初中信息科技教学设计《智解数据·慧育模型-机器学习四大核心算法项目式学习》

初中信息科技教学设计《智解数据·慧育模型——机器学习四大核心算法项目式学习》

一、教学内容分析与单元规划【基础】本课为初中信息科技八年级下册第二单元“人工智能技术基础”中的核心课时，在浙教版、西师大版等多版本教材中均对应第9课“人工智能中的机器学习”。根据《义务教育信息科技课程标准（2022年版）》的要求，信息科技课程的核心素养主要包括信息意识、计算思维、数字化学习与创新、信息社会责任四个方面。-本课旨在帮助学生理解机器学习的核心原理，掌握数据驱动决策的基本思想，为后续深度学习等高级内容奠定基础。本课建议安排3课时完成。第1课时聚焦机器学习的基本概念与监督学习中的分类算法（以KNN为核心），第2课时侧重监督学习中的回归算法（以线性回归为核心），第3课时拓展无监督学习中的聚类算法（以K-means为核心）。通过三大核心算法的逐层递进学习，帮助学生构建完整的机器学习知识框架。二、学情分析授课对象为初中八年级学生。在此之前，学生已在数学课程中学习了数据统计的基础知识，初步掌握了一元一次函数等基本概念，具备Python编程语言的基础，能够完成简单的代码调试与运行。同时，学生此前已经通过第7、8两课的学习，初步了解人工智能的基本概念、发展历程和主要应用场景，对语音识别、图像识别等技术有感性认识。然而，八年级学生对“机器学习”这一概念还较为陌生，对“计算机如何从数据中学习”这一核心问题缺乏深入理解。【重要】本课的教学难度在于如何将抽象的算法原理转化为可视化、可操作的实践活动，降低认知门槛，激发学生兴趣。三、教学目标（核心素养导向）【核心素养】信息意识。通过观察生活中智能应用的案例，（学科素养）理解机器学习在解决实际问题中的巨大价值，认识到信息技术是推动社会进步的重要力量。能够初步判断哪些问题适合采用机器学习方案来解决。（信息意识）【核心素养】计算思维。理解机器学习的基本原理与一般流程，（学科素养）掌握监督学习中KNN分类算法和线性回归算法的核心思想，能够运用算法思维对生活中的问题进行分析与建模。理解无监督学习中聚类算法的特点与应用场景。（计算思维）【核心素养】数字化学习与创新。通过参与“食堂满意度预测”“身高预测”“电商用户分群”等项目式实践活动，（学科素养）能够使用AI训练平台或Python工具完成简单的机器学习模型训练与测试体验，初步具备在数字环境中进行创新实践的能力。（数字化学习与创新）【核心素养】信息社会责任。在学习过程中理解数据隐私保护的重要性，（学科素养）树立科技向善的价值导向，培养学生用人工智能技术服务社会发展的社会责任感，初步形成科技伦理意识。（信息社会责任）四、教学重难点【重点】理解机器学习的核心原理，掌握监督学习中的分类算法（KNN）和回归算法（线性回归）。【重点】能够区分监督学习和无监督学习的基本特点及应用场景。【难点】理解KNN算法中“特征距离”的概念和线性回归中“拟合”的思想。【难点】理解数据质量与规模对机器学习模型性能的关键影响，掌握简单的模型优化思路。五、教学方法与手段教学方法。采用项目式学习与问题链导学相结合的模式，以真实生活情境驱动学习任务，引导学生在解决实际问题的过程中理解机器学习的核心概念。具体包括：案例分析法（通过生活实例引出概念）、类比教学法（将机器学习与人类学习类比）、实验探究法（利用AI训练平台进行动手实践）、小组合作法（分组完成项目挑战）。教学手段。利用多媒体课件展示核心概念和算法流程，借助在线AI实验平台（如英利AI训练平台、TeachableMachine）提供可视化操作环境，通过Python交互式编程环境供学有余力的学生进行拓展实践。