高中信息技术高二年级回归算法教学设计-以身高体重数据拟合为例的探索式课堂

高中信息技术高二年级回归算法教学设计——以身高体重数据拟合为例的探索式课堂一、教学设计的总体立意回归算法是人工智能基本原理体系中最贴近学生生活经验的内容。人教中图版《人工智能初步》教材将其安排在技术原理章节的核心位置，目的在于让学生通过对回归算法的学习，理解机器如何从数据中发现规律，进而完成预测这一基本使命。本设计面向高二年级学生，学生已经在数学学科中接触过一次函数，在信息技术学科中完成了数据的采集与表示、Python基础语法等前置内容，具备了理解回归思想的必要储备。本课的教学立意为三个字：看得见。让误差看得见，让拟合看得见，让机器在迭代中逐渐变聪明的轨迹看得见。回归算法最容易被讲成一节数学推导课，也最容易被讲成一节Python操作课，这两种讲法都会丢失人工智能课程应有的思想性。本设计选择以预测身高这一真实问题贯穿课堂，让学生经历提出问题、建立模型、训练模型、评价模型、反思边界的完整过程，把算法背后的直觉讲透，把算法的局限讲明白。二、课标依据与内容分析《普通高中信息技术课程标准（2017年版2020年修订）》在人工智能初步模块中明确要求，学生应了解人工智能技术的基本原理及其对社会的影响，能够结合具体应用场景分析人工智能系统的工作方式。回归算法作为监督学习中最基础的预测方法，恰好是落实这一要求的最佳载体。从知识结构看，本课向上承接数据的表示与处理，向下支撑后面章节中分类算法的学习。回归与分类是监督学习的两大支柱，回归解决的是连续数值的预测问题，分类解决的是离散类别的判定问题。学生在本课中建立的样本、特征、标签、模型、损失、训练等概念体系，将在后续学习中反复被调用。从这个意义上说，本课泄露的教学理解深度，直接决定学生对整个人工智能初步模块的掌握水平。教材中的核心内容可以提炼为三个关节点。第一个关节点是从散点图到最佳拟合的直觉建立，即在一堆数据点中画出一条最能代表整体趋势的直线。第二个关节点是误差的量化，即通过最小化所有样本预测值与真实值之间的差距来定义什么叫最好。第三个关节点是从一元线性回归到多元回归的思路推广，引入梯度下降的初步概念。本设计对教材内容进行了适度的教学化处理，将误差平方和的表达式、均方根误差评价以及梯度下降的可视化演示纳入课堂，但不追求数学证明的完整性。三、学情分析高二学生的思维正处于从具体运算走向形式运算的深化期。他们能够接受一元二次方程的最值求解，能够看懂坐标系中的几何意义，具备一定的Python列表操作和循环语句功底。这些是教学的起点。同时，学情中包含三个必须正视的困难。其一，学生对误差平方求和这一操作缺乏直觉，容易理解为误差直接相加，需要教师通过一正一负相互抵消的反例予以突破。其二，部分学生在数学课中学过最小二乘法的结论性公式，可能满足于套用，而忽视模型训练这一动态过程，教师要主动撕开这一思维舒适区。其三，学生容易将预测与事实混为一谈，把模型输出的数值当成必然正确的结论，这一点涉及算法伦理和数据素养，必须在课堂结语前予以矫正。基于以上分析，本课的教学重心不设为让学生背出回归公式的推导过程，而是设定为，让学生在任何给定的数据场景中都能说出三个句子。第一句，这个问题可以用回归来处理，因为输出是连续的。第二句，这条线的位置不是老师画的，是数据决定的，是误差被压到底的结果。第三句，这个预测只是一个趋势判断，它成立的范围和条件必须说清楚。四、教学目标知识与技能层面，学生能够理解回归算法处理连续值预测问题的基本思想，能够解释样本、特征、标签、损失函数等核心术语的含义；能够在教师提供的Python代码框架上修改参数，完成数据拟合和结果可视化；能够使用均方根误差对模型效果进行初步评价。过程与方法层面，学生经历手工画线—量化好坏—代码拟合—算法对比的探究过程，体会从直觉方法到机器方法的演进逻辑，形成用数据说话的计算思维品质。情感态度与价值观层面，学生在算法边界的讨论中形成对预测结果的审慎态度，认识到数据质量、样本范围、特征选择对结论的决定性影响，初步建立负责任使用人工智能的价值立场。