高中信息技术必修一《数据与计算》第六章 人工智能及其应用 教学设计

高中信息技术必修一《数据与计算》第六章人工智能及其应用教学设计一、教材分析与课程定位粤教版高中信息技术必修一《数据与计算》第六章“人工智能及其应用”属于“数据与计算”模块的拓展与升华部分。本章旨在引导学生理解人工智能的基本概念、核心技术路线、典型应用场景及其对社会伦理的冲击，培养学生的计算思维、数据意识与社会责任。教材内容涵盖人工智能的发展历程、机器学习基本原理、神经网络与深度学习入门、典型应用案例分析以及人工智能伦理与安全五个专题。教材编排遵循“历史溯源－核心原理－技术实现－场景落地－价值反思”的逻辑主线，既强调基础知识的系统性，又突出实践探究的开放性，为后续选修模块“人工智能初步”奠定认知基石。根据《普通高中信息技术课程标准（2017年版2020年修订）》要求，本章教学需落实“信息意识、计算思维、数字化学习与创新、信息社会责任”四大核心素养。重点在于让学生在理解算法模型背后的数学直觉与数据驱动逻辑的过程中，体验从规则驱动到数据驱动的范式转换；难点在于如何在有限课时内，避免陷入复杂数学推导，同时又不流于概念堆砌，实现对“黑箱”模型的可解释性拆解。二、学情分析与教学对象教学对象为高一年级学生，已完成“数据的编码与表示”“数据的采集与预处理”“数据分析与可视化”“算法与程序设计基础”四章学习，具备Python基础语法、列表字典操作、Matplotlib绘图、Pandas数据处理及函数封装能力。学生对人工智能多源于媒体报道或科幻影视，存在“神秘感”与“恐惧感”并存的认知偏差：部分学生认为AI即编写复杂ifelse规则，部分学生误以为深度学习需掌握高等数学才能入门。教学需打破这两种极端认知，引导学生用工程视角拆解模型，用数据视角审视效能，用伦理视角校准应用。三、教学目标1.知识与技能目标：能阐述人工智能、机器学习、深度学习的包含关系；能解释监督学习、无监督学习、强化学习的区别与典型场景；能描述神经元模型、前向传播、反向传播、损失函数、梯度下降的核心机制；能使用Python调用scikitlearn或TensorFlow/Keras完成鸢尾花分类、手写数字识别等入门级建模全流程（数据划分、特征工程、模型训练、超参数调优、评估可视化）。2.过程与方法目标：通过“感知－拆解－重构－迁移”四阶段探究，体验数据驱动建模的完整生命周期；在对比实验中理解特征工程对模型性能的决定性影响；在可视化决策边界、损失曲线、混淆矩阵中建立模型诊断直觉。3.素养与价值观目标：树立“数据质量决定模型上限、算法逼近最优而非绝对真理”的工程认知；识别算法偏见、数据隐私、深度伪造、自动化决策问责等伦理风险；形成“技术向善、人机协同、可解释可信可控”的负责任创新态度。四、重难点突破策略重点：机器学习“数据－特征－模型－评估”工程范式；神经网络前向计算与梯度下降优化逻辑；分类指标（准确率、精确率、召回率、F1、ROCAUC）的业务语义解读。难点：反向传播链式法则的计算图直观理解；过拟合与欠拟合的几何本质及正则化、Dropout、早停法的缓解机制；超参数搜索空间与计算资源的权衡。突破策略：采用“可视化拆箱+最小代码复现+对比实验驱动”三位一体教学法。利用JupyterNotebook交互式环境，将张量运算、梯度流向、参数更新可视化为动态图表；将核心算法精简为30行以内“极简实现”，屏蔽框架封装细节，聚焦数学本质；设计“同数据、异模型”“同模型、异特征”“同模型、异超参”三组对比实验，引导学生从实证中归纳规律。五、课时安排与教学进程设计本章安排8课时（每课时45分钟），分四个教学模块实施。模块一：认知觉醒——人工智能全景扫描（2课时）课时1：从图灵测试到ChatGPT——AI发展脉络与范式演进导入：展示AlphaGo零时刻、ChatGPT多模态对话、Sora视频生成三个跨越十年的里程碑视频片段（各30秒），引发学生对“符号主义→统计学习→深度学习→大模型”技术路线演变的直观冲击。新授：梳理1956达特茅斯会议、专家系统繁荣与寒冬、统计学习理论建立、ImageNet时刻、Transformer架构诞生五大节点。重点对比“规则驱动（知识工程）”与“数据驱动（表征学习）”两大范式：前者依赖领域专家显式编码规则，泛化能力弱，维护成本高；后者从数据中自动学习特征表达，端到端优化，强依赖算力与数据规模。引入“感知认知决策”三层能力模型，将计算机视觉、自然语言处理、语音识别、推荐系统、自动驾驶、智能机器人等典型任务映射至对应层级。