【拓展延伸】可结合腾讯AI开放平台、百度AI体验中心等免费资源，为学生提供更丰富的模型训练体验环境。教学资源准备。教师准备：教学PPT课件（含动画演示）、实验任务卡、项目学习单、“模型优化挑战卡”-44、评估量表。学生准备：每人一台联网计算机或平板设备，Python编程环境，分组实验素材包（预设的数据集、图像样本等）。本节课已接入教室内统一的数字化学习平台，支持学生实时提交实验成果和进行组间互评。六、教学过程设计第一课时：机器学习初探与KNN分类算法环节一：情境导入——唤醒生活感知（约5分钟）教师活动。教师以互动问答开启课堂：“同学们，你们在使用手机拍照时，相册应用能自动把不同人物的照片归到一起，这是怎么做到的？外卖App为什么总能推荐你们可能喜欢的美食？抖音为什么能猜到你们喜欢的视频类型？”通过这些贴近学生生活的实际问题，激活学生的已有经验。【重要】教师随后通过大屏幕展示一组智能应用场景图片：人脸识别考勤、植物识别软件、语音助手应答、电商个性化推荐等，引导学生思考这些智能功能背后的技术支撑。学生活动。学生根据自己在日常生活中的使用体验，积极举手分享对智能应用的了解。部分学生可能提到通过拍照识别植物、通过语音指令控制智能音箱等具体经历。教师将学生的回答关键词记录在白板上，引导出本节课的核心主题——机器学习。设计意图。以真实的生活情境切入，拉近学生与抽象概念的认知距离，激发好奇心和学习内驱力。通过具体可感的案例，为深入理解机器学习原理搭建认知脚手架。【高频考点】环节二：概念建立——揭秘学习机制（约10分钟）【基础】教师活动。教师以对比板书呈现人类学习与机器学习的类比关系。板书左侧以“乌鸦喝水”的故事为例，说明人类学习的过程可以概括为“观察—归纳—应用”：乌鸦观察到石子投入水瓶后水面上升（观察），归纳出“投入石子可使水面升高”的规律（归纳），然后在遇到类似问题时运用这一规律获得水（应用）。板书右侧则展示机器学习的对应过程：“数据收集—模型训练—预测应用”。教师使用生动比喻引导学生理解：如果把机器学习模型比作一个“学生”，数据就是这个学生要阅读的“课本”，算法就是“学习方法”，训练出来的模型就是学生最终掌握的“知识”。-69教师活动。教师进一步讲解机器学习的基本分类。监督学习好比“有标准答案的刷题练习”——训练数据中包含输入和对应的正确输出（标签），模型从中学习映射关系，之后遇到新的输入时就能给出预测；无监督学习好比“在没有参考答案的情况下自主归纳分类”——数据中没有预先标注的答案，算法自己寻找其中的模式和结构，就像图书管理员在没有分类标签的情况下把书籍按主题自动归类；强化学习好比“在试错中优化的过程”——智能体在环境中不断尝试行动，根据环境反馈的奖励或惩罚来调整策略，逐步优化行为表现。小学、初中阶段的授课主要以监督学习和无监督学习为重点展开。-8-131学生活动。学生分组讨论生活中看到的智能现象属于哪一类机器学习问题。小组代表上台进行分享，教师予以引导和点评。例如，人脸识别考勤系统属于典型的分类问题，因为它需要在有限的人脸库中找到匹配的类别；抖音推荐既涉及分类、回归等监督学习，也涉及聚类等无监督学习，体现出多种技术的融合应用。设计意图。通过人类学习和机器学习的高度类比，帮助学生建立起对机器学习这一陌生概念的具体认知图式，降低抽象概念的理解难度。通过分类讨论活动，培养学生的比较分析和归纳概括能力。环节三：原理探究——走近KNN分类算法（约15分钟）【基础·重要】教师活动。教师以“豆豆分类的小实验”创设探究情境。教师展示一个图示：在一个二维平面上，分布着红色和蓝色两种颜色的圆点，分别代表不同类别的样本。教师在平面上标出一个新的灰色圆点（待分类的未知样本），引导学生思考：这个灰色点应该属于红色类别还是蓝色类别？