本课的教学重点是回归算法的基本思想与最小化误差的本质；教学难点是损失函数的理解与梯度下降过程的直观感受。五、教学准备与环境硬件环境为配备校园网的信息技术专用教室，学生机安装Python3.x及numpy、matplotlib、scikitlearn库。教师机安装同版本环境并连接投影。教师课前准备三套资源：本班上一次体质健康的匿名化身高体重数据一份，用于适配的真实探究任务；一份手工画线投票模板，用于第一轮直觉活动；一段梯度下降动态演示代码，用于难点突破。板书采用左右双区块布局，左侧记录学生提出的关键问题，右侧固定呈现概念结构图。六、教学过程（一）情境导入：预测的力量与预测的代价教师展示两组真实情境。第一组，气象台依据历史气温数据预测明天的最高气温为27摄氏度。第二组，某电商平台依据过去六个月的家庭消费数据预测下月母婴用品的购买金额。教师提问：这两个预测和语文课上学的判断明天会下雨有什么不同？学生讨论后逐步发现，前者的输出是一个连续的数字，后者的输出是是否的二选一。教师在黑板上写下本节的核心区分。输出是连续的数值，叫回归；输出是离散的类别，叫分类。学生齐读本句两遍，教师随机抽两名学生复述并举一个生活中的回归例子。有学生举出预测高考分数线、预测身高、预测跑步成绩等案例，教师一一收录在黑板左侧问题区。教师随即亮出本课的任务锚点：呈现本班匿名化的二十组身高体重数据散点图，提出挑战性问题——班里转来一位新同学，已知体重为62公斤，你能不能估计出他的身高大概是多少？学生自由讨论三分钟，教师在行间倾听，记录下学生脱口而出的猜、看趋势、画一条线等关键词。这些原始语言，正是本课教学的燃料。（二）活动一：手工画线与方法投票教师发放坐标纸，要求每位学生根据散点图独立画出一条自己认为最能代表整体趋势的直线。学生完成后投于讲台。教师随机展示八条风格各异的直线上墙，组织全班举手投票选出最满意的一条。投票结束后，教师连续抛出三问。第一问，你凭什么说这条线比那条线好？学生通常会说因为它从点中间穿过去、离大部分点很近。教师追问，什么叫近？第二问，如果两条线看起来都不错，你拿什么说服对方？学生出现短暂的沉默。第三问，如果换成机器来判断哪条线好，机器看不懂你感觉，它只认数，你打算给它一个什么数？这三问由浅入深，把学生从审美判断逼向量化判断。教师在此明确本课的核心命题：画线靠直觉，选最好的线必须靠一个可计算的数。这个数，就是误差。（三）活动二：从误差到损失函数教师以三个数据点为例，在黑板上进行慢速演算。设直线的表达式为y=ax+b。对样本点(x₁，y₁)，预测的身高为ax₁+b，真实值为y₁，单个误差为ax₁+b−y₁。教师强调，把所有误差直接相加会出问题。教师现场演示：一个样本预测比真实值高了3厘米，另一个低了3厘米，相加为0，但明显不理想。学生迅速理解正负抵消问题。教师给出两种常用解决方案，取绝对值或取平方，并说明数学处理上平方更顺滑，更容易求最值。教师板书损失函数的表达式：损失=[(ax₁+b−y₁)²+(ax₂+b−y₂)²+……+(axₙ+b−yₙ)²]÷n教师不要求学生记忆符号形式，而是要求每位学生用自己的话在任务单上写出三个句子：什么是预测值，什么是真实值，为什么要让这件事的总和最小。教师随机收三份任务单进行现场点评，确保每名学生都经历了一次概念的内化。紧接着，教师带领学生把视角转到几何上。教师用几何画板动态演示：固定数据点，拖动直线，观察损失数值的变化。学生清楚看到，直线越贴合数据，损失数值越低。教师总结，机器选线的本质变成了在一个由参数a和b构成的巨大可能性空间中，寻找使损失最小的那一点。这句话是整节课的枢纽。（四）活动三：代码实现与模型训练教师分发半成品代码，使学生把精力聚焦在算法逻辑而非语法细节上。代码框架包含四段：数据读入、模型创建、模型训练、结果可视化。教师逐行解释数据的结构。x数组存放体重，即特征；y数组存放身高，即标签。教师用一句话打通概念：特征是机器用来判断的依据，标签是机器要猜的答案。学生两人一组运行代码。教师提出三个阶梯任务。任务一，运行程序，观察生成的拟合直线，记录程序算出的a和b的取值。任务二，修改代码，把新同学体重62公斤代入ax+b中，输出预测的身高。