活动：分组完成“AI应用分类卡片排序”任务。每组发放20张应用场景卡片（如：人脸支付、垃圾分类识别、智能客服、新药研发、蛋白质结构预测、金融风控、个性化推荐、工业视觉检测等），要求按任务类型（分类/回归/聚类/生成/决策）、学习范式（监督/无监督/强化/自监督）、数据模态（图像/文本/时序/多模态）三个维度分类，并在Padlet协作白板上展示分类依据。全班巡展互评，教师梳理共性误区：并非所有AI都需要海量标注数据，迁移学习、少样本学习、自监督学习正在打破标注瓶颈。小结：布置预习任务——阅读《机器学习》（周志华）第1章，完成“机器学习三要素（模型/策略/算法）”思维导图绘制。课时2：机器学习核心范式——监督、无监督、强化学习的本质区分导入：抛出三个生活化问题——“根据历届中考分数预测本届录取分数线”“将班级同学按学习行为画像自动分群”“训练智能体在迷宫中寻找最短路径”，分别对应监督学习（有标签）、无监督学习（无标签）、强化学习（延迟奖励）。新授：以“经验风险最小化+结构风险最小化”统领监督学习理论框架。引入假设空间、经验风险、期望风险、过拟合/欠拟合、VC维等核心概念，用二维平面上线性可分/不可分数据集的决策边界动画演示模型复杂度与泛化能力的博弈。无监督学习聚焦KMeans聚类与PCA降维，强调“无标签不等于无评价”，引入轮廓系数、调整兰德指数、重构误差等内部评价指标。强化学习以马尔可夫决策过程（MDP）为数学抽象，讲清状态、动作、奖励、策略、价值函数、贝尔曼方程的关系，用GridWorld可视化演示QLearning收敛过程。实操：JupyterNotebook中调用scikitlearn完成三行代码建模对比：```pythonfromsklearn.datasetsimportmake_classification,make_blobsfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLogisticRegressionfromsklearn.clusterimportKMeansfromsklearn.metricsimportaccuracy_score,silhouette_score监督学习：二分类X,y=make_classification(n_samples=1000,n_features=20,n_informative=15,random_state=42)X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)clf=LogisticRegression(max_iter=1000).fit(X_train,y_train)print("监督学习准确率:",accuracy_score(y_test,clf.predict(X_test)))无监督学习：聚类X_blob,_=make_blobs(n_samples=500,centers=4,n_features=2,random_state=42)kmeans=KMeans(n_clusters=4,random_state=42).fit(X_blob)print("无监督轮廓系数:",silhouette_score(X_blob,kmeans.labels_))```引导学生修改n_informative、n_clusters、随机种子观察指标波动，体会“数据特性决定算法上限”。作业：在KaggleTitanic数据集，完成缺失值填充、独热编码、逻辑回归基线模型训练，提交预测CSV至班级排行榜，体验完整数据科学竞赛流程。模块二：原理拆解——神经网络与深度学习微观透视（3课时）课时3：感知机到多层感知机——非线性建模的几何突围导入：展示XOR异或问题在单层感知机上的线性不可分困境，引出“引入隐层+非线性激活函数”破解难题的关键洞见。新授：从McCullochPitts神经元模型出发，推导感知机学习规则。重点拆解激活函数作用：Sigmoid/Tanh梯度消散、ReLU稀疏激活与死亡神经元、LeakyReLU/GeLU/Swish改进方案。用动态几何图演示：单隐层含足够神经元的MLP可逼近任意连续函数（通用近似定理），但参数量爆炸、易过拟合、难捕捉层级特征，倒逼深度架构诞生。