学生凭直觉会回答“观察它周围是什么颜色”。教师由此引出“近朱者赤，近墨者黑”这句俗语，这正是KNN（K-NearestNeighbor）K最近邻算法的核心思想：一个样本的类别由离它最近的K个邻居的类别决定。-69教师活动。教师通过动画演示逐步呈现KNN算法的三个关键步骤。第一步，计算待分类样本与所有已知样本之间的距离（教师使用课件动画展示欧氏距离的计算过程，引导学生在平面直角坐标系中直观感受距离的概念）；第二步，按照距离从小到大的顺序找出最近的K个邻居（教师演示K值取3和5时的不同选择结果）；第三步，统计这K个邻居中不同类别的出现频率，将频率最高的类别作为待分类样本的预测类别。教师引导学生思考：K值（即邻居数量）的选取会对分类结果产生怎样的影响？如果K值太小，容易受到个别噪声样本的干扰；如果K值太大，分类结果可能过度平滑，忽略了局部特征。因此，选择合适的K值是使用KNN算法时需要考虑的重要问题。-68-学生活动。教师为学生发放KNN算法模拟练习卡，卡片上绘制了一组已知分类的训练样本和一个待分类的新样本。学生分组讨论并计算距离，确定当K=3、K=5时新样本应归属的类别分别是什么，记录分析过程和结果。设计意图。通过可视化的图形演示和动手计算体验，将抽象的KNN算法转化为可触摸、可操作的具体活动，让学生在亲身实践中理解算法的核心逻辑，突破“距离计算”和“K值影响”这两个教学难点。【基础·高频考点】环节四：项目探究——食堂满意度智能分类（约8分钟）【实践·重要】教师活动。教师布置项目任务：“学校食堂想了解同学们对午餐的满意度，以便改进菜品和服务。我们手头有一批已有的调研数据，记录了每位同学的年龄、性别、就餐时段以及对食堂的满意度评分（满意/不满意）。现在有一位新同学，我们想用KNN算法来预测他对食堂的满意度，请分组完成这个预测任务。”教师为学生提供包含20条记录的训练数据集（Excel表格格式），以及待预测的新样本数据。-69学生活动。学生分组使用教师提供的Python代码模板完成项目任务。代码框架已经包含了数据加载、数据集分割（将90%用做训练集、10%用做测试集）、KNN模型创建、模型训练、预测和准确率评估等环节，学生只需要补充适量关键代码并观察实验结果。各小组尝试调整不同的K值（1,3,5,7,9），观察K值变化对预测准确率的影响，并在实验记录单上填写观察结论。教师活动。教师巡回指导，观察学生在代码调试过程中遇到的共性问题，适时进行集中讲解或个别辅导。项目完成约6分钟后，教师邀请2-3个小组的代表上台展示实验结果，包括不同K值下的准确率对比、最佳K值选择及理由。教师点评各组的实验成果，补充说明KNN算法在实际应用中还需要考虑特征缩放、数据归一化等进阶问题，本课不作深入展开，留给学有余力的学生课后自主探究。设计意图。通过真实情境的项目式学习任务，将知识学习与应用实践有机融合，让学生经历了“提出问题—分析问题—设计解决方案—实施验证—得出结论”的完整探究过程，培养计算思维和问题解决能力。同时，通过K值调整的探索实验，引导学生直观感受超参数对模型性能的影响，理解数据质量和参数选取在机器学习中的重要性。【学科融合·数学】本环节中K值的选取和准确率的计算（分类正确的样本数占全体测试样本的比例）涉及数学学科中的统计知识，体现了机器学习教学中数学基础的重要性。-130-环节五：课堂小结与作业布置（约2分钟）教师活动。教师通过板书梳理本节课的核心知识点：机器学习的定义与基本流程、监督学习与无监督学习的区别、KNN分类算法的核心思想与关键步骤。教师引导学生回顾本节课使用类比法和实验法理解机器学习的过程，强化结构化思维。学生活动。学生完成学习任务单中的自我评价部分，包括对本节课核心概念的理解自评、项目探究中的收获与困惑记录，以及下一步学习的关注方向。