Пояснительная записка
Общая характеристика курса. Курс «Искусственный интеллект» для средней
школы является базовым в общей программе «Искусственный интеллект» для
общеобразовательных школ и предназначен для преподавания в 10-11 классах. Этот курс
направлен на продолжение формирования знаний учащихся старших классов о системах
искусственного интеллекта как одной из наиболее перспективной и развивающейся
областей научного и технологического знания. Искусственный интеллект – стратегически
важное направление, которое в Национальной программе «Цифровая экономика
Российской Федерации» обозначено в качестве одной из сквозных цифровых технологий,
обеспечивающих ускоренное развитие приоритетных отраслей экономики и социальной
сферы. Принятая в 2019 г. Национальная стратегия развития искусственного интеллекта
ставит задачи совершенствования системы подготовки кадров в этом направлении, а
также разработки и внедрения модулей по искусственному интеллекту в образовательные
программы всех уровней, включая среднее общее образование. На решение данной задачи
и направлен настоящий курс.
Структурно данный курс включает два взаимосвязанных модуля (раздела) Массивы
в Python и Машинное обучение. Первый модуль (раздел) связан с актуализацией и
дальнейшим развитием знаний и умений по основам программирования на Python.
Сформированные у учащихся знания и умения по этому модулю (разделу) будут в
дальнейшем использованы при изучении второго модуля (раздела), освоение которого
направлено на развитие представлений о многообразии подходов в разработке
искусственного интеллекта, их возможностях и ограничениях; на формирование знаний о
машинном обучении и умений проектирования и реализации модели машинного обучения
на Python. При изучении этих модулей (разделов) учащиеся не только узнают о специфике
основных задач машинного обучения, но и научатся выявлять и формулировать данные
задачи в соответствии с реальными потребностями в различных сферах жизни человека.
Этому будет способствовать решение практико-ориентированных задач, в том числе и
непосредственно связанных со школьной жизнью, с изучением других учебных дисциплин.
В ходе освоения учебного материала курса у учащихся формируется устойчивый интерес к
системам искусственного интеллекта и закладывается база для продолжения их изучения в
рамках внеурочной деятельности или дополнительного образования, или самообразования
в этом направлении, например, самостоятельного освоения курса с использованием
образовательных онлайн ресурсов.
Курс «Искусственный интеллект» носит междисциплинарный и комплексный
характер. С одной стороны, в нем синтезируются знания и умения учащихся,
2
полученные ими на уроках математики, информатики, физики, биологии (решение задач с
физическим и/или биологическим содержанием). С другой стороны, в структуре этого
курса отчетливо выделяются и теоретическая и практическая составляющие. Учащиеся
знакомятся с областями применения и базовыми понятиями курса, а в ходе дидактических
игр и выполнения практических и проектных заданий получают опыт активной, творческой
индивидуальной, групповой и коллективной деятельности по осмыслению ключевых задач
машинного обучения и основных подходов в применении машинного обучения для
создания интеллектуальных систем.
Цель и задачи курса «Искусственный интеллект». Целью изучения курса
«Искусственный интеллект» является развитие у учащихся устойчивого интереса к
освоению данной области знаний и формирование представления о многообразии
подходов в разработке искусственного интеллекта, об их возможностях и ограничениях,
приобретение базовых знаний и умений в сферах науки о данных, машинного обучения и
многообразии сфер их применения, а также формирование цифровой грамотности,
развитие компетенций в области искусственного интеллекта, востребованных на
отечественном рынке труда с учетом динамично развивающейся сферы ИИ. Задачи курса:
формирование у учащихся представлений о многообразии подходов в разработке
искусственного интеллекта, их возможностях и ограничениях (обучение с учителем,
обучение без учителя, нейросети); о машинном обучении, сферах его применения;
приобретение умений по решению задач МО (регрессия, классификация, кластеризация),
анализу данных и визуализации (на языке программирования Python с использованием
библиотек Pandas, Matplotlib, NumPy, Seaborn); умений проектировать и реализовывать
модели машинного обучения; развитие коммуникационных навыков, умений работы в
команде, самостоятельной работы и организационной культуры.
