一、單元定位
從"人寫規(guī)則"走向"機器學(xué)規(guī)則"，理解機器學(xué)習(xí)是算法的進階形態(tài)，培養(yǎng)數(shù)據(jù)驅(qū)動思維與AI素養(yǎng)，為初中
人工智能模塊奠基。
二、單元目標
知識：說出機器學(xué)習(xí)三要素（數(shù)據(jù)、特征、模型）；知道"監(jiān)督學(xué)習(xí)"與"無監(jiān)督學(xué)習(xí)"的區(qū)別；了解訓(xùn)練集/測試集/準確率概念。
技能：能用圖形化工具（如Teachable Machine）完成圖像/語音分類項目；能解讀混淆矩陣，說出模型優(yōu)劣。
思維：體驗"數(shù)據(jù)質(zhì)量>算法復(fù)雜度"的機器學(xué)習(xí)鐵律；能分析"過擬合"現(xiàn)象。
情感：樹立"數(shù)據(jù)偏見導(dǎo)致模型偏見"的倫理意識；理解AI輔助而非替代人類決策。
三、核心概念
傳統(tǒng)編程：人定規(guī)則→機器執(zhí)行
機器學(xué)習(xí)：人給數(shù)據(jù)+答案→機器找規(guī)則→人驗證規(guī)則
關(guān)鍵循環(huán)：收集→標注→訓(xùn)練→測試→優(yōu)化→部署
四、課時安排
| 課時 | 主題 | 核心任務(wù) | 技術(shù)載體 |
|---|
| 1 | 從"教規(guī)則"到"給例子" | 對比"if-then"程序與"圖片分類"機器學(xué)習(xí) | Scratch vs Teachable Machine |
| 2 | 數(shù)據(jù)與標注 | 為"手勢識別"項目拍攝+標注100張圖片 | 手機/平板+云標注平臺 |
| 3 | 訓(xùn)練與測試 | 用70%數(shù)據(jù)訓(xùn)練，30%測試，解讀準確率 | Teachable Machine |
| 4 | 模型優(yōu)化與倫理 | 分析"過擬合""數(shù)據(jù)偏見"案例；討論AI倫理 | 案例視頻+小組辯論 |
| 5 | 我的AI小應(yīng)用 | 完成一個解決實際問題的機器學(xué)習(xí)項目 | 全要素綜合 |
第五課時為項目展示，可選開或融入課后社團
五、教學(xué)重難點與策略
| 重難點 | 具體表現(xiàn) | 突破策略 |
|---|
| "學(xué)規(guī)則"vs"寫規(guī)則" | 學(xué)生困惑"機器怎么自己學(xué)" | "猜拳游戲"類比：傳統(tǒng)=背出所有出拳規(guī)則；機器學(xué)習(xí)=看100局錄像總結(jié)規(guī)律 |
| 數(shù)據(jù)質(zhì)量意識 | 認為"數(shù)據(jù)越多越好"，忽視標注錯誤 | "垃圾進垃圾出"實驗：故意混入5%錯誤標注，觀察準確率斷崖下跌 |
| 過擬合理解 | 訓(xùn)練準確率100%，測試準確率60% | "死記硬背"類比：訓(xùn)練集=課本原題，測試集=變式題；只背原題=過擬合 |
| 算法黑箱焦慮 | 不知道機器"怎么想的"，不敢用 | "可解釋AI"初體驗：Teachable Machine的置信度條+熱力圖 |
| 倫理盲區(qū) | 覺得"AI是客觀的" | "亞馬遜招聘AI偏見"案例討論；學(xué)生自查訓(xùn)練數(shù)據(jù)是否單一 |
六、課時詳解
第1課時：從"教規(guī)則"到"給例子"
對比實驗A：傳統(tǒng)編程
對比實驗B：機器學(xué)習(xí)
任務(wù)：同上
方法：給機器100張貓、100張狗，標注好
結(jié)果：自動找特征，角度變化也能識別
關(guān)鍵發(fā)現(xiàn)：
第2課時：數(shù)據(jù)與標注