作业布置。基础作业：完成学习任务单中的课后练习题，包括机器学习的定义填空、监督学习与无监督学习的区分选择、KNN算法计算模拟题。拓展作业：查找身边使用KNN算法（或类似分类技术）的应用案例，如垃圾邮件分类、手写数字识别等，简要分析其工作原理，下节课前进行分享交流。第二课时：线性回归算法与数据预测环节一：复习回顾与新课导入（约5分钟）教师活动。教师通过快速问答带领学生回顾第一课时的核心知识：什么是机器学习？监督学习和无监督学习有什么区别？KNN算法的核心思想是什么？随后展示一段微视频《大数据预测未来的秘密》，视频中呈现了天气预报、交通流量预测、电商销量预估等日常生活中常见的预测应用场景。教师引导提问：“超市如果要预测明年的商品销量该如何做？医生如果要预测某位患者的康复时间会用到什么方法？这些问题和上节课学到的分类问题有什么不同？”学生活动。学生积极回答问题，踊跃参与互动。多数学生会提到预测需求和分类问题的区别在于分类结果是离散的类别（如满意/不满意），而预测结果是连续的数值（如销量、康复天数等）。教师顺势引出今天的课题——回归算法。设计意图。通过复习巩固旧知，为新知识的学习做好知识铺垫。通过预测问题的对比分析，帮助学生明确分类和回归这两类监督学习任务的根本差异，为理解线性回归的应用场景建立认知基础。环节二：原理探究——线性回归的核心思想（约12分钟）【基础·重要】教师活动。教师以“身高预测”为切入点导入线性回归。教师提出问题：“如果知道一个人的年龄和身高数据，我们能否预测某一年龄对应的身高值？”教师在大屏幕上展示一组散点图：横坐标是年龄（岁），纵坐标是身高（厘米）。学生观察这些点的分布趋势——随着年龄增大，身高总体呈现上升趋势。教师提问：“我们能不能用一条直线来近似描绘这些数据点的整体趋势？”部分学生联系数学课上学过的一次函数图像y=kx+b，初步对应到线性回归的概念。-73教师活动。教师讲解线性回归的核心思想：线性回归是一种寻找因变量（待预测的目标值，如身高）与一个或多个自变量（特征，如年龄）之间线性关系的统计方法。简单线性回归（只有一个自变量）的目标是找到一条最能代表数据点分布趋势的直线，这条直线的方程就是回归模型。教师通过动画演示“最小二乘法”的概念：在这条直线的上方和下方都分布着一些数据点，点到直线的垂直距离代表预测误差，最小二乘法的目标就是让所有误差的平方和尽可能小。教师用生活化语言解释：“就像我们用一条绳子把所有点‘拉’住，让绳子距离所有点最近，这条绳子就是最佳拟合直线。”-学生活动。学生在任务单上完成“身高与年龄”数据集的模拟配对练习。教师提供六组带有年龄和身高数据的样本，学生阅读并初步判断数据之间是否存在大致线性关系。对于学有余力的学生，教师鼓励他们计算简单的加权平均比例来尝试实现最粗略的拟合估算。学生在互动环节讨论实际预测时应考虑哪些特征（因素），例如除了年龄之外，还有遗传、营养状况、运动习惯等多方面因素会影响身高，这对应到多元线性回归的场景。设计意图。通过将抽象的线性回归迁移至学生熟悉的“一次函数”知识，建立新旧知识的有效连接，降低认知负担。通过“点到直线的距离最小化”的动画演示，将最小二乘法的数学原理可视化，帮助学生建立直观感受而非记忆复杂的公式。【高频考点】【跨学科链接·数学】线性回归的核心数学基础是一次线性函数y=kx+b，学生在数学课中已掌握相关知识；同时，数据的收集、整理和分析涉及统计学方法，体现了信息科技与数学学科的深度融合。-环节三：项目探究——用线性回归预测考试成绩（约15分钟）【实践·重要】教师活动。教师发布项目任务：“学校希望了解学生学习时间与考试成绩之间的关系。