Целевая аудитория. Учащиеся 10-11 классов
Место курса «Искусственный интеллект» в учебном плане.
На изучение курса «Искусственный интеллект» в 10-11 классе отводится 34 часа (1 час
в неделю).
Ценностные ориентиры содержания курса «Искусственный интеллект»
Технологии искусственного интеллекта прочно вошли в нашу жизнь и очевидно, что
с течением времени степень этого проникновения будет лишь увеличиваться.
Использование интернет-поиска, голосовых помощников, сервисов распознавания
изображений, онлайн игр является частью нашей повсеместной действительности. Задача
состоит в том, чтобы помочь учащемуся занять по отношению к этим технологиям позицию
3
не пассивного пользователя, а активного творца и создателя, понимающего суть технологий
искусственного интеллекта и способного создавать свои, оригинальные решения.
Очевидно, что уже в ближайшем будущем от того, насколько грамотно выпускник школы
сможет конструировать собственную среду жизни и профессиональной деятельности, в том
числе, интегрируя в нее технологии искусственного интеллекта, будет зависеть его
успешность и конкурентоспособность. Поэтому столь важно освоение технологий
искусственного интеллекта, хотя бы и на базовом уровне.
Курс «Искусственный интеллект» органично интегрируется с предметами, которые
изучаются учащимися старшей школы. Естественным образом выглядит интеграция с
дисциплинами предметной области «Математика и информатика». Развитие логического и
алгоритмического мышления, осуществляемое на уроках по этим дисциплинам, служит
задаче формирования прочной базы, на которой в дальнейшем может происходить
становление специалиста по искусственному интеллекту.
Планируемые результаты освоения учебного курса
Преподавание курса «Искусственный интеллект» направлено на достижение трех
групп результатов - личностных, метапредметных и предметных.
1-я группа:
1.1.
Формирование
у
учащегося
мировоззрения,
личностные
соответствующего современному уровню развития науки и
результаты
общества.
1.2. Формирование у учащегося интереса к достижениям науки
и технологии в области искусственного интеллекта
1.3. Формирование у учащегося установки на осмысленное и
безопасное взаимодействие с технологиями и устройствами,
реализованными
на
основе
принципов
Приобретение
опыта
творческой
искусственного
интеллекта.
1.4.
деятельности,
опирающейся на использование современных информационных
технологий, в том числе искусственного интеллекта.
4
1.5. Формирование у учащегося установки на сотрудничество и
командную
работу
при
решении
исследовательских,
проблемных и изобретательских задач.
2-я
группа: Познавательные УУД:
метапредметные
результаты
2.1. Умение работать с информацией, анализировать и
структурировать полученные знания и синтезировать новые,
устанавливать причинно-следственные связи.
2.2. Умения объяснять явления, процессы, связи и отношения,
выявляемые в ходе познавательной и исследовательской
деятельности.
2.3. Умение делать выводы на основе критического анализа
разных
точек
зрения,
подтверждать
их
собственной
аргументацией или самостоятельно полученными данными.
2.4. Умение анализировать/рефлексировать опыт исследования
(теоретического, эмпирического) на основе предложенной
ситуации, поставленной цели;
2.5. Умение строить рассуждение на основе сравнения
предметов и явлений.
Регулятивные УУД:
2.6. Умение обосновывать целевые ориентиры и приоритеты
ссылками на ценности, указывая и обосновывая логику.
2.7. Умение планировать необходимые действия в соответствии
с учебной и познавательной задачей и составлять алгоритм их
выполнения.
2.8. Умение описывать свой опыт, оформляя его для передачи
другим людям в виде технологии решения практических задач
определенного класса.
2.9.
Умение
самостоятельно
выбирать
искать
5
из
предложенных
средства/ресурсы
вариантов
для
и
решения
задачи/достижения
цели
в
ходе
исследовательской
деятельности.
2.10. Умение принимать решение в игровой и учебной ситуации
и нести за него ответственность.
Коммуникативные УУД
2.11. Умение взаимодействовать в команде, умением вступать в
диалог и вести его.