項目：手勢識別（石頭/剪刀/布）
活動：
拍攝：每人每個手勢10張（不同角度、光線、背景）
標注：上傳平臺，正確分類
質(zhì)量檢查：小組互審，剔除模糊、錯誤照片
數(shù)據(jù)策略討論：
第3課時：訓(xùn)練與測試
操作：
解讀混淆矩陣：
預(yù)測石頭 預(yù)測剪刀 預(yù)測布
實際石頭 25 2 1
實際剪刀 3 22 2
實際布 1 2 24
優(yōu)化迭代：
增加"剪刀"訓(xùn)練數(shù)據(jù)
要求拍攝時手指張開更明顯
第4課時：模型優(yōu)化與倫理
案例A：過擬合
展示：訓(xùn)練準確率99%，測試準確率65%
診斷：模型記住訓(xùn)練集細節(jié)（如某張照片的桌角）
解決：增加數(shù)據(jù)量、簡化模型、早停策略
案例B：數(shù)據(jù)偏見
倫理辯論：
第5課時：我的AI小應(yīng)用
項目選題（三選一）：
A. 垃圾分類識別（濕/干/可回收/有害）
B. 植物病蟲害識別
C. 課堂舉手/不舉手狀態(tài)統(tǒng)計
項目流程：
問題定義（1天）
數(shù)據(jù)采集（2天，≥50張/類）
標注訓(xùn)練（1課時）
測試優(yōu)化（1課時）
展示答辯（1課時）
評價量規(guī)：
| 維度 | 權(quán)重 | 指標 |
|---|
| 數(shù)據(jù)質(zhì)量 | 25% | 多樣、清晰、標注正確、無偏見 |
| 模型性能 | 25% | 測試準確率≥80%，混淆矩陣可解釋 |
| 迭代痕跡 | 20% | 版本≥2，有優(yōu)化記錄 |
| 倫理考量 | 20% | 數(shù)據(jù)隱私、使用邊界說明 |
| 展示表達 | 10% | 3分鐘說清問題-數(shù)據(jù)-模型-反思 |
七、分層任務(wù)設(shè)計
基礎(chǔ)：完成Teachable Machine三分類項目，準確率≥70%
提高：分析混淆矩陣，提出并執(zhí)行至少1項優(yōu)化
拓展：用Python+TensorFlow Lite部署到樹莓派，制作實物交互裝置
八、評價方案
過程性：
結(jié)果性：
九、資源清單
十、安全與倫理
人臉數(shù)據(jù)絕不采集，項目限定手勢/物體/植物
訓(xùn)練數(shù)據(jù)不上傳公共平臺，僅用本地或?qū)W校私有云
討論案例脫敏，不針對具體企業(yè)
強調(diào)"AI輔助決策，人類最終負責(zé)"
十一、跨學(xué)科鏈接
數(shù)學(xué)：概率、統(tǒng)計、比例（準確率計算）
科學(xué)：生物分類、實驗設(shè)計（控制變量）
語文：說明文寫作（寫清AI項目流程）
道德與法治：隱私權(quán)、算法公平、技術(shù)倫理
《機器學(xué)習(xí)中的算法》教學(xué)指導(dǎo)
（小學(xué)信息科技 六年級 4～5 課時）
一、單元定位
從"人寫規(guī)則"走向"機器學(xué)規(guī)則"，理解機器學(xué)習(xí)是算法的進階形態(tài)，培養(yǎng)數(shù)據(jù)驅(qū)動思維與AI素養(yǎng)，為初中人工智能模塊奠基。
二、單元目標
知識：說出機器學(xué)習(xí)三要素（數(shù)據(jù)、特征、模型）；知道"監(jiān)督學(xué)習(xí)"與"無監(jiān)督學(xué)習(xí)"的區(qū)別；了解訓(xùn)練集/測試集/準確率概念。
技能：能用圖形化工具（如Teachable Machine）完成圖像/語音分類項目；能解讀混淆矩陣，說出模型優(yōu)劣。
思維：體驗"數(shù)據(jù)質(zhì)量>算法復(fù)雜度"的機器學(xué)習(xí)鐵律；能分析"過擬合"現(xiàn)象。