极简实现：仅用NumPy从零编写两层神经网络（输入层→隐层ReLU→输出层Softmax），实现前向传播、交叉熵损失、反向传播参数更新，代码量控制在80行以内。关键代码片段：```pythonimportnumpyasnpdefsoftmax(z):exp_z=np.exp(znp.max(z,axis=1,keepdims=True))returnexp_z/np.sum(exp_z,axis=1,keepdims=True)defcross_entropy(y_pred,y_true):m=y_true.shape[0]log_likelihood=np.log(y_pred[range(m),y_true.argmax(axis=1)]+1e12)returnnp.sum(log_likelihood)/m反向传播核心：链式法则分解dL_dz2=y_predy_true输出层梯度dL_dW2=X_hidden.T@dL_dz2/m隐层→输出层权重梯度dL_dhidden=dL_dz2@W2.T传回隐层梯度dL_dhidden[hidden_layer<=0]=0ReLU梯度掩码dL_dW1=X_input.T@dL_dhidden/m输入→隐层权重梯度```学生在Notebook中单步执行，观察损失曲线下降、决策边界从线性向非线性弯曲的动态过程，直观理解“梯度是参数更新的方向与幅度指引”。课时4：反向传播可视化与计算图——自动微分机制的工程实现导入：展示PyTorch动态计算图与TensorFlow静态图的区别，引出“自动微分”释放人工求导负担的工程价值。新授：以计算图节点（变量/操作）与边（数据流/梯度流）为核心，演示前向计算构建图、反向遍历累积梯度的全过程。重点讲解广播机制下的梯度聚合、原地操作对计算图完整性的破坏、梯度检查验证反向传播正确性。引入PyTorch张量autograd机制：```pythonimporttorchx=torch.tensor([2.0],requires_grad=True)y=x3+2x+1y.backward()print(x.grad)tensor([14.])即32^2+2```对比手动求导与自动微分结果，强调数值稳定性技巧：LogSumExp技巧防溢出、梯度裁剪防爆炸、混合精度训练加速。实操：使用TensorBoard可视化简单CNN在MNIST上的计算图结构、参数分布直方图、梯度分布随epoch变化。学生任务：修改学习率（0.1/0.01/0.001/0.0001）、批大小（16/64/256/1024）、优化器（SGD/Adam/RMSprop），记录训练损失、验证准确率、GPU显存占用、单epoch耗时，绘制四维对比雷达图，分析超参数交互效应。课时5：卷积神经网络与迁移学习——视觉任务的标准化工业流程导入：展示LeNet5到ResNet152参数量从6万到6千万、Top1准确率从99.2%到81.3%（ImageNet）的跃迁，提问：“为什么加深网络反而更难训练？ResNet如何解决退化问题？”新授：拆解卷积核滑动、感受野、步长、填充、通道数对输出尺寸的计算公式：输出高度=⌊(输入高度+2×填充卷积核高度)/步长⌋+1重点讲解1×1卷积降维升维、深度可分离卷积分解标准卷积、批归一化（BN）缓解内部协变量偏移、残差块恒等映射捷径。用可视化工具展示浅层提取边缘纹理、中层组合部件、深层语义概念的特征图演变。工程实战：基于预训练ResNet18在CIFAR10上微调（Finetuning）完整流程：```pythonimporttorchvision.modelsasmodelsimporttorch.nnasnnmodel=models.resnet18(pretrained=True)冻结骨干网络forparaminmodel.parameters():param.requires_grad=False替换全连接头model.fc=nn.Linear(model.fc.in_features,10)仅训练分类头（特征提取模式）optimizer=torch.optim.Adam(model.fc.parameters(),lr=1e3)解冻后期层微调（Finetuning模式）forparaminmodel.layer4.parameters():param.requires_grad=Trueoptimizer=torch.optim.Adam(filter(lambdap:p.requires_grad,model.parameters()),lr=1e4)```对比“从头训练”“特征提取”“全量微调”三种模式在小样本（1000张）、中样本（1万张）、全量（5万张）下的收敛速度与最终精度，归纳“预训练+微调”成为工业界标准范式的数据效率优势。