2.12 Умение соблюдать нормы публичной речи,
регламент
в монологе
и дискуссии
в соответствии
с
коммуникативной задачей.
2.13. Умение определять свои действия и действия партнеров
для продуктивной коммуникации.
2.14. Умение приходить к консенсусу в дискуссии или
командной работе.
3-я группа.
3.1. Иметь представления о многообразии подходов в
Предметные
разработке искусственного интеллекта, их возможностях и
результаты
ограничениях; о машинном обучении и сферах его применения;
3.2. Уметь объяснять разницу между машинным обучением с
учителем и без учителя.
3.3. Выявлять и формулировать задачи машинного обучения
для различных сфер жизни человека и в соответствии с
реальными потребностями.
3.4. Иметь представления о создании модели классификации на
сервисе Teachable Machine.
3.5. Иметь представления о недообученных и переобученных
моделях машинного обучения, уметь выявлять проблемы по
характерным
признакам
и
знать
способы
переобучением и недообучением моделей.
6
борьбы
с
3.6. Получить практический опыт тестирования готовой модели
машинного обучения
3.7.
Иметь представления о сущности работы модели
логистической регрессии и возможностях ее применения для
классификации объектов; об использовании деревьев решений
в машинном обучении.
3.8. Уметь создавать модели линейной регрессии на Python с
помощью библиотек pandas, numpy и sklearn
3.9. Уметь проектировать и реализовывать модели машинного
обучения на Python с помощью инструментов библиотеки
sklearn
Учебно-тематический план
№ п.п.
Название раздела/темы
Количество часов
Общее
Теория
Практика
7
1,5
5,5
1
0,5
0,5
1.
Основы языка
программирования Python
1.1.
Этапы решения
компьютере
1.2.
Решение задач на компьютере
1
1.3.
Одномерные массивы в Python списки. Создание списков и
вывод элементов
1
0,5
0,5
1.4.
Словари и их описание. Поиск
по словарю
1
0,5
0,5
1.5.
Перебор элементов словаря
1
1
1.6.
Решение
задач
использованием списков
словарей
1
1
задачи
на
с
и
7
1
1.7.
Повторение. Итоговая работа
"Массивы в Python"
1
2.
Машинное обучение
10
6
4
2.1.
Понятие и виды машинного
обучения
1
0,5
0,5
2.2.
Анализ и визуализация данных
1
0,5
0,5
2.3.
Библиотеки
обучения
1
0,5
0,5
2.4.
Линейная регрессия
1
0,5
0,5
2.5.
Нелинейные зависимости
1
0,5
0,5
2.6.
Классификация. Логистическая
регрессия
1
0,5
0,5
2.7.
Классификация. Логистическая
регрессия
1
0,5
0,5
2.8.
Деревья решений
2
2
2.9
Проект
«Решение
классификации».
1
0,5
0,5
17
7,5
9,5
машинного
задачи
ИТОГО
1
Содержание курса
Модуль (раздел) 1. Основы языка программирования Python.
Тема 1.1. Этапы решения задачи на компьютере. Линейный алгоритм, блок-схема.
Математические операторы, оператор присваивания, функции print(), input(), float(). Этапы
решения задач на компьютере. Модель, алгоритм, формализация, линейный и
разветвляющийся алгоритмы. Условный оператор в Python, полный и неполный условные
операторы.
Тема 1.2. Решение задач на компьютере. Повторение основных базовых понятий
Python, изученных ранее.
8
Тема 1.3. Одномерные массивы в Python - списки. Создание списков и вывод
элементов. Список, массив, элементы списка, индекс элемента списка. Методы .append и
.sort, положительные и отрицательные индексы, срезы.
Тема 1.4. Словари и их описание. Поиск по словарю. Списки, генерация списков,
суммирование элементов списка, функция len(), сложение списков. Словари, элементы
словаря, ключ и значение, вывод элементов словаря, поиск элементов в словаре.
Тема 1.5. Перебор элементов словаря. Словарь, список, операторы for и if, элемент
словаря, ключ, значение, перебор словаря по ключам, перебор словаря по значениям,
методы .keys, .values, .items, операторы for и if.