请利用已有的学习时间（小时/周）与对应考试成绩的数据，构建线性回归模型，预测一名每周学习20小时的学生可能取得的考试成绩。”教师提供一组模拟数据集（30条记录），包含学习时间和期末考试成绩两个字段。项目目标包括：理解线性回归的输入输出关系，使用Python的scikit-learn库完成简单线性回归模型的创建与训练，利用训练好的模型对新样本进行预测，绘制回归直线图并分析预测结果的合理性。-73学生活动。学生分组使用PythonJupyterNotebook或类似的交互式编程环境完成项目。部分小组统一使用教师提供的代码框架，在此基础上尝试调整训练集和测试集的划分比例；部分学有余力的小组尝试探索多元线性回归，即在预测考试成绩时引入课堂参与度、作业完成率等其他特征变量，比较多元线性回归与简单线性回归的性能差异。各组完成项目后，填写项目学习单，简要记录使用的特征变量、模型的代码实现过程和预测结果的讨论分析。教师活动。教师在学生实践过程中巡回指导，重点关注各小组的代码调试进展，提示常见的错误类型（如数据处理格式不正确、模型导入错误等），适时为学生提供技术支持和解决方案建议。项目结束后，教师邀请优秀小组展示他们所构建的最佳模型及预测结果。教师总结点评时强调回归输出的是连续数值（如预测成绩85分），分类输出的是离散类别（如预测结果为及格/不及格），两种不同类型的任务各有适用范围。【高频考点】设计意图。通过真实情境下的预测项目（考试成绩预测），让学生在实际操作中深刻理解回归算法的价值与特点。通过模型性能评估和误差分析帮助学生树立批判性评估机器学习结果的意识。环节四：模型评估与讨论（约6分钟）教师活动。教师引导各小组就本组预测结果进行比较，分析影响模型准确性的关键因素。教师通过提问启发学生思考：“为什么数据越多模型越准确？”“为什么训练集和测试集要分开？把全部数据都用来训练模型可以吗？”“如果模型在训练集上表现很好，但在测试集上表现很差，可能是什么原因？”学生活动。小组内开展讨论，代表发言分享观点。学生可能提及：数据量不足会影响模型的学习效果；训练集和测试集分开是为了检验模型对新数据的泛化能力；测试集表现差可能是因为模型过度学习了训练集中的噪声和特殊样本，导致对新数据预测不佳。教师引导学生关注数据量级对模型性能的影响，例如真实世界的自动驾驶训练数据集规模超过千万级，而课堂上使用的数据集仅有几十条记录，因此预测结果仅供参考。设计意图。帮助学生建立“数据质量决定模型性能”的核心认知，培养批判性看待数据和模型的能力。通过对比讨论引导学生在技术学习的同时树立严谨求实的科学态度和核心素养。【重要】环节五：课堂小结与作业（约2分钟）教师活动。教师与学生一起总结线性回归的核心特征：回归任务是预测连续型数值、简单线性回归的数学模型与一次函数的关系、最小二乘法实现误差最小化的思想、评价模型好坏的常用标准（如准确率在回归任务中的变化）。教师在板书上系统展示二分类任务与回归任务的根本区别。学生活动。完成学习任务单中线性回归的对应用语判断练习（多项选择题、填空题等）。作业布置。基础作业：完成课后练习题，简答回归和分类的主要不同点，举例说明生活中的回归应用和分类应用各两个案例。拓展作业：从开放数据平台（如国家统计局官网数据板块）挑选感兴趣的连续型数据（如某个地区的年度平均气温变化），尝试用线性回归进行趋势分析和短期预测，做出预测图表来验证你的结论。第三课时：无监督学习与聚类算法环节一：情境导入——从分类到聚类的思维转换（约5分钟）教师活动。教师通过一个互动游戏来导入新课。教师在大屏幕上展示若干张动物图片（包含猫、狗、鸟、鱼等多种类别），让学生快速进行分类——“找相同，分分组”。学生很自然地将相同类别的动物归到一起。