基本思想。 过程与方法： 通过预测阅读时间、数据聚类分类、迷宫寻宝等实验，经历“观察—体验—分析—总结”的探究过程，理解机器学习算法的核心原理。 情感、态度与价值观：  感受机器学习算法的神奇魅力，激发对人工智能技术的兴趣，培养科学探究精神和创新意识。 重点 理解有监督学习、无监督学习、强化学习三种机器学习算法的基本思想。 难点 区分三种机器学习算法的核心特点（是否需要标注数据、目标是什么），理解K-均值聚类如何自动分组。 教学过程 教学环节 教师活动 学生活动 设计意图 教学设计 教学设计 教学设计 一、情境导入 1. 问题引入 同学们，你们知道人工智能是怎么“学会”知识的吗？比如，智能音箱怎么听懂你的话？人脸识别怎么认出你？今天我们就来揭秘人工智能的“学习方法”——机器学习算法。 2. 揭示课题 机器学习算法就像人工智能的“学习方法”和“工具”。它们有的是向老师学习（有监督），有的是自己探索规律（无监督），还有的是通过试错获得奖励（强化学习）。今天我们就一起来走近它们。 板书： 走近机器学习算法 二、新知学习：有监督机器学习 我们先来看第一种学习方法——有监督机器学习。就像老师带着学生，给出题目和标准答案，学生从中学到解题方法。 1.  实验：阅读时间预测器 （1） 指导学生打开课程平台中的“阅读时间预测器”程序。 （2） 引导学生先观察没有历史数据时的预测结果，再逐步添加历史阅读数据（页数、阅读时间）。 （3） 提问：添加数据后，预测结果发生了什么变化？为什么？ 2. 讲解线性回归原理 这个程序使用的算法叫线性回归。它根据你过去读过的书（页数、时间），画出一条趋势线（红色规律线）。新书页数代入这条线，就能预测出大致阅读时间。数据点离趋势线越近，预测越可靠。当然，实际阅读还会受书籍难度、专注度等影响，所以预测仅供参考。 3. 归纳有监督学习特点 • 需要标注数据（已知输入和输出）。 • 目标是学习从输入到输出的映射关系。 • 应用：图像识别、语音识别、垃圾邮件过滤等。 三、新知学习：无监督机器学习 如果没有人给我们标注好的数据，机器还能自己学习吗？当然可以！这就是无监督机器学习。 1. 实验：K-均值聚类算法 （1） 指导学生打开“K-均值聚类算法分类”程序，设置K=3（分为3类）。 （2） 引导学生观察程序自动生成3个随机中心点，然后数据被分配到最近的中心点（连接）。 （3） 观察中心点如何更新（移动到该簇数据的平均位置），以及数据是否“变色换队”。 （4） 重复直到中心点稳定，得到3个簇。 2. 讨论与思考 （1） 提问：调整K值（如K=4），分类结果有什么变化？ （2） 讨论：K-均值聚类算法还能用在哪些地方？（如：客户分群、新闻分类、用户画像） 总结：K-均值聚类不需要标注数据，它直接分析数据本身的特征（如阅读时长、类型偏好），自动把相似的数据聚在一起。我们只需要告诉它想分成几类（K值），它就会让组内尽量相似，组间尽量不同。这种算法常用于市场细分、社交网络分析等场景。 四、新知探究：强化学习 除了向老师学习（有监督）和自己探索规律（无监督），机器还有一种学习方法——像我们玩游戏一样，通过试错和奖励来学习。这就是强化学习。 1. 实验：迷宫寻宝 (1) 指导学生打开“迷宫寻宝”程序，观察机器人初始行为（随机乱走）。 (2) 讲解奖励机制：到达终点+100分，碰到炸弹-10分，每走一步空地-1分（鼓励尽快找到终点）。 (3) 让学生多次运行程序（或观看演示），观察机器人从随机行动到逐渐找到最优路径的过程。 2. 讨论强化学习的核心 总结：机器人一开始什么都不会，但它不断尝试，根据每次行动的得分（奖励或惩罚）调整策略。经过多次“试错－反馈－调整”，它学会了选择能获得最高累计奖励的路径。这就是强化学习——通过与环境交互，从奖励信号中学习最优决策。它常用于棋类AI、机器人控制、自动驾驶等。 五、拓展与升华 今天我们学习了三种机器学习算法。它们各有特点，但都在人工智能中发挥着重要作用。近年来，深度学习让这些算法变得更加强大，甚至能创造内容（如生成图片、写文章）。当然，机器学习也有局限性——如果训练数据单一或有偏见，模型也会产生不良结果。 1. 讨论数据偏见 提问：如果训练人脸识别的数据中只有白种人，那么它对黄种人、黑种人的识别效果会怎样？我们应该如何防范？ 2. 了解半监督学习 简单介绍：半监督学习介于有监督和无监督之间，只用少量标注数据+大量未标注数据。鼓励学生课后借助AI工具了解。 总结：机器学习让机器从数据中自动学习规律，是人工智能的核心引擎。未来，希望你们不仅能使用AI，更能理解它的原理，甚至创造新的算法！ 引导学生分享： 1. 今天认识了哪三种机器学习算法？它们各有什么特点？ 2. 你最喜欢哪个实验？它让你明白了什么道理？ 3. 机器学习算法在生活中还有哪些应用？ 六、作业布置 预习下一课内容。 七、板书设计 走近机器学习算法 • 有监督学习：标注数据 → 学习映射 → 预测（例：阅读时间预测器—线性回归） • 无监督学习：未标注数据 → 发现结构 → 聚类（例：K-均值聚类—自动分组） • 强化学习：试错+奖励 → 优化策略 → 决策（例：迷宫寻宝—寻找最优路径） • 核心：数据 → 规律 → 智能 思考并分享自己对人脸识别、智能音箱等AI应用背后原理的猜想。 运行“阅读时间预测器”，观察添加数据前后的变化。 记录有监督学习的特点 运行K-均值聚类程序，观察数据自动分组的过程。 小组讨论K-均值聚类在生活中的应用。 运行“迷宫寻宝”程序，观察机器人的探索过程 理解强化学习的三要素：环境、动作、奖励。 总结，分享 从学生熟悉的AI应用切入，激发好奇心。 通过互动实验，让学生直观感受“从数据中学习规律”的过程。 通过动态可视化，帮助学生直观理解“聚类”过程（分配－更新－迭代）。 通过游戏化实验，让学生在趣味中理解强化学习的试错机制。 联系热门应用（AlphaGo、自动驾驶），激发兴趣。 将知识学习转化为创意表达，培养综合实践能力。 梳理本节课知识点，形成知识脉络图谱 教 学 反 思 www.21cnjy.com 精品试卷·第 2 页 （共 2 页） 学科网（北京）股份有限公司1 / 5 学科网（北京）股份有限公司 $