信息技术人工智能专册第26课 推荐出行方式教案

这是一份信息技术人工智能专册第26课 推荐出行方式教案，共16页。
本课面向初中九年级学生，学生已完成人工智能基础模块学习，掌握数据、算法、算力三大核心要素，理解决策树、人工神经网络等基础机器学习算法，具备Pythn基础编程能力与简单数据处理技能。学生日常高频使用导航、出行APP，对智能推荐有直观体验，但仅停留在应用层面，缺乏对推荐系统数据逻辑、算法原理、工程实现的深度认知。学生思维活跃、乐于实践，但对复杂算法模型理解存在困难，易混淆不同算法适用场景，团队协作与项目规划能力有待提升，需通过情境化任务、阶梯式实践降低认知门槛，强化计算思维与工程实践能力。
教材分析
本课选自人教版初中信息技术《人工智能专册》第六单元《AI项目工坊》第26课，属单元核心实践课，承接前序算法理论知识，开启AI综合应用实践。教材以"出行方式推荐"真实场景为载体，拆解为数据准备与特征提取、基于决策树的规则化推荐、基于人工神经网络的智能化推荐、推荐效果评估与优化四大核心模块。教材注重"理论—实践—反思"闭环，融合数据标注、模型训练、效果对比、伦理思考等内容，既落实算法原理应用，又强化"数据驱动决策""技术适配需求"的工程思维，为后续复杂AI项目开发奠定基础，体现新课标"项目式学习、素养导向、技术向善"的核心要求。
核心素养目标
信息意识
感知出行推荐场景中的数据价值，识别距离、时间、天气、费用等核心特征维度，理解数据质量对推荐效果的决定性作用。
树立数据安全意识，知晓出行数据隐私保护的重要性，初步识别推荐算法可能存在的偏见问题。
计算思维
能对出行推荐问题进行抽象拆解，提炼关键特征，建立"输入—处理—输出"的算法模型。
理解决策树与人工神经网络的算法逻辑，对比两种算法在推荐任务中的优势与局限，形成算法选择与优化思维。
掌握"需求分析—数据建模—算法实现—效果评估"的问题解决流程，发展工程化计算思维。
数字化学习与创新
能利用Pythn编程工具实现基础出行推荐模型，调用机器学习库完成数据训练与预测。
结合实际需求优化推荐规则，创新添加个性化特征（如出行偏好、环保需求），提升推荐系统适配性。
信息社会责任
理解AI推荐技术对智慧出行、绿色交通的推动作用，体会科技服务生活的价值。
辩证看待推荐算法的双面性，思考算法偏见、数据隐私等伦理问题，树立"智能向善"的技术责任观。
教学重难点
教学重点
出行推荐系统的数据特征提取与数据集构建方法。
决策树算法在规则化出行推荐中的实现逻辑与代码编写。
人工神经网络推荐模型的训练流程与调用方法。
教学难点
理解不同算法的底层逻辑，对比决策树与神经网络的适用场景。
解决数据预处理、模型过拟合、推荐偏差等实践问题。
建立"需求—数据—算法—效果"的系统关联，完成完整推荐项目开发。
教学过程
情境导入：感知智能出行推荐（结合教材开篇案例）
师：同学们日常上学、出行会用哪些APP规划路线？（等待学生回答：导航、地图、出行小程序等）
生：用导航APP选开车、公交、步行；周末出游会看天气选出行方式。
师：大家有没有发现，这些APP会"猜"我们的需求——比如雨天推荐地铁、短途推荐骑行、早晚高峰推荐避开拥堵的路线？这种"智能推荐"背后，是AI在发挥作用。今天我们就化身AI工程师，完成《推荐出行方式》项目，亲手打造智能出行推荐系统！
设计意图：从学生熟悉的生活场景切入，激活已有经验，激发实践兴趣，自然引出本课项目主题，建立"生活应用—技术原理—工程实践"的关联。
任务一：需求分析与数据准备（教材第1-2小节内容讲解）
教材内容讲解
教材明确：智能出行推荐系统的核心是**"基于多维度数据，通过算法匹配最优出行方式"。首先要明确系统需求：输入用户出行信息（起点、终点、距离、时间、天气、预算），输出推荐结果（步行、骑行、公交、地铁、自驾）。
数据是AI的"燃料"，出行推荐需收集特征数据与标签数据**：
特征数据（输入）：出行距离（km）、耗时（min）、天气（晴/雨/雪）、费用（元）、时段（早高峰/晚高峰/平峰）
标签数据（输出）：最优出行方式（对应特征的推荐结果）
师生互动：数据特征梳理
师：如果要推荐"从学校到家"的出行方式，我们需要收集哪些关键数据？哪些数据是最重要的？
生1：距离！距离近可以步行，远要选公交或地铁。
生2：天气！雨天不能骑车，雪天开车不安全。
生3：费用！有的同学想省钱，选公交；有的赶时间选打车。
师：大家总结得很全面！教材将这些数据归纳为"距离、时间、天气、费用、时段"五大核心特征，我们需要对数据进行标准化处理——比如距离分"短途（0-2km）、中途（2-5km）、长途（>5km）"，天气分"适宜、不适宜"，让算法能识别处理。
实践操作：构建出行推荐数据集
引导学生参照教材数据集模板，分组整理10组样本数据（表格如下），完成数据标注与标准化：
设计意图：讲解教材核心知识点，通过互动深化对"数据特征"的理解，动手构建数据集落实数据处理技能，为算法实现打基础，培养数据意识与细致严谨的习惯。
任务二：基于决策树的规则化推荐（教材第3小节内容讲解）
教材内容讲解
决策树是"像人类一样做判断"的算法——通过一系列"是/否"规则分支，逐步推导结果。教材给出出行推荐决策树核心逻辑：
第一步：判断距离→短途→第二步；中途→第三步；长途→第四步
第二步：判断天气→适宜→步行/骑行；不适宜→公交
第三步：判断时段→高峰→地铁；平峰→公交
第四步：判断费用→高预算→自驾；低预算→长途公交
师生互动：算法逻辑拆解
师：对照教材决策树流程图，我们模拟"距离3km、晚高峰、雨天、费用2元"的场景，一步步推导推荐结果。
生：3km是中途→晚高峰是高峰→雨天不适宜→推荐地铁！
师：完全正确！决策树的优势是规则清晰、可解释性强，适合简单、规则明确的推荐场景。那如果是复杂场景（比如兼顾环保偏好、身体状况），决策树还适用吗？
生：好像不行，规则会太多太乱。
师：没错！这就需要更智能的算法——人工神经网络。
实践操作：Pythn实现决策树推荐
参照教材代码框架，指导学生完成：
导入sklearn决策树库
加载已构建的数据集，拆分特征与标签
训练决策树模型，实现输入新数据自动推荐
代码片段（教材核心）：
frm sklearn imprt tree
# 特征数据：[距离,时段(0=平峰/1=高峰),天气(0=适宜/1=不适宜),费用]
X = [[1,0,0,0],[3,1,1,2],...]