教师随后展示一组没有类别标签的数据（包含苹果、香蕉、西瓜、橙子、哈密瓜、提子等水果的各类信息，如颜色、形状、重量，但事先不标明水果的名称），让学生尝试分组。教师提问：“如果没有现成的类别名称，你们根据什么来分组？”学生会提到“根据颜色分”“根据形状分”“根据大小分”等不同的分组标准。教师活动。教师追问：“假如没有任何预先设定的分类标准，每个人分的组可能不一样，我们应该如何科学地分组？”教师由此引导进入无监督学习的概念——在没有标签的数据中发现内在模式自动探索分类。教师引出本课的主题：无监督学习和K-means聚类算法。-130学生活动。学生通过分组游戏直观感受分类（有监督学习）和聚类（无监督学习）的根本区别：分类需要已知类别标签作为参考答案，聚类不需要参考答案，由算法自主发现数据的天然结构。部分学生能够提出“根据数据特征之间的相似度来分组”的初步想法。设计意图。通过对比性的体验活动，帮助学生建立监督学习和无监督学习的清晰区分框架，明确聚类算法的独特应用价值，为学生理解“无监督”的内涵奠定基础。【高频考点】环节二：原理探究——K-means聚类算法入门（约12分钟）【基础·重要】教师活动。教师以“学生成绩分组”为案例讲解K-means聚类的基本思想。假设有一批学生的数学和语文成绩数据（在二维平面上呈现为点），我们想把最相似的学生分到同一学习小组。K-means算法（指事先指定的K值代表“要分成几组”，means代表“组中心”）的工作过程可以通过动画演示清晰呈现。教师用动画分步展示：算法开始时随机选择K个点作为初始组的中心点；第二步，每个学生根据距离最近的组中心归属到各个小组；第三步，计算每个小组中所有学生的平均位置，将该平均位置作为新的组中心；第四步，重复第二步和第三步，直到组中心不再明显变化（即收敛）。-教师活动。教师引导学生思考K值（分组数量）应该如何确定。教师举例：如果用户分组数为3的K-means算法（K=3）实施后会得到三组消费者的购物偏好画像，企业可以根据这三个画像做针对性商品推荐；如果K=5，则会得到更细致的五组用户画像，分组越细，描述越精准，但也可能使每个组内的样本过少，统计意义不显著。因此，找到合适的K值需要在分类精度和泛化能力之间做权衡。学生活动。学生在学习任务单上完成K-means算法步骤排序练习，自主体验算法迭代的过程。教师提供直观的二维坐标示意图（不含实际代码的群体数据布局示意图），让学生通过欧氏距离计算重新分配点的归属。学生在学习单上标出几轮迭代中聚类边界的变化趋势，体会“迭代优化”的算法思想。设计意图。通过交互式体验和可视化演示，让学生完整感受K-means聚类算法的核心思想和工作流程，理解聚类在无监督学习中的核心地位和应用价值。通过K值选择的讨论，引导学生思考算法中的超参数对结果的影响，培养系统思维和批判性思维能力。【学科素养】环节三：项目探究——电商用户智能分群（约15分钟）【实践·重要】教师活动。教师发布项目任务：“某电商平台希望根据用户的购物行为数据，将用户分为若干群体，以便进行精准营销和个性化推荐。请使用K-means聚类算法对平台提供的用户数据进行分组分析，并给出针对不同用户群的营销建议。”教师提供一组模拟的在线零售交易数据（包含用户ID、月均消费金额、月均浏览次数、月均下单次数、会员时长等5—8个特征维度）。学生活动。学生分组完成用户聚类分析项目。在项目实施过程中，学生需要完成数据预处理（处理缺失值、标准化特征数据以消除不同特征量纲差异的影响）、选择K值（尝试K=3，4，5并进行比较）、运行K-means聚类算法、观察聚类结果并分析每个用户群的特征画像、基于画像撰写营销建议报告。