拓展：介绍YOLOv8目标检测、UNet语义分割、CLIP多模态对比学习等主流架构在CV领域的任务泛化能力。模块三：场景落地——典型应用全流程项目式实践（2课时）课时6：项目实战——基于Tabular数据的学生成绩预测与干预决策项目背景：某中学三年级级学生基础信息、学习行为日志、阶段性考试成绩组成的结构化数据集（约5000样本，30维特征），目标：预测期末总分是否达标（二分类），并为班主任提供“关注名单”与“关键影响因子”解释。任务分解：（1）探索性数据分析（EDA）：缺失值模式可视化、目标变量类别平衡度、数值型特征分布偏度/峰度、分类型特征基数与目标编码相关性、特征间共线性热力图。（2）特征工程：缺失值填充策略对比（均值/中位数/众数/KNN/IterativeImputer）；数值特征标准化/归一化/分位数变换；类别特征独热/目标编码/频率编码；基于领域知识构造衍生特征（如：作业完成率趋势、考试成绩波动率、同龄人排名偏差）。（3）模型训练与调优：基线模型（逻辑回归、随机森林、XGBoost、LightGBM、CatBoost）五折交叉验证对比；Optuna贝叶斯优化超参数搜索空间定义；分层采样应对类别不平衡；集成学习（Stacking/Voting）融合提升。（4）模型解释与部署：SHAP值全局特征重要性条形图、单样本力图解释“为何该生高风险”；导出ONNX格式，编写FastAPI推理服务，前端Vue简单交互页演示。评价量表：数据清洗规范性（20%）、特征工程创新性（20%）、模型指标（AUC>0.85得满分30%）、解释报告可读性（15%）、工程化部署完整性（15%）。课堂组织：四人小组，角色分工——数据工程师（清洗/特征）、算法工程师（建模/调参）、分析师（EDA/解释）、工程师（部署/文档）。教师巡组提问引导，重点追问“为何选择该填充策略”“SHAP依赖图揭示了什么非线性交互”“线上推理延迟如何压缩至50ms以内”。课时7：项目实战——基于文本的课堂情感分析与教学反馈生成项目背景：收集某门课程期末学生匿名评教文本（约2000条），构建情感极性三分类（正向/中性/负向）模型，并利用大语言模型（LLM）零样本提示工程生成结构化教学改进建议报告。任务分解：（1）文本预处理：分词、停用词过滤、实体识别脱敏、长文本截断/滑动窗口。（2）特征表示对比：TFIDF+传统分类器vs.预训练BERT/RoBERTa微调vs.LLM（ChatGLM/Qwen）FewshotIncontextLearning。（3）提示工程设计：构建结构化Prompt模板——角色设定、任务描述、输出格式（JSONSchema）、少样本示例、思维链引导。（4）人工评估与对齐：随机抽取200条人工标注为测试集，对比三种方案的宏平均F1、推理延迟、Token成本；引入RLHF思想，收集人类偏好数据微调RewardModel。关键代码：HuggingFaceTrainer微调中文RoBERTa：```pythonfromtransformersimportAutoTokenizer,AutoModelForSequenceClassification,Trainer,TrainingArgumentstokenizer=AutoTokenizer.from_pretrained("hfl/chineserobertawwmext")model=AutoModelForSequenceClassification.from_pretrained("hfl/chineserobertawwmext",num_labels=3)deftokenize_fn(batch):returntokenizer(batch["text"],padding=True,truncation=True,max_length=256)train_dataset=train_dataset.map(tokenize_fn,batched=True)training_args=TrainingArguments(output_dir="./results",num_train