情感：樹立"數(shù)據(jù)偏見導(dǎo)致模型偏見"的倫理意識；理解AI輔助而非替代人類決策。
三、核心概念
傳統(tǒng)編程：人定規(guī)則→機器執(zhí)行
機器學(xué)習(xí)：人給數(shù)據(jù)+答案→機器找規(guī)則→人驗證規(guī)則
關(guān)鍵循環(huán)：收集→標注→訓(xùn)練→測試→優(yōu)化→部署
四、課時安排
表格
課時 主題 核心任務(wù) 技術(shù)載體
1 從"教規(guī)則"到"給例子" 對比"if-then"程序與"圖片分類"機器學(xué)習(xí) Scratch vs Teachable Machine
2 數(shù)據(jù)與標注 為"手勢識別"項目拍攝+標注100張圖片 手機/平板+云標注平臺
3 訓(xùn)練與測試 用70%數(shù)據(jù)訓(xùn)練，30%測試，解讀準確率 Teachable Machine
4 模型優(yōu)化與倫理 分析"過擬合""數(shù)據(jù)偏見"案例；討論AI倫理 案例視頻+小組辯論
5 我的AI小應(yīng)用 完成一個解決實際問題的機器學(xué)習(xí)項目 全要素綜合
第五課時為項目展示，可選開或融入課后社團
五、教學(xué)重難點與策略
表格
重難點 具體表現(xiàn) 突破策略
"學(xué)規(guī)則"vs"寫規(guī)則" 學(xué)生困惑"機器怎么自己學(xué)" "猜拳游戲"類比：傳統(tǒng)=背出所有出拳規(guī)則；機器學(xué)習(xí)=看100局錄像總結(jié)規(guī)律
數(shù)據(jù)質(zhì)量意識 認為"數(shù)據(jù)越多越好"，忽視標注錯誤 "垃圾進垃圾出"實驗：故意混入5%錯誤標注，觀察準確率斷崖下跌
過擬合理解 訓(xùn)練準確率100%，測試準確率60% "死記硬背"類比：訓(xùn)練集=課本原題，測試集=變式題；只背原題=過擬合
算法黑箱焦慮 不知道機器"怎么想的"，不敢用 "可解釋AI"初體驗：Teachable Machine的置信度條+熱力圖
倫理盲區(qū) 覺得"AI是客觀的" "亞馬遜招聘AI偏見"案例討論；學(xué)生自查訓(xùn)練數(shù)據(jù)是否單一
六、課時詳解
第1課時：從"教規(guī)則"到"給例子"
對比實驗A：傳統(tǒng)編程
任務(wù)：區(qū)分"貓/狗"圖片
方法：人寫規(guī)則"尖耳朵=貓，圓耳朵=狗"
結(jié)果：折耳貓誤判、角度變化失效
對比實驗B：機器學(xué)習(xí)
任務(wù)：同上
方法：給機器100張貓、100張狗，標注好
結(jié)果：自動找特征，角度變化也能識別
關(guān)鍵發(fā)現(xiàn)：
規(guī)則太復(fù)雜人寫不完→讓機器自己找
但需要"大量例子+正確標注"
第2課時：數(shù)據(jù)與標注
項目：手勢識別（石頭/剪刀/布）
活動：
拍攝：每人每個手勢10張（不同角度、光線、背景）
標注：上傳平臺，正確分類
質(zhì)量檢查：小組互審，剔除模糊、錯誤照片
數(shù)據(jù)策略討論：
為什么需要多角度？（模擬真實場景）
為什么背景要多樣？（避免學(xué)到"背景=手勢"）
如果只有男生數(shù)據(jù)會怎樣？（引出偏見）
第3課時：訓(xùn)練與測試
操作：
劃分：平臺自動70%訓(xùn)練/30%測試（教師解釋為何不能全訓(xùn)練）
訓(xùn)練：觀察損失值下降曲線
測試：看混淆矩陣
解讀混淆矩陣：
plain
復(fù)制
預(yù)測石頭 預(yù)測剪刀 預(yù)測布
實際石頭 25 2 1
實際剪刀 3 22 2
實際布 1 2 24
對角線=正確；其他=錯誤
發(fā)現(xiàn)：剪刀最容易被誤判為石頭（手勢相似）