Тема 1.6. Решение задач с использованием списков и словарей. Список, срез,
положительная и отрицательная индексация элементов списка, метод .append. Генерация
списка, операторы for и if. Словарь, элементы словаря, ключи и значения, вложенные
словари, метод .items.
Тема 1.7. Повторение. Итоговая работа «Массивы в Python». Основные понятия
модуля 1: списки и словари».
Модуль (раздел) 2. Машинное обучение.
Тема 2.1. Понятие и виды машинного обучения. Искусственный интеллект, подход,
основанный на правилах, машинное обучение. История развития ИИ в играх, сферы
применения машинного обучения. Обучение с учителем, обучение без учителя, задача
регрессии, задача классификации, задача кластеризации, отбор данных для модели
машинного обучения.
Тема 2.2. Анализ и визуализация данных. Машинное обучение с учителем,
машинное обучение без учителя. Задача регрессии, задача классификации, задача
кластеризации. Библиотеки pandas и matplotlib, чтение табличных данных, статистические
показатели, построение диаграмм.
Тема 2.3. Библиотеки машинного обучения. Машинное обучение с учителем и без
учителя, его преимущества. Постановка цели и задач, анализ данных, обучающая и
тренировочная выборки, задача регрессии, задача классификации, тестовая и
тренировочная выборка, переобучение, недообучение, оптимальная модель, кроссвалидация. Библиотека sklearn, этапы построения модели машинного обучения на Python.
Тема 2.4. Линейная регрессия. Понятие линейной регрессии, целевая функция,
линейное уравнение, гомоскедастичность данных. Создание модели линейной регрессии
на Python с помощью библиотек pandas, numpy и sklearn.
9
Тема 2.5. Нелинейные зависимости. Создание, обучение и оценка модели линейной
регрессии. Визуализация данных на Python. Нелинейный функции, графики функций.
Полиномиальное преобразование линейной регрессии.
Тема 2.6. Классификация. Логистическая регрессия. Классификация, логистическая
регрессия, линейный классификатор, гиперплоскость, бинарная классификация,
мультиклассовая классификация. Линейное уравнение, коэффициенты линейного
уравнения, расположение точки относительно прямой, отступ объекта. Создание,
обучение и оценка модели логистической регрессии.
Тема 2.7. Классификация. Логистическая регрессия. Матрица ошибок, метрики
качества логистической регрессии, модель логистической регрессии на Python.
Тема 2.8. Деревья решений. Часть 1. Дерево решений, элементы деревьев: корень,
листья; глубина дерева, жадный алгоритм, атрибут разбиения; энтропия, формула
Шеннона, вероятность, критерий Джини.
Тема 2.9. Проект «Решение задачи классификации». Машинное обучение с
учителем, задача классификации. Метрики оценки качества классификации. Этапы
разработки модели машинного обучения, анализ данных, создание и обучение модели,
оценка эффективности работы модели.
10
Тематическое планирование с определением основных видов учебной
деятельности
Наименовани
е темы
1.
1.1.
Краткое содержание
Виды учебной
деятельности
Python
Этапы решения
задачи
на
компьютере
Линейный алгоритм, блоксхема, математические
операторы, оператор
присваивания, функции print(),
input(), float();этапы решения
задач на компьютере, модель,
алгоритм, формализация,
линейный и разветвляющийся
алгоритмы, условный
оператор в Python, полный и
неполный условный оператор
Аналитическая:
анализ
движения
беспилотного
автомобиля;
анализ
алгоритма
движения
беспилотного автомобиля;
анализ этапов решения
задачи
на
движение
беспилотного автомобиля.
Коммуникационная: ответы
на вопросы учителя, в том
числе
проблемные
(обсуждение по блок-схеме
этапов решения задачи на
ПК).
Практическая:
решения
задачи
на
движение
беспилотного автомобиля, в
том числе составление
алгоритма, написание кода;
составление
описания
каждого этапа решения
задачи на ПК (по блоксхемам)
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.2.
Решение задач
на компьютере
Повторение основных базовых
понятий Python, изученных
ранее
Практическая: презентация
выполненного домашнего
задания;
участие
в
викторине на повторение
базовых понятий Python.