_epochs=3,per_device_train_batch_size=16,learning_rate=2e5,weight_decay=0.01,evaluation_strategy="epoch",save_strategy="epoch",load_best_model_at_end=True,metric_for_best_model="f1_macro")trainer=Trainer(model=model,args=training_args,train_dataset=train_dataset,eval_dataset=val_dataset,pute_metrics=pute_f1)trainer.train()```成果展示：各组汇报“最佳方案选型依据”“Prompt迭代历程”“LLM幻觉案例及规避策略”，全班投票决出“最具落地价值方案奖”“最佳Prompt工程奖”“最严谨实验设计奖”。模块四：价值反思——AI伦理、安全与未来职业图景（1课时）课时8：算法黑箱下的责任边界——从偏见审计到可信AI治理导入：播放“Amazon招聘算法性别歧视”“PAS再犯风险评分种族偏见”“Deepfake换脸诈骗案”“自动驾驶电车难题”四个真实新闻短片，直击技术失控痛点。研讨：围绕“公平性、隐私性、鲁棒性、可解释性、问责制”五大可信AI支柱，分组展开结构化辩论：议题1：信贷审批模型因历史数据偏见导致某群体拒贷率高，是删除敏感属性（性别/种族/邮编）即可解决？→引入“代理变量”“反事实公平”“对抗去偏”概念，演示删除显式特征后隐式特征仍编码偏见的实验。议题2：联邦学习、差分隐私、同态加密、安全多方计算（MPC）四大隐私计算技术在医疗数据跨机构建模中的适用边界对比。议题3：生成式AI版权归属——训练数据版权、模型输出版权、用户提示词版权三方博弈，现行法律空白区如何通过技术手段（水印、溯源、授权链）缓解。议题4：面对AGI逼近，高中生应构建何种“抗自动化”能力栈？→引导学生从“工具使用者”向“任务分解者、质量把关人、伦理守门人”进阶，梳理提示工程、数据标注规范设计、模型评测基准构建、AI安全红队测试等新兴职业路径。总结：教师梳理《新一代人工智能治理专项规划》《生成式人工智能服务管理暂行办法》核心条款，强调“技术向善需法律兜底、伦理前置、全链条治理”。布置结课论文：选取一个真实AI应用场景，撰写不超过3000字的“算法影响评估报告”，包含风险识别矩阵、缓解措施清单、持续监测指标体系。六、教学评价体系设计采用“过程性评价（50%）+项目成果评价（30%）+终结性评价（20%）”三维模型。过程性评价覆盖全周期：•预习思维导图完成度与深度（5%）•每课时课堂编程任务提交率与代码规范性（15%）•实验记录本：含假设、操作、观测、异常分析、结论五要素（15%）•同伴互评与协作贡献度（基于Git提交记录与团队360度评价）（15%）项目成果评价双项目制：•表格数据项目：KaggleInclass竞赛排名（30%）、特征工程报告（30%）、模型卡片完整性（20%）、部署演示与答辩（20%）•文本数据项目：三方案对比实验报告（40%）、Prompt迭代日志（20%）、人工评估一致性分析（20%）、教学改进建议落地性（20%）终结性评价：开卷综合测试，题型包括：•概念辨析（如：BatchNorm与LayerNorm在NLP/CV中选型差异）•代码阅读与纠错（含梯度累积、混合精度、分布式训练常见Bug）•案例设计题：给定业务场景（如：工业设备预测性维护、医学影像辅助诊断、教育自适应推荐），要求给出数据构建策略、基线模型选择、评价指标定义、上线监控方案、回滚预案。•伦理案例分析：识别风险点、引用法规条款、提出技术管理联动整改方案。七、教学资源与环境保障硬件环境：机房配置GPU服务器（RTX3080×4，共享调度），学生终端预装Anaconda、VSCode、Docker、Git。云端备选：GoogleColabPro/AutoDL/ModelScopeNotebook免费算力账号分发。软件栈：Python3.10、PyTorch2.2、TensorFlow2.16、scikitlearn1.5、XGBoost2.0、Optuna3.5、SHAP0.44、MLflow2.11、FastAPI0.110、Streamlit1.35。数据集镜像：本地镜像UCI、Kaggle常用数据集，避免网络波动