任务三，计算原有二十个样本的均方根误差，先求每个样本误差的平方和，除以样本数，再开平方，结果的单位与身高的单位一致，学生能直观理解为平均偏了几厘米。教师巡视时注意三类典型现象。第一类，部分学生把标签当作特征输入，教师提示其回归代码中fit方法内的位置约定。第二类，有学生改变样本数据后发现a和b随之变化，教师抓住这一生成性资源向全班强调：参数不是固定的，参数是数据学出来的。这正是训练这个词的全部含义。第三类，有学生追问，如果数据点根本不在一条直线上会怎样，教师将此问题记入左侧问题区，留作下一环节的引子。（五）难点突破：梯度下降的可视化体验教师运行课前准备好的动态演示程序。屏幕上呈现一座三维山体的等高线图，初始参数点位于山坡高处，随着每一次迭代，点的位置逐步向谷底滑动，同时损失数值不断下降。教师同步解说三个关键词：方向、步长、收敛。方向由当前位置的坡度决定，永远朝损失下降最快的方向走；步长叫学习率，太大容易跨过谷底来回震荡，太小则走得慢；当损失变化小到一定程度时，训练停止，称为收敛。教师用下山作类比并提问：如果这座山有多个山谷，算法会不会一头扎进一个不是最深的谷？学生讨论后得出可能陷入局部最优的初步认识。教师不展开理论，只埋下一句话：多元、复杂模型下的训练策略，是人工智能研究的重要命题，大家将来有机会继续触碰。这一处理既不回避真实，又不增加负担。（六）拓展提升：从一元到多元教师提出新的场景。仅根据体重来预测身高，准确度有限，如果再加上父母的身高、年龄、性别等更多特征，预测会不会更准？学生一致认为会。教师顺势引导，一元线性回归是一条线，两个特征就是空间里一个面，多个特征就是一个我们肉眼看不见但在数学上完全存在的结构。表达式从y=ax+b扩展为：y=a₁x₁+a₂x₂+a₃x₃+……+aₙxₙ+b教师强调，形式在变，但灵魂没变。依然是找参数，依然是定义损失，依然是最小化损失。学生在任务单上完成一句自我总结：从一元到多元，变的是____，不变的是____。教师收集反馈，确认学生抓住了模型的变与思想的不变。（七）评价与反思：预测不是真理教师呈现本课预测结果62公斤对应身高约172厘米，随即播放一段体育健康测试中实际值为168厘米的录像片段。4厘米的差距没问题，但教师要引导的是思考差距从哪来。学生提出数据量太少、个体差异大、遗传因素影响大等见解。教师板书样本质量三个字，并补充两句话：第一，模型只学会了我们给它的世界；第二，预测结论必须标明适用范围。教师组织学生完成一分钟快写，主题是回归算法能干什么与回归算法不能干什么。教师选三份朗读。学生的表达普遍能做到既看到方法的强大，又指出方法的边界，这正是本课情感态度目标的落地证据。（八）课堂小结与结构回望教师引导学生共同完成右侧板书的概念结构图。问题类型归因为回归与分类；解决方法聚焦寻找最佳参数；优化目标定义为最小化损失；求解路径引入梯度下降；评价方式选用均方根误差。五个层级一以贯之。教师用一句收束全课：回归不是计算，而是用一条线代表一群点，用一个模型代表一段规律。七、作业设计基础作业：在家庭允许的范围内收集家里三位成员的身高与体重，手工画出散点图和拟合直线，试着说出这条线的含义。拓展作业：利用本课代码框架，替换为自己收集的每月气温数据，预测下月平均气温，并说明预测结果的可信条件。挑战作业：查阅资料，用一段不超过150字的短文向家人解释，为什么机器学出来的参数，会随着数据的改变而改变。八、板书与概念结构左侧问题区，记录学生课堂生成的问题，包括谁在决定线的位置、误差怎么算公平、多个特征如何组合、预测有没有边界。右侧概念区，呈现回归—损失—训练—评价四级结构。教师随讲随画，始终保持结构完整。九、教学评价方案过程性评价，依据三份任务单和一次小组展示，重点观察学生能否用规范术语描述预测过程。结果性评价，看学生代码运行结果、预测计算与误差计算的正确率，目标达成度不低于85%。表现性评价，聚焦课堂讨论中能否提出有质量的问题，特别关注学生是否意识到了算法的边界而非只关注答案的正确。十、教学反思的预埋与改进方向本设计预留三处弹性接口。其一，若班级数学基础较好，活动二可以增加最小二乘法的完整推