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.3.
Одномерные
массивы
в
Python - списки.
Создание
Список, массив, элементы
списка, индекс элемента
списка, методы .append и .sort,
11
Аналитическая: анализ и
комментирование каждого
списков
вывод
элементов
и
положительные и отрицательные
индексы, срезы
элемента
термина
«списки»; написание кода.
Практическая: написание
программы для хранения и
обработки
данных
об
оценках по истории за
текущую
четверть;
выполнение
заданий
в
Jupyter
Notebook
по
созданию списка subjects с
элементами.
Коммуникационная: ответы
на
вопросы
учителя,
участие
в
групповом
обсуждении при выполнении
заданий.
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.4.
Словари и их
описание.
Поиск
по
словарю
Списки, генерация списков,
суммирование
элементов
списка, функция len(), сложение
списков; словари, элементы
словаря, ключ и значение, вывод
элементов
словаря,
поиск
элементов в словаре
Экспертная:
взаимопроверка
выполненных
домашних
заданий, поиск ошибок и их
обоснование.
Аналитическая:
анализ
выполненных
домашних
заданий;
заданий
по
созданию
словарей
с
заданными условиями.
Практическая: обсуждение
ошибок, допущенных в
выполненных
домашних
заданиях;
просмотр
и
обсуждение
видеоролика
«Словари»;
самостоятельное
выполнение заданий на
создание словаря results с
предметами и четвертными
оценками и словаря для
поиска
отзывов
по
фильмам;
просмотр
видеоролика «По словарю
можно быстро искать» и
12
выполнение задания
видеоролику.
по
Коммуникационная: ответы
на
вопросы
учителя,
участие
в
групповом
обсуждении
при
выполнении заданий.
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.5.
Перебор
элементов
словаря
Словарь, список, операторы for
и if, элемент словаря, ключ,
значение, перебор словаря по
ключам, перебор словаря по
значениям,
методы
.keys,
.values, .items, операторы for и if
Экспертная:
взаимопроверка
выполненных
домашних
заданий
Аналитическая:
анализ
выполненных
домашних
заданий (анализ кода),
поиск
ошибок
и
их
обоснование.
Практическая: обсуждение
ошибок, допущенных в
выполненных
домашних
заданиях (написание кода);
просмотр и обсуждение
видеоинструкции
с
анализом
примеров
«Перебор
элементов
словаря»; самостоятельное
выполнение
заданий;
выполнение заданий на
применение методов keys,
.values, .items; выполнение
практической работы в
группе (два задания).
Коммуникационная: ответы
на
вопросы
учителя,
участие во фронтальной
беседе (уточнение понятий
«ключ»,
«значение»,
«элемент словаря», а также
выявление отличий словаря
и списка) и групповом
обсуждении
при
выполнении заданий.
13
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.6.
Решение задач с
использование
м списков и
словарей
Список, срез, положительная и
отрицательная
индексация
элементов
списка,
метод
.append,
генерация
списка,
операторы for и if; словарь,
элементы словаря, ключи и
значения, вложенные словари,
метод .items
Аналитическая
выполнении заданий
при
Практическая
при
выполнении всех заданий
(индивидуально
и
в
микрогруппах).
Коммуникационная: ответы
на
вопросы
учителя,
участие во фронтальном
опросе
и
групповом
обсуждении
при
выполнении заданий.
Рефлексивная: заполнение
листа рефлексии в конце
урока
1.7.
Итоговая
работа
"Массивы
Python"
Понятия по курсу «Массивы в
Python: списки и словари»
в
Аналитическая
при
выполнении
заданий
итоговой
контрольной
работы.
Практическая
при
выполнении
заданий
итоговой
контрольной
работы.
Рефлексивная: заполнение
листа рефлексии в конце
урока
Машинное обучение
2.
2.1.
Понятие и виды
машинного
обучения
Искусственный
интеллект,
подход,
основанный
на
правилах, машинное обучение,
история развития ИИ в играх,
сферы применения машинного
обучения; обучение с учителем,
обучение без учителя, задача
регрессии,
задача
классификации,
задача
кластеризации, отбор данных
для
модели
машинного
обучения
14
Аналитическая
при
сравнительном
анализе
подходов:
обучение
с
учителем и обучение без
учителя; при ответах на
вопросы и фронтальном
обсуждении вопросов по
презентации.
