第五单元探索2《预测与分类》教学设计-2026-2027学年苏科版初中信息科技九年级全一册

该初中信息科技教学设计聚焦机器学习核心任务预测与分类，通过无人驾驶城市道路实测短视频结合教材原文导入，承接机器学习基础流程，为后续人工神经网络学习提供支撑，构建完整知识支架。 以项目式学习贯穿无人驾驶案例，通过实景视频、小组合作探究等方法，落实信息意识（识别生活中预测分类应用）、计算思维（区分任务输入输出与算法匹配），帮助学生具象理解抽象概念，教师易操作，提升教学效率。

《预测与分类》教学设计-2026-2027学年苏科版（新教材）初中信息技术九年级全一册 一、学情分析 九年级学生已完成前期人工智能基础内容学习，知晓传感器、数据采集等基础概念，具备基础逻辑推理能力，具象思维仍占主导，难以直接理解抽象算法逻辑。学生日常接触图像识别、路况预判、智能推荐等 AI 场景，但无法区分预测与分类两种机器学习核心任务，不清楚二者在无人驾驶智能车中的分工。 学生小组合作探究能力成熟，乐于结合无人驾驶小车项目开展实操讨论；短板是容易混淆监督学习、无监督学习适用场景，难以将数据规律与智能车决策建立关联。本课以无人驾驶为贯穿案例，用具象路况数据拆解抽象概念，降低理解门槛，贴合初中生认知规律。 二、教材分析 本课是第五单元承上启下核心课时，承接单元总项目“设计无人驾驶智能车”，前置探索 1 介绍机器学习基础流程，本课拆解机器学习两大核心任务：预测、分类，为后续探索 3 人工神经网络与深度学习提供底层逻辑支撑。 教材原文核心板块分为三部分： 1.情境导入：无人驾驶智能车摄像头、雷达采集路况数据，需要完成“识别行人/车辆”、“预判前方道路拥堵”两类任务，引出分类、预测概念； 2.新知正文：定义预测、分类，区分监督学习、无监督学习，配套 KNN 近邻分类、时序预测基础案例； 3.单元项目衔接：结合智能车设计任务，梳理“数据采集—分类识别—路况预测—车辆控制”完整链路，配套表格对比预测与分类差异。 教材以项目式学习为主线，弱化复杂数学公式，侧重场景应用与逻辑理解，要求学生能结合无人驾驶场景区分两类任务，简单分析算法适用场景，落实信息科技四大核心素养。 三、核心素养目标 （一）信息意识 1.能主动识别生活、交通场景中预测、分类技术应用，感知数据驱动 AI 决策的价值； 2.结合无人驾驶智能车案例，意识到高质量标注数据是分类、预测模型准确运行的基础。 （二）计算思维 1. 理解预测、分类的核心逻辑，能区分两类机器学习任务的输入、输出差异； 2. 掌握监督学习、无监督学习基础概念，可根据智能车不同任务匹配对应算法； 3. 能拆解无人驾驶“识别障碍物—预判路况”完整流程，建立数据—算法—决策抽象模型。 （三）数字化学习与创新 1. 通过小组案例研讨、表格梳理，自主归纳预测与分类的区别； 2. 结合单元项目，构思无人驾驶智能车中分类、预测功能简易实现方案，具备初步创新设计思维。 （四）信息社会责任 1. 辩证认识预测、分类模型存在识别误差、预判偏差的局限性； 2. 理解无人驾驶 AI 算法安全规范，树立技术服务出行安全、科技向善的意识。 四、教学重难点 教学重点 1.掌握预测、分类的定义、核心功能与典型应用； 2.区分监督学习、无监督学习，结合无人驾驶场景匹配适用任务； 3.梳理无人驾驶智能车中分类、预测协同工作流程。 教学难点 1. 从底层逻辑区分预测（推导未来趋势）与分类（划分已知类别）； 2. 理解标注数据对监督学习分类模型的作用，能分析模型识别出错的成因。 五、教学过程 （一）情境导入：无人驾驶实景设问，引出本课主题 教师活动：播放无人驾驶城市道路实测短视频，结合教材开篇图文内容朗读教材原文：“无人驾驶智能车依靠摄像头、激光雷达持续采集路面图像、距离、车速等海量数据，车辆需要完成两项核心判断：一是分辨前方物体属于行人、机动车、非机动车还是路牌；二是根据过往车流数据，预判前方道路是否会拥堵、行人是否会横穿马路。两类判断对应人工智能两大基础任务——分类与预测。” 教师提问 1：视频里智能车识别路边行人、车辆，是把物体划分固定类别，大家思考这个操作属于哪一类 AI 任务？ 学生互动回答：划分不同物体种类，应该是分类。 教师提问 2：如果智能车根据前 5 分钟车流速度，判断 10 秒后前方道路是否拥堵，这个操作又是在做什么？ 学生互动回答：根据已有数据推测之后的情况，属于预测。 教师小结：大家的判断贴合教材内容，今天我们围绕无人驾驶智能车项目，深入学习《预测与分类》，弄懂两类任务的原理、区别与使用场景。 设计意图：依托教材导入原文，用实景视频搭建项目情境，通过递进式问答激活学生生活经验，快速建立“无人驾驶—分类、预测”关联，激发探究兴趣，落实信息意识素养。 （二）新知探究一：解读教材原文，认识“分类” 1. 教材原文精读讲解 教师展示教材正文段落并逐句解析：“分类属于监督学习任务，需要提前给训练数据打上明确标签，模型通过学习标注好的数据特征，将未知对象划分至预先定义好的类别中。无人驾驶智能车障碍物识别就是典型分类任务，提前收集大量行人、电动车、汽车图片并标注标签，训练完成后，车辆摄像头拍摄新画面，就能自动完成物体分类。” 