人工智能主题学习 走近机器学习算法（教学设计）2025-2026学年苏科版信息科技五年级下册

课时编号 备课时间 上课时间 课　　题 人工智能主题学习 走近机器学习算法 教学目标 （一）信息意识 1.初步认识机器学习，了解其是人工智能实现“智能”的核心方法，感知机器学习算法在生活中的广泛应用。 2.了解有监督、无监督、强化学习等机器学习算法的基本思想，认识不同算法的特点与适用场景。 （二）计算思维 1.能通过“阅读时间预测器”“K-均值聚类”“迷宫寻宝”等案例，理解不同机器学习算法的工作逻辑：有监督学习是“从标注数据中找规律预测”，无监督学习是“从未标注数据中自动分类”，强化学习是 “通过试错反馈调整策略”。 2.能对比分析不同机器学习算法的差异，初步形成对算法思想的抽象与分析思维。 （三）数字化学习与创新 1.能参与教材中的“做一做”“实验室”活动，体验阅读时间预测、K-均值聚类、迷宫寻宝等程序，观察算法工作过程。 2.能尝试调整 K-均值聚类算法的K值，分析分类结果的变化；并通过 “挑战”活动，了解半监督机器学习算法，培养数字化探究与创新能力。 （四）信息社会责任 1.体会机器学习算法对人工智能发展的推动作用，理解算法是人工智能创新的核心动力。 2.认识到机器学习算法在服务学习和生活中的重要意义，树立理性看待人工智能技术的态度。 教学重点 了解有监督学习、无监督学习、强化学习三种机器学习算法的基本思想和典型应用。 教学难点 理解不同机器学习算法的工作逻辑，区分它们的核心特点和适用场景。 教学方法 情境教学法、案例分析法、实验探究法、小组讨论法、任务驱动法 教学准备 1.多媒体课件、教材内容 2.课程平台中的“阅读时间预测器”“K -均值聚类算法分类”“迷宫寻宝” 程序 3.课堂学习单（含算法特点对比表、实验观察记录表） 4.不同机器学习算法的应用场景卡片 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，初识机器学习（5 分钟） 1.创设情境：展示机器人学习、AI预测阅读时间、自动分类数据的场景，提问：“人工智能是如何‘学会’理解、判断和决策的？” 2.引出课题：机器学习算法是人工智能学习的 “方法和工具”。今天我们就一起走近机器学习算法。 1.观看情境，思考人工智能的学习方式，激发对机器学习的兴趣。 2.明确本节课的学习主题和目标。 通过学生熟悉的 AI 场景导入，让学生直观感受机器学习的作用，激发学习兴趣。 二、探究有监督机器学习（10分钟） 1.讲解有监督机器学习的定义：使用标注数据训练，找出输入与输出的关系，用于预测新数据。 2.组织教材 “做一做”活动：运行“阅读时间预测器”程序，观察历史阅读数据如何建立预测模型，预测新书阅读时间。 3.讲解线性回归算法：通过分析书籍页数与阅读时间的规律，生成趋势线进行预测。 4.小结：有监督学习的特点是 “有标注数据→找规律→做预测”，应用于图像识别、语音识别等场景。 1.学习有监督机器学习的基本概念。 2.运行程序，体验阅读时间预测的过程，理解算法如何利用历史数据建立模型。 3.理解线性回归算法的预测逻辑，感受有监督学习的特点。 通过教材中的 “做一做” 活动，让学生亲身体验有监督学习的工作过程，理解其核心思想。 三、探究无监督机器学习（12分钟） 1.讲解无监督机器学习的定义：分析未标注原始数据，自动发现隐藏规律、相似特征或分组关系。 2.组织教材 “实验室” 活动：体验“K-均值聚类算法分类” 程序，将学生阅读数据自动分类。 3.演示实验过程： 程序随机生成中心点，分配数据到最近中心点。 更新中心点位置，重复分配和更新，直到分类稳定。 4.组织 “思考交流”：调整 K 值，观察分类结果的变化；讨论 K-均值聚类算法的生活应用。 5.小结：无监督学习的特点是 “无标注数据→自动分类 / 聚类→发现规律”，应用于客户分群、异常检测等场景。 1.学习无监督机器学习的基本概念。 2.分组运行程序，观察数据自动分类的过程，体验 K-均值聚类算法的工作步骤。 3.调整 K值，分析分类结果的变化，理解 K-均值聚类的原理。 4.参与讨论，思考算法的生活应用。 通过教材中的 “实验室” 活动，让学生亲身体验无监督学习的过程，理解其自动发现数据规律的特点。 四、探究强化学习（8分钟） 1.讲解强化学习的定义：机器通过与环境交互，根据 “奖励” 或 “惩罚”调整策略，学习做出最优选择。 2.组织教材 “想一想” 活动：体验 “迷宫寻宝” 程序，思考机器人如何在无人工提示的情况下找到终点。 3.讲解算法逻辑：通过设置奖励（抵达终点+分）和惩罚（触碰炸弹-分），机器人不断试错调整行动策略，找到最优路径。 4.小结：强化学习的特点是 “与环境交互→试错反馈→优化策略”，应用于棋类竞技、机器人控制等场景。 1.学习强化学习的基本概念。 2.运行程序，观察机器人的探索过程，理解强化学习的核心思想。 3.分析奖励与惩罚如何引导机器人学习，感受强化学习的特点。 通过教材中的 “想一想” 活动，让学生体验强化学习的试错过程，理解其通过反馈优化策略的逻辑。 五、拓展挑战，总结提升（5分钟） 1.组织教材“挑战”活动：借助人工智能工具了解半监督机器学习算法，并在班级分享交流。2.讲解深度学习的发展：介绍基于深度神经网络的大模型、生成式人工智能，理解机器学习是 AI 发展的核心引擎。 3.课堂小结：梳理有监督、无监督、强化学习三种算法的特点和应用，总结机器学习对人工智能的重要意义。 1.完成挑战任务，了解半监督机器学习算法，拓展对机器学习的认知。 2.了解深度学习的发展，感受机器学习的创新潜力。 3.回顾本节课的重点内容，梳理知识脉络。 通过拓展挑战和深度学习介绍，让学生全面了解机器学习算法，形成对人工智能技术的整体认知。 板书设计 走近机器学习算法 一、有监督学习（标注数据） 特点：找输入与输出的规律 → 预测新数据 案例：阅读时间预测、图像识别 二、无监督学习（无标注数据） 特点：自动发现数据规律/分组 → 聚类、异常检测 案例：K-均值聚类、客户分群 三、强化学习（交互反馈） 特点：试错+奖励/惩罚 → 优化策略 案例：迷宫寻宝、机器人控制 四、核心意义：机器学习是人工智能的“学习方法” 教学反思 1.成功之处：通过教材中的 “做一做”“实验室”“想一想”“挑战” 活动，学生的参与度很高，能亲身体验三种机器学习算法的工作过程，理解它们的核心特点。实验环节让学生直观感受到不同算法的差异，有效突破了教学难点。 2.待改进之处：部分学生对无监督学习中 “聚类” 的概念理解仍有困难，后续可以增加更多生活化的类比（如 “把相似的同学分到一组”），帮助学生理解。对强化学习中 “奖励 / 惩罚” 的引导可以更细致，让学生更清晰地看到策略调整的过程。 3.后续调整：可以增加更多机器学习算法的生活案例，让学生更全面地了解其应用场景，同时引导学生尝试设计简单的机器学习逻辑，培养创新思维。 学科网（北京）股份有限公司 $