Практическая
при
выполнении
заданий
практической работы.
Коммуникационная: ответы
на
вопросы
учителя,
участие во фронтальном
обсуждении
при
выполнении заданий.
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.2.
Анализ
визуализация
данных
и Машинное
обучение
с
учителем, машинное обучение
без учителя, задача регрессии,
задача классификации, задача
кластеризации;
библиотеки
pandas и matplotlib, чтение
табличных
данных,
статистические
показатели,
построение диаграмм
Аналитическая: при поиске
ответов на вопросы в ходе
обсуждения выполненного
домашнего задания, при
выполнении
заданий
практической работы.
Практическая:
при
обсуждении выполненного
домашнего задания; при
фронтальном опросе и
беседе, при выполнении
заданий
практической
работы.
Коммуникационная: ответы
на
вопросы
учителя,
участие во фронтальном
обсуждении
при
выполнении заданий.
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.3.
Библиотеки
машинного
обучения
Машинное обучение с учителем
и
без
учителя,
его
преимущества, постановка цели
и
задач,
анализ
данных,
обучающая и тренировочная
выборки, задача регрессии,
задача классификации, тестовая
и
тренировочная
выборка,
переобучение,
недообучение,
оптимальная модель, кроссвалидация; библиотека sklearn,
этапы
построения
модели
машинного обучения на Python
Аналитическая: ответы на
вопросы (анализ вопросов и
поиск ответов) фронтальной
беседы; анализ графиков
моделей
машинного
обучения при выполнении
задания
«Проблемы
в
обучении модели».
Практическая:
поиск
ответов
на
вопросы
фронтальной беседы и
вопросы учителя в ходе
урока.
Коммуникационная:
участие во фронтальной
15
беседе
по
материала
предыдущего
урока;
участие в обсуждении при
выполнении
задания
в
микрогруппе по анализу
графиков
машинного
обучения».
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.4.
Линейная
регрессия
понятие линейной регрессии,
целевая функция, линейное
уравнение, гомоскедастичность
данных;
создание
модели
линейной регрессии на Python с
помощью библиотек pandas,
numpy и sklearn
Аналитическая:
анализ
работы модели линейной
регрессии
(подбор
коэффициентов линейного
уравнения с несколькими
переменными);
анализ
задач,
представленных
учителем, выбор из них
задач регрессии; задание на
анализ графиков и выбор из
них
того,
который
соответствует
модели
линейной регрессии; анализ
точечных графика и выбор
среди них набора данных,
подходящих для решения
задачи линейной регрессии;
создание
модели
машинного обучения на
Python.
Практическая:
решение
задач
на
выбор
(из
представленных учителем
задач) задач регрессии; на
выбор набора данных (по
графикам), подходящих для
решения задачи линейной
регрессии; создание модели
машинного обучения на
Python
модель
предсказания
цен
на
квартиры, в зависимости от
различных параметров.
Коммуникационная:
участие во фронтальном
обсуждении
основных
16
вопросы темы - линейная
функция
и
линейное
уравнение, которые уже
изучались
в
курсе
математики;
обсуждение
задач по графикам.
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.5.
Нелинейные
зависимости
Создание, обучение и оценка
модели линейной регрессии,
визуализация данных на Python;
нелинейный функции, графики
функций;
полиномиальное
преобразование
линейной
регрессии
Аналитическая: создание
модели линейной регрессии
на
основании
простой
таблицы с данными о
зарплатах
сотрудников,
находящихся на разных
должностях;
написание
кода.
Практическая:
решение
задач на создание модели
линейной регрессии, ответы
на
вопросы
учителя
(повторение
материала
математики); выполнение
задания
на
полиномиальную
регрессию, написание кода
для предсказания значения
новой
моделью
и
построение
графиков
исходных данных и модели.
Коммуникационная:
участие во фронтальном
обсуждении, ответы на
вопросы учителя.