学生使用Python实现聚类算法（利用scikit-learn中的KMeans模块），填写项目实施报告——聚类结果可视化图表（如散点图显示不同群体的分布）、各个群体的关键特征均值对比表、针对三个主要目标群体的营销策略说明书。教师活动。巡回指导K值选择困难的若干学生小组，引导他们使用肘部法则（画折线统计不同K值下所有点到各自组中心的距离平方和的图，曲线的“拐点”处是推荐采用的K值）。教师观察学生对新概念“轮廓系数”的掌握情况，及时做好概念补充和疑难解答。成果展示时间安排在各组完成约12分钟项目后，教师邀请1—2个小组进行全班的项目成果汇报展示，其他小组提交非展示但需要完成互评表任务。设计意图。将无监督学习与现实商业场景紧密结合，激发学生的学习兴趣和职业代入感。通过实际动手聚类电商数据，让学生掌握无监督学习方法，提升数据分析和模式识别的创新能力。营销建议的任务还创设了多个值得深思的伦理议题（如用户购买历史是否代表了用户的全貌，聚类分组有没有可能强化刻板印象），为学生培养信息社会责任感提供良好切入点。环节四：聚类效果评估与三算法横向对比（约6分钟）教学活动。教师引导各小组针对本组实施的电商分群聚类结果完成自我评价，从营销针对性建议的质量和用户群画像的可解释性两方面进行组间分享。教师着重引导学生比较聚类任务（典型结果就是分组——“消费者群体1”“消费者群体2”）和分类任务（典型结果就是类别标签——“满意/不满意”）以及回归任务（典型结果就是连续值——“预测分数=85”）的根本差异，并展示对比表格：输出结果的形式、是否需要带标签数据、主要应用场景、典型算法。随后，教师引导学生完成随堂练习：根据给定的情境“垃圾邮件分拣”“销售额走势预测”“影视作品观众自动归类”对应分类、回归和聚类三类任务并说明理由。设计意图。通过跨课总结和对比分析，帮助学生在更高层次上组织知识体系，形成系统化的机器学习认知结构。通过真实情境下的三道情境判断题检测学生的学习效果，并及时诊断常见混淆点。环节五：课堂总结与单元作业布置（约2分钟）教师活动。教师带领学生总结机器学习的三个典型任务类型：分类、回归、聚类的区别与联系。强调机器学习作为人工智能核心领域的战略价值，并以“科技向善”为主线引导学生思考人工智能发展过程中平衡数据隐私利用和个人权益保护的关系。鼓励学生课后继续保持对人工智能前沿的探索热情。学生活动。填写项目学习单的最终学习总结部分和学习反思部分。完成本课的自我评价量表，内容包括知识理解维度、技能应用维度和合作参与维度三方面的自我评分。作业布置。单元作业：整理本单元所学的分类、回归、聚类三大任务的代表性算法（KNN、线性回归、K-means），制作一份图文并茂的思维导图，以展示三者的适用场景、输入输出特点和算法步骤。选修作业：选择一个学生感兴趣的真实生活或社会议题（如二手房价预测、消费者画像、医疗辅助诊断等），设计一套基于机器学习的初步技术方案框架，包含问题理解、数据来源设想、算法类型选择、预期结果呈现等核心内容，下节课进行小组交流与碰撞。教师鼓励优秀方案参加各级科技创新项目的备案与培育。七、板书设计【第9课人工智能中的机器学习】一、机器学习是什么？•人类学习：观察—归纳—应用•机器学习：数据—训练—模型—预测•机器学习的三种类型：有监督学习、无监督学习、强化学习二、有监督学习（有标签数据）•分类任务→输出离散类别→KNN算法•回归任务→输出连续数值→线性回归算法三、无监督学习（无标签数据）•聚类任务→数据自动分组→K-means算法四、机器学习的完整流程•数据收集→数据预处理→划分数据集（训练集+验证集+测试集）→选择算法→训练模型→模型评估→参数调优→部署应用五、课堂实践项目•食堂满意度预测（KNN分类）→理解“近朱者赤”“数据质量决定模型性能”•学习成绩预测（线性回归）→理解“拟合”与最小