第26课 推荐出行方式 教学设计 -2025-2026学年人教版初中信息科技（人工智能专册）

该初中信息科技教学设计聚焦智能出行推荐的数据处理与算法应用，通过“人工智能能否推荐合理出行方式”的问题导入，引导学生从数据准备（收集、清洗、分级）到决策树、神经网络算法学习，构建递进式知识支架。 该资料以真实出行场景为载体，通过数据预处理活动培养信息意识，对比决策树与神经网络逻辑发展计算思维，Python编程实践提升数字化学习与创新能力。为教师提供完整教学流程，帮助学生掌握AI模型构建，体会科技服务生活价值。

初中信息科技人工智能专册教学设计 课题 第26课 推荐出行方式 教学 目标 1.信息意识：1.感知出行推荐场景中的数据价值，识别距离、时间、天气、费用等核心特征维度，理解数据质量对推荐效果的决定性作用。 2.计算思维：理解决策树与人工神经网络的算法逻辑，对比两种算法在推荐任务中的优势与局限，形成算法选择与优化思维。 3.数字化学习与创新：能利用Python编程工具实现基础出行推荐模型,调用机器学习库完成数据训练与预测。 4.信息社会责任：理解AI推荐技术对智慧出行、绿色交通的推动作用，体会科技服务生活的价值。 教学 重点 理解不同算法的底层逻辑，对比决策树与神经网络的适用场景。 教学 难点 解决数据预处理、模型过拟合、推荐偏差等实践问题。 教学 过程 教 学 内 容 与 师 生 活 动 设计意图 关注学生 情景导入 出行是人们日常生活中不可或缺的一部分，选择合适的出行方式往往需要综合考虑多种因素，如时间、距离、天气等。人工智能能否在不同条件下推荐合理的出行方式？ 新授课 一、准备数据 推荐（预测）离不开数据，准备数据一般要经历收集数据、整理数据、清洗数据、分析数据和构建数据集等过程（图 26.1）。 图 26.1 准备数据的过程 · 收集数据阶段：可以通过问卷调查、传感器记录或网络爬取等方式获取原始信息； · 整理数据时：需要将收集到的零散数据按照规则进行分类和排序； · 清洗数据：是为了去除重复、错误或不完整的数据，确保数据的准确性和一致性； · 分析数据：是通过对数据运用统计分析和可视化等方法，挖掘出潜在的规律和趋势； · 构建数据集：是将数据组织成适合模型训练和预测的格式，为后续的人工智能应用提供基础。这些步骤环环相扣，是实现高质量推荐的重要前提。 学习活动1 分析任务，明确推荐系统所需的数据并收集整理 · 任务情境：上学时，同学们会根据距离、天气情况、同伴数量等情况选择步行、骑行或坐车。尝试设计一个智能系统，根据提供的客观情况推荐出行方式。 · 任务分析：影响因素可能连续变化，如温度、距离等，可以将这些数据进行等级划分，构建结构化的数据集，从而为后续模型训练和智能推荐打下基础。 · 处理流程：收集原始信息→对影响因素进行分级→形成结构化数据集 · 活动过程： 1.回顾自己日常上学的出行情况，列出可能影响你选择步行、骑行或坐车的主要因素，如距离、温度、风力、同伴数量、天气等。 2.汇总大家普遍关注的影响因素，并为每个因素设定合理的等级划分标准。例如，距离分为近、中、远。 3.参考讨论结果，设计一份简单的调查表或记录表，用于收集同学们的出行方式及相关因素数据。 4.检查收集到的数据中，是否有缺失项或明显错误的数据，并进行初步清洗和整理。 5.结合已有数据和分级标准，将原始信息转化为计算机可以识别的等级形式，形成可用于训练的数据集。 6.分析数据完整性：目前的数据是否覆盖了各种可能的情况？等级划分是否合理？如果样本不足或划分不合理，应如何改进？ 如何对连续变化的影响因素进行分级？ 获取数据后，可基于数据进行训练和推理。实现方式有多种， 例如： ·根据数据生成决策树，然后用决策树推荐出行方式； ·将距离、温度、同伴数及出行方式等作为训练数据集，训练一个推荐人工神经网络，即可推荐出行方式。 二、基于决策树推荐 决策树通过一系列判断条件逐步缩小推荐范围，最终得出一个推荐结果。要使用决策树进行推荐，首先要根据已有数据生成这棵“树”。如下图 学习活动2 基于决策树构建智能推荐系统 1.将整理后的数据按某种文件格式保存起来，如 CSV 格式。保存时， 确保每一列都有清晰的字段名，如距离、温度、同伴数量、风力、天气、出行方式等。 2.访问一个支持代码生成的人工智能网站，输入需求描述，如“请根据提供的 CSV 数据生成用于训练决策树的代码。”同时，应附上数据文件和数据格式说明。 3.下载或复制网站生成的代码，并根据实际情况进行修改，包括：修改数据文件的路径，确保程序能找到数据文件；设置模型的保存路径等。 4.运行修改后的代码，观察程序是否顺利运行，并检查是否成功保存了决策树模型。 5.调用训练好的决策树模型，根据输入的出行情况推荐出行方式，并分析该推荐是否合理。 三、基于人工神经网络推荐 利用出行数据训练一个简单的人工神经网络，得到模型后将出行情况输入模型，由模型推荐出行方式。 学习活动3 基于人工神经网络构建智能推荐系统 1.思考输入和输出的构成。输入包括距离、同伴数量、温度、天气、风力等；输出包括步行、骑行和坐车。参考图 26.3 绘制单层人工神经网络， 标出输入和输出节点的意义。 图 26.3 单层人工神经网络示意图 2.访问支持代码生成的人工智能平台，输入需求描述，如“基于提供的出行方式数据集，生成用于训练模型的 Python 代码。模型比较简单，分为输入层和输出层，其中输入层包括……” 3.下载或复制网站生成的代码，并根据实际情况进行修改，包括：修改数据文件的路径，确保程序能找到数据文件；设置模型的保存路径等。 4.运行代码训练模型。 5.编程调用训练好的模型，根据输入的出行情况推荐出行方式，并分析该推荐是否合理。 四、反思与改进 在完成初步的推荐任务后，可以进一步对不同方法的效果进行比较与反思，以提升推荐的准确性与实用性。 学习活动4 对比智能推荐系统的不同实现方式及效果 1.针对相同的出行情况，利用不同方式进行推荐，看看它们推荐的出行建议哪个更合理。 2.使用老师提供的更多数据重新训练模型，然后进行推荐，看看推荐效果是否有明显提升。 3.利用大语言模型进行推荐，看看大语言模型的推荐效果。可参考如下提示词。 条件：距离近、温度适宜、无同伴、微风、天晴（阴）。 要求：从步行、骑行、坐车中选择适合初中生的上学出行方式。 拓展与提升 节假日快到了，很多同学计划和家人一起外出旅行。为了提升出行效率和舒适度，需要设计一个“出行方式智能推荐小助手”。这个智能小助手不仅能根据实际情况推荐出行方式，如高铁、飞机、普通火车或自驾，还能综合考虑票价、线路热门程度、出发时间等因素。 结合本课所学的知识，提出相应的技术方案。如条件允许，尝试实现所设计的系统，包括数据准备、模型训练与出行推荐等环节，体验人工智能在实际生活中的应用过程。 板 书 设 计 一、准备数据 二、基于决策树推荐 三、基于人工神经网络推荐 四、反思与改进 教 学 反 思 1 学科网（北京）股份有限公司 $