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.6.
Классификация.
Логистическая
регрессия
Классификация, логистическая
регрессия,
линейный
классификатор, гиперплоскость,
бинарная
классификация,
мультиклассовая
классификация;
линейное
уравнение,
коэффициенты
линейного
уравнения,
17
Аналитическая:
поиск
ответов на проблемные
вопросы и решение задач на
этапе 2 урока;
Практическая: ответы на
вопросы, подбор примеров
задач
классификации;
ответы на проблемные
расположение
точки
относительно прямой, отступ
объекта; создание, обучение и
оценка модели логистической
регрессии
вопросы при объяснении
нового материала; решение
задач на закрепление нового
материала по теме; участие
во фронтальной работе на
этапе 3 урока.
Коммуникационная:
участие в обсуждении теста
и основных понятий темы;
ответы на вопросы учителя;
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.7.
Классификация.
Логистическая
регрессия
Матрица ошибок, метрики
качества
логистической
регрессии,
модель
логистической регрессии на
Python
Аналитическая:
поиск
ответов на вопросы учителя
при обсуждении метрик
качества
логистической
регрессии; самостоятельное
составление
модели
логистической
регрессии
для
предсказания
вероятности в ближайшие
10
лет
ишемической
болезни
сердца
по
различным признакам.
Практическая: ответы на
вопросы
учителя;
самостоятельное
составление
модели
логистической
регрессии
для
предсказания
вероятности в ближайшие
10
лет
ишемической
болезни
сердца
по
различным признакам
Коммуникационная:
участие во фронтальном
обсуждении
метрик
качества
логистической
регрессии;
Рефлексивная: заполнение
листа рефлексии в конце
урока
18
2.8.
Деревья
решений
Дерево решений, элементы
деревьев:
корень,
листья;
глубина
дерева,
жадный
алгоритм, атрибут разбиения;
энтропия, формула Шеннона,
вероятность, критерий Джини
Аналитическая:
поиск ответов на вопросы
учителя при обсуждении
нового типа алгоритма,
поиск ответов на
проблемные вопросы и
решение задач
Практическая:
самостоятельная работа с
алгоритмом дерева
решений
Коммуникационная:
участие во фронтальном
обсуждении.
Рефлексивная: заполнение
листа рефлексии в конце
урока
2.9.
Проект
«Решение задачи
классификации»
машинное обучение с учителем,
задача классификации, метрики
оценки
качества
классификации;
этапы
разработки модели машинного
обучения,
анализ
данных,
создание и обучение модели,
Аналитическая: при выборе
методов решения задачи
Практическая: при
выполнении практического
задания по созданию
модели машинного
обучения
оценка эффективности работы
Рефлексивная: при
модели
подведении итогов
выполнения работы,
заполнения листа
рефлексии
19
№
п/п
КАЛЕНДАРНО-ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ
Количество часов
Тема урока
Электронные цифровые
образовательные ресурсы
Модуль 1. Основы языка программирования Python (14 ч)
1
Этапы решения задачи на компьютере
2
https://resh.edu.ru/
2
Решение задач на компьютере
2
https://xn--h1aafgkbnx.xn--p1ai/
3
Одномерные массивы в Python - списки.