優(yōu)化迭代：
增加"剪刀"訓(xùn)練數(shù)據(jù)
要求拍攝時手指張開更明顯
第4課時：模型優(yōu)化與倫理
案例A：過擬合
展示：訓(xùn)練準確率99%，測試準確率65%
診斷：模型記住訓(xùn)練集細節(jié)（如某張照片的桌角）
解決：增加數(shù)據(jù)量、簡化模型、早停策略
案例B：數(shù)據(jù)偏見
視頻：某面部識別軟件對深膚色錯誤率高
討論：訓(xùn)練數(shù)據(jù)以淺膚色為主→模型"沒見過"→誤判
行動：我們的手勢數(shù)據(jù)是否單一？如何改進？
倫理辯論：
辯題：學(xué)校用AI識別學(xué)生情緒，是否該推廣？
正方：及時發(fā)現(xiàn)心理問題
反方：隱私侵犯、誤判標簽
第5課時：我的AI小應(yīng)用
項目選題（三選一）：
A. 垃圾分類識別（濕/干/可回收/有害）
B. 植物病蟲害識別
C. 課堂舉手/不舉手狀態(tài)統(tǒng)計
項目流程：
問題定義（1天）
數(shù)據(jù)采集（2天，≥50張/類）
標注訓(xùn)練（1課時）
測試優(yōu)化（1課時）
展示答辯（1課時）
評價量規(guī)：
表格
維度 權(quán)重 指標
數(shù)據(jù)質(zhì)量 25% 多樣、清晰、標注正確、無偏見
模型性能 25% 測試準確率≥80%，混淆矩陣可解釋
迭代痕跡 20% 版本≥2，有優(yōu)化記錄
倫理考量 20% 數(shù)據(jù)隱私、使用邊界說明
展示表達 10% 3分鐘說清問題-數(shù)據(jù)-模型-反思
七、分層任務(wù)設(shè)計
基礎(chǔ)：完成Teachable Machine三分類項目，準確率≥70%
提高：分析混淆矩陣，提出并執(zhí)行至少1項優(yōu)化
拓展：用Python+TensorFlow Lite部署到樹莓派，制作實物交互裝置
八、評價方案
過程性：
數(shù)據(jù)采集打卡（拍照數(shù)量、多樣性自評）
標注質(zhì)量互審（小組交叉檢查）
訓(xùn)練日志（截圖損失曲線）
結(jié)果性：
模型測試報告（準確率、混淆矩陣、優(yōu)化前后對比）
倫理反思短文（200字："我的AI可能傷害誰？如何預(yù)防？"）
九、資源清單
Teachable Machine（Google，需翻墻備用方案：百度EasyDL/阿里ModelScope）
手機/平板拍攝支架
"數(shù)據(jù)標注規(guī)范"海報（光線、角度、背景、數(shù)量）
混淆矩陣空白模板
倫理案例視頻（3分鐘版）
樹莓派+攝像頭（拓展用）
十、安全與倫理
人臉數(shù)據(jù)絕不采集，項目限定手勢/物體/植物
訓(xùn)練數(shù)據(jù)不上傳公共平臺，僅用本地或?qū)W校私有云
討論案例脫敏，不針對具體企業(yè)
強調(diào)"AI輔助決策，人類最終負責(zé)"
十一、跨學(xué)科鏈接
數(shù)學(xué)：概率、統(tǒng)計、比例（準確率計算）
科學(xué)：生物分類、實驗設(shè)計（控制變量）
語文：說明文寫作（寫清AI項目流程）
道德與法治：隱私權(quán)、算法公平、技術(shù)倫理《機器學(xué)習(xí)中的算法》教學(xué)指導(dǎo)
（小學(xué)信息科技 六年級 4～5 課時）
一、單元定位
從"人寫規(guī)則"走向"機器學(xué)規(guī)則"，理解機器學(xué)習(xí)是算法的進階形態(tài)，培養(yǎng)數(shù)據(jù)驅(qū)動思維與AI素養(yǎng)，為初中人工智能模塊奠基。
二、單元目標
知識：說出機器學(xué)習(xí)三要素（數(shù)據(jù)、特征、模型）；知道"監(jiān)督學(xué)習(xí)"與"無監(jiān)督學(xué)習(xí)"的區(qū)別；了解訓(xùn)練集/測試集/準確率概念。