教师出示教材配套对比表格，板书展示： 分类任务核心要素 无人驾驶智能车实例 输入 摄像头拍摄的路面图像 训练数据 带标签图像（行人/车辆/路障） 输出 固定类别标签 学习类型 监督学习（有标签） 2. 师生互动案例拆解（KNN 近邻分类，教材配套案例） 教师提问：教材中使用 KNN 近邻算法完成障碍物分类，谁能结合字面意思说说“近邻”代表什么？ 学生回答：和新物体特征最接近的已知样本。 教师补充讲解教材案例：假设智能车识别一个未知物体，调取数据库里距离最近的 5 个标注样本，其中 3 个是行人，2 个是电动车，按照多数投票规则，模型判定该物体为行人，这就是 KNN 分类逻辑。 教师追问：如果训练图片里缺少儿童行人样本，智能车识别小朋友时容易判定错误，这说明什么？ 学生小组讨论后作答：训练数据标签不全、样本不足，分类模型准确率会下降。 教师总结：教材明确标注，监督学习分类效果高度依赖标注数据集，数据完整、标注准确，分类识别才可靠。 设计意图：完整拆解教材原文与配套表格，用 KNN 简易案例降低算法抽象度，问答互动引导学生自主发现数据对分类模型的影响，落实计算思维，突破“分类 + 监督学习”重点。 （三）新知探究二：研读教材内容，理解“预测” 1. 教材原文精读讲解 教师朗读教材预测板块原文：“预测是基于历史时序数据挖掘内在规律，推算未来一段时间事物变化趋势，可分为监督时序预测、无监督趋势预测。无人驾驶智能车路况预判、行人移动轨迹推演都属于预测任务，输入是连续时间内采集的车速、距离、行人位置数据，输出是未来变化趋势、概率区间。” 板书对比分类与预测基础差异图表： 维度 分类 预测 核心目标 划分已知固定类别 推算未来变化趋势 输出结果 固定类别 数值、趋势、概率 典型智能车场景 识别行人、车辆 预判拥堵、行人横穿 2. 师生互动实景案例分析 教师提问：教材举例，智能车通过连续 3 秒行人坐标数据，预测 2 秒后行人位置，这个预测依靠什么数据？ 学生回答：连续采集的时序位置数据。 教师拓展提问：天气预报、商品销量预估、导航拥堵预判都属于预测，对比分类，预测是否需要提前标注类别？ 学生分组交流后回答：不需要固定类别标签，只需要连续历史数据。 教师补充教材知识点：预测不强制依赖类别标签，部分简单预测任务属于无监督学习，只需要挖掘数据变化规律；但高精度轨迹预测依旧会结合标注数据，属于监督预测。 设计意图：对照分类知识形成对比学习，依托教材时序数据案例，通过问答区分两类任务输出差异，用生活案例拓宽学生认知，解决“预测与分类逻辑混淆”难点。 （四）新知探究三：结合单元项目，梳理智能车协同工作流程 教师展示教材项目流程图原文：数据采集（雷达、摄像头）→ 分类识别障碍物 → 时序预测物体运动轨迹 → 车载控制器调整车速、转向。 教师分步提问，引导学生串联流程： 1. 提问 1：智能车第一步采集图像数据，先执行哪项任务保障安全？ 学生：分类，识别前方是什么物体。 1. 提问 2：识别出行人之后，为什么还要做轨迹预测？只分类够吗？ 学生：只知道是行人，但不知道行人会不会过马路，预测轨迹才能提前刹车避让。 1. 提问 3：如果分类识别出错，预测还能准确发挥作用吗？ 学生：不能，分类是预测的基础，第一步识别错误，后续预判全部失效。 教师总结教材核心项目观点：分类负责静态物体识别，预测负责动态趋势推演，二者配合完成无人驾驶智能车安全决策，是整套 AI 系统不可分割的两个模块。 设计意图：紧扣单元“无人驾驶智能车”大项目，依托教材流程图文，阶梯式问答帮助学生建立系统思维，理解两类任务的协同关系，实现知识落地到项目实践。 （五）课堂小组探究活动 布置教材配套探究任务：以小组为单位，填写课堂探究单，完成两项任务： 1. 区分下列场景属于分类还是预测：车牌识别、导航预判堵车、垃圾分类 AI、预测气温； 2. 为无人驾驶智能车新增一个功能，说明该功能使用分类还是预测、属于监督/无监督学习。 小组完成后上台分享，教师结合教材知识点点评纠错。 设计意图：以教材探究任务为载体，小组合作锻炼数字化探究能力，通过分享展示巩固重难点，兼顾分层学习。 （六）课堂小结 教师带领学生回顾教材核心知识点： 1. 分类：监督学习，划分固定类别，智能车障碍物识别； 2. 预测：挖掘时序规律，推算未来趋势，智能车轨迹、路况预判； 3. 二者配合构成无人驾驶 AI 基础决策链路，数据质量直接影响模型精度。 六、全文总结 本节课我们依托无人驾驶智能车项目，完整学习了机器学习两大基础任务预测与分类，读懂教材中监督学习、无监督学习的适用场景，理清智能车识别、预判的完整工作逻辑。预测与分类是人工智能最基础的底层能力，手机图像识别、交通智慧调度、智能推荐系统都依靠这两项技术实现。下一节课我们将深入探索支撑预测、分类模型运行的底层技术——人工神经网络与深度学习，解开 AI“数字大脑”的工作奥秘。课后完成分层作业：基础作业整理课堂对比表格；提升作业为无人驾驶小车设计一套行人分类简易方案；拓展作业查找生活中预测类 AI 应用并记录原理。 2 学科网（北京）股份有限公司 $