2
https://xn--h1aafgkbnx.xn--p1ai/
Создание списков и вывод элементов
4
Словари и их описание. Поиск по словарю
2
https://resh.edu.ru/subject/
5
Перебор элементов словаря
2
https://resh.edu.ru/subject/
6
Решение задач с использованием списков и
словарей
2
https://xn--h1aafgkbnx.xn--p1ai/
7
Повторение. Итоговая работа "Массивы в
Python"
Модуль 2. Машинное обучение (20 ч)
2
https://xn--h1aafgkbnx.xn--p1ai/
7
Понятие и виды машинного обучения
2
https://xn--h1adlhdnlo2c.xn--p1ai/lessons/aiagents
8
Анализ и визуализация данных
2
https://resh.edu.ru/subject/
20
9
Библиотеки машинного обучения
2
https://xn--h1adlhdnlo2c.xn--p1ai/lessons/
10
Линейная регрессия
2
https://resh.edu.ru/subject/
11
Нелинейные зависимости
2
https://xn--h1adlhdnlo2c.xn--p1ai/lessons/
12
Классификация. Логистическая регрессия
2
https://xn--h1adlhdnlo2c.xn--p1ai/lessons/
13
Классификация. Логистическая регрессия
2
https://resh.edu.ru/subject/
14
Деревья решений
4
https://resh.edu.ru/subject/
15
Проект «Решение задачи классификации»
2
https://resh.edu.ru/subject/
21
Для реализации курса на основе программы необходимо наличие следующих
технических средств:
●
компьютерное рабочее место учителя, подключенное к сети Интернет (Wi-Fi
или по кабелю),
●
проекционное оборудование или интерактивная доска с возможностью
демонстрации презентаций;
●
компьютеры или ноутбуки, расположенные в компьютерном классе, где каждый
ученик работает с устройством либо индивидуально, либо в парах;
●
компьютеры или ноутбуки как учащихся, так и учителя должны быть на
операционных системах Windows/MacOS;
●
типовое программное
обеспечение,
применяемое общеобразовательными
организациями;
●
интегрированная среда разработки (IDE) для языка программирования Python;
●
Jupyter Notebooks — среда разработки, для запуска файлов из материалов УМК
с компьютера или из облачного хранилища.
Технические требования к ПО
ПК или ноутбук на базе ОС Windows, MacOS
Системные требования Windows
Системные требования MacOS
●
Операционная система Windows 7 или выше
●
●
Процессор Intel® Core Duo или аналогичный с
частотой 1,5 ГГц или выше
Операционная система MacOS X 10.10 или
выше
●
2/4 ГБ оперативной памяти для систем под
управлением 32/64-битной Windows
Процессор Intel® Core Duo или аналогичный с
частотой 1,5 ГГц или выше
●
1,5 ГБ оперативной памяти - Процессор Intel®
Core Duo или аналогичный с частотой 1,5 ГГц
или выше
●
1,5 ГБ оперативной памяти
●
● Разрешение экрана 1024x768 или больше
● Наличие интернет-соединения
● Необходимо использовать актуальные версии одного из следующих браузеров: Edge, Chrome,
Safari, Firefox, Opera
22
Формы аттестации
Все разделы предполагают выполнение и защиту проектов. Проекты по своей
дидактической сущности нацелены на формирование способностей, позволяющих
эффективно действовать в реальной жизненной ситуации. Обладая ими, учащиеся могут
адаптироваться к изменяющимся условиям, ориентироваться в разнообразных ситуациях,
работать в команде.
При работе над проектом появляется исключительная возможность формирования у
учащихся компетентности разрешения проблем (поскольку обязательным условием
реализации метода проектов в школе является решение учащимся собственных проблем
средствами
проекта),
а
также
освоение
способов
деятельности,
составляющих
коммуникативную и информационную компетентности.
Проекты являются межпредметными, в отличие от монопроектов, частично
выполняются во внеурочное время и под руководством нескольких специалистов в
различных областях знания. Такие проекты требуют очень квалифицированной
координации со стороны специалистов и слаженной работы многих творческих групп.
Межпредметные проекты могут быть как небольшими, затрагивающими два-три предмета,
так
и
направленными
на
решение
достаточно
содержательной интеграции многих областей знания.
сложных
проблем,
требующих
СПИСОК ЛИТЕРАТУРЫ И ЭЛЕКТРОННЫХ РЕСУРСОВ
1. Н.Н.Самылкина, «Готовимся к ЕГЭ по информатике», учебное пособие,
элективный курс, изд-во Бином, Москва, 2008г.
2. Сайт информационной поддержки по ЕГЭ http://www.ege.ru/.
3. Сайт Федерального института педагогических измерений ФИПИ http://www.fipi.ru
4. Сайт РЦОКОиИТ http://ege.spb.ru/
5. Образовательный портал http://www.ege.edu.ru
6. Интернет-олимпиада по информатике СПбГУИТМО http://olymp.ifmo.ru
7. Свободный форум экспертов на сайте www.ege.spbinform.ru