技能：能用圖形化工具（如Teachable Machine）完成圖像/語音分類項目；能解讀混淆矩陣，說出模型優(yōu)劣。
思維：體驗"數(shù)據(jù)質(zhì)量>算法復(fù)雜度"的機器學(xué)習(xí)鐵律；能分析"過擬合"現(xiàn)象。
情感：樹立"數(shù)據(jù)偏見導(dǎo)致模型偏見"的倫理意識；理解AI輔助而非替代人類決策。
三、核心概念
傳統(tǒng)編程：人定規(guī)則→機器執(zhí)行
機器學(xué)習(xí)：人給數(shù)據(jù)+答案→機器找規(guī)則→人驗證規(guī)則
關(guān)鍵循環(huán)：收集→標注→訓(xùn)練→測試→優(yōu)化→部署
四、課時安排
表格
課時 主題 核心任務(wù) 技術(shù)載體
1 從"教規(guī)則"到"給例子" 對比"if-then"程序與"圖片分類"機器學(xué)習(xí) Scratch vs Teachable Machine
2 數(shù)據(jù)與標注 為"手勢識別"項目拍攝+標注100張圖片 手機/平板+云標注平臺
3 訓(xùn)練與測試 用70%數(shù)據(jù)訓(xùn)練，30%測試，解讀準確率 Teachable Machine
4 模型優(yōu)化與倫理 分析"過擬合""數(shù)據(jù)偏見"案例；討論AI倫理 案例視頻+小組辯論
5 我的AI小應(yīng)用 完成一個解決實際問題的機器學(xué)習(xí)項目 全要素綜合
第五課時為項目展示，可選開或融入課后社團
五、教學(xué)重難點與策略
表格
重難點 具體表現(xiàn) 突破策略
"學(xué)規(guī)則"vs"寫規(guī)則" 學(xué)生困惑"機器怎么自己學(xué)" "猜拳游戲"類比：傳統(tǒng)=背出所有出拳規(guī)則；機器學(xué)習(xí)=看100局錄像總結(jié)規(guī)律
數(shù)據(jù)質(zhì)量意識 認為"數(shù)據(jù)越多越好"，忽視標注錯誤 "垃圾進垃圾出"實驗：故意混入5%錯誤標注，觀察準確率斷崖下跌
過擬合理解 訓(xùn)練準確率100%，測試準確率60% "死記硬背"類比：訓(xùn)練集=課本原題，測試集=變式題；只背原題=過擬合
算法黑箱焦慮 不知道機器"怎么想的"，不敢用 "可解釋AI"初體驗：Teachable Machine的置信度條+熱力圖
倫理盲區(qū) 覺得"AI是客觀的" "亞馬遜招聘AI偏見"案例討論；學(xué)生自查訓(xùn)練數(shù)據(jù)是否單一
六、課時詳解
第1課時：從"教規(guī)則"到"給例子"
對比實驗A：傳統(tǒng)編程
任務(wù)：區(qū)分"貓/狗"圖片
方法：人寫規(guī)則"尖耳朵=貓，圓耳朵=狗"
結(jié)果：折耳貓誤判、角度變化失效
對比實驗B：機器學(xué)習(xí)
任務(wù)：同上
方法：給機器100張貓、100張狗，標注好
結(jié)果：自動找特征，角度變化也能識別
關(guān)鍵發(fā)現(xiàn)：
規(guī)則太復(fù)雜人寫不完→讓機器自己找
但需要"大量例子+正確標注"
第2課時：數(shù)據(jù)與標注
項目：手勢識別（石頭/剪刀/布）
活動：
拍攝：每人每個手勢10張（不同角度、光線、背景）
標注：上傳平臺，正確分類
質(zhì)量檢查：小組互審，剔除模糊、錯誤照片
數(shù)據(jù)策略討論：
為什么需要多角度？（模擬真實場景）
為什么背景要多樣？（避免學(xué)到"背景=手勢"）
如果只有男生數(shù)據(jù)會怎樣？（引出偏見）
第3課時：訓(xùn)練與測試
操作：
劃分：平臺自動70%訓(xùn)練/30%測試（教師解釋為何不能全訓(xùn)練）
訓(xùn)練：觀察損失值下降曲線
測試：看混淆矩陣
解讀混淆矩陣：
plain
復(fù)制
預(yù)測石頭 預(yù)測剪刀 預(yù)測布
實際石頭 25 2 1
實際剪刀 3 22 2
實際布 1 2 24
對角線=正確；其他=錯誤
發(fā)現(xiàn)：剪刀最容易被誤判為石頭（手勢相似）
優(yōu)化迭代：
增加"剪刀"訓(xùn)練數(shù)據(jù)
要求拍攝時手指張開更明顯
第4課時：模型優(yōu)化與倫理
案例A：過擬合
展示：訓(xùn)練準確率99%，測試準確率65%
診斷：模型記住訓(xùn)練集細節(jié)（如某張照片的桌角）
解決：增加數(shù)據(jù)量、簡化模型、早停策略
案例B：數(shù)據(jù)偏見
視頻：某面部識別軟件對深膚色錯誤率高
討論：訓(xùn)練數(shù)據(jù)以淺膚色為主→模型"沒見過"→誤判
行動：我們的手勢數(shù)據(jù)是否單一？如何改進？
倫理辯論：
辯題：學(xué)校用AI識別學(xué)生情緒，是否該推廣？
正方：及時發(fā)現(xiàn)心理問題
反方：隱私侵犯、誤判標簽
第5課時：我的AI小應(yīng)用
項目選題（三選一）：
A. 垃圾分類識別（濕/干/可回收/有害）
B. 植物病蟲害識別
C. 課堂舉手/不舉手狀態(tài)統(tǒng)計
項目流程：
問題定義（1天）
數(shù)據(jù)采集（2天，≥50張/類）
標注訓(xùn)練（1課時）
測試優(yōu)化（1課時）
展示答辯（1課時）
評價量規(guī)：
表格
維度 權(quán)重 指標
數(shù)據(jù)質(zhì)量 25% 多樣、清晰、標注正確、無偏見
模型性能 25% 測試準確率≥80%，混淆矩陣可解釋
迭代痕跡 20% 版本≥2，有優(yōu)化記錄
倫理考量 20% 數(shù)據(jù)隱私、使用邊界說明
展示表達 10% 3分鐘說清問題-數(shù)據(jù)-模型-反思
七、分層任務(wù)設(shè)計
基礎(chǔ)：完成Teachable Machine三分類項目，準確率≥70%
提高：分析混淆矩陣，提出并執(zhí)行至少1項優(yōu)化
拓展：用Python+TensorFlow Lite部署到樹莓派，制作實物交互裝置
八、評價方案
過程性：
數(shù)據(jù)采集打卡（拍照數(shù)量、多樣性自評）
標注質(zhì)量互審（小組交叉檢查）
訓(xùn)練日志（截圖損失曲線）
結(jié)果性：
模型測試報告（準確率、混淆矩陣、優(yōu)化前后對比）
倫理反思短文（200字："我的AI可能傷害誰？如何預(yù)防？"）
九、資源清單
Teachable Machine（Google，需翻墻備用方案：百度EasyDL/阿里ModelScope）
手機/平板拍攝支架
"數(shù)據(jù)標注規(guī)范"海報（光線、角度、背景、數(shù)量）
混淆矩陣空白模板
倫理案例視頻（3分鐘版）
樹莓派+攝像頭（拓展用）
十、安全與倫理
人臉數(shù)據(jù)絕不采集，項目限定手勢/物體/植物
訓(xùn)練數(shù)據(jù)不上傳公共平臺，僅用本地或?qū)W校私有云
討論案例脫敏，不針對具體企業(yè)
強調(diào)"AI輔助決策，人類最終負責(zé)"
十一、跨學(xué)科鏈接
數(shù)學(xué)：概率、統(tǒng)計、比例（準確率計算）
科學(xué)：生物分類、實驗設(shè)計（控制變量）
語文：說明文寫作（寫清AI項目流程）
道德與法治：隱私權(quán)、算法公平、技術(shù)倫理
首次登錄免費下載資源
瀏覽次數(shù)：
更新時間：2026-05-20
相關(guān)推薦
人人皆能設(shè)計