# 标签数据：0=步行,1=骑行,2=公交,3=地铁,4=自驾
Y = [0,3,...]
clf = tree.DecisinTreeClassifier()
clf = clf.fit(X,Y)
# 测试新数据
new_data = [[4,1,0,3]]
result = clf.predict(new_data)
设计意图：结合教材流程图与代码，拆解算法逻辑，通过互动模拟强化理解，动手编程落实技能，对比算法优劣，初步建立算法选择思维。
任务三：基于人工神经网络的智能化推荐（教材第4小节内容讲解）
教材内容讲解
人工神经网络模拟人类大脑神经元连接，能自动学习数据规律、处理复杂非线性关系，适合多特征、模糊场景的智能推荐。教材指出其核心流程：
数据预处理：归一化处理（将数据统一到0-1区间）
模型构建：搭建输入层（5个神经元，对应5个特征）、隐藏层、输出层（5个神经元，对应5种方式）
模型训练：输入数据集，反复迭代优化权重
模型预测：输入新数据，输出概率最高的推荐结果
师生互动：神经网络与决策树对比
师：结合教材对比表格，总结决策树与神经网络在出行推荐中的差异（填写下表）。
生：分组讨论，完成表格填写。
师：神经网络能学习我们的"隐藏偏好"——比如有人喜欢绿色出行，模型会优先推荐步行、骑行，这是决策树做不到的。
实践操作：搭建神经网络推荐模型
参照教材TensrFlw/Keras代码框架，完成：
数据归一化处理
构建3层神经网络模型
训练模型并评估准确率
测试个性化推荐（添加"环保偏好"特征）
设计意图：讲解教材核心技术原理，通过对比深化算法认知，动手实践掌握神经网络搭建流程，体验AI智能化推荐的优势，落实数字化实践能力。
任务四：效果评估与项目优化（教材第5小节内容讲解）
教材内容讲解
教材强调：AI项目不是"完成即结束"，而是**"持续评估、迭代优化"**。出行推荐系统需从三方面评估：
准确率：推荐结果与实际最优方式的匹配度
适配性：是否满足个性化需求（如环保、省钱）
合理性：是否存在算法偏见（如总推荐高费用方式）
师生互动：问题反思与优化
师：大家测试自己的推荐系统，发现了哪些问题？比如数据少导致推荐不准、模型过拟合等。
生1：我的样本只有10组，推荐结果经常错。
生2：模型只认数据，没考虑老人、小孩的特殊需求。
师：针对这些问题，教材给出优化方案：扩大数据集、添加用户属性特征（年龄、身体状况）、去除偏见数据、调整模型参数。
小组实践：优化推荐系统
各组根据评估结果，参照教材优化方法：
补充数据集至30组
添加"用户年龄"特征
调整决策树深度、神经网络神经元数量
重新训练模型，对比优化前后效果
设计意图：讲解教材工程化理念，通过反思问题培养批判思维，动手优化落实迭代能力，强化"技术服务需求、智能向善"的社会责任意识。
成果展示与交流
各组展示推荐系统，演示：输入不同出行数据→输出推荐结果→讲解算法逻辑→分享优化过程。
师：点评各组成果，肯定创新点（如添加环保特征、适配特殊人群），指出改进方向，强调"数据质量是基础、算法逻辑是核心、用户需求是目标"的AI项目开发原则。
设计意图：提供成果展示平台，培养表达与交流能力，通过互评互学拓宽思路，落实核心素养目标。
课堂小结
师：今天我们完成了《推荐出行方式》AI项目，大家有哪些收获？
生1：学会了构建数据集、提取数据特征，知道数据对AI很重要。
生2：理解了决策树和神经网络的区别，会用Pythn实现两种推荐算法。
生3：知道AI项目要不断优化，还要考虑用户需求和伦理问题。
师：总结非常到位！本课我们以出行推荐为载体，掌握了**"数据准备—算法实现—效果评估—迭代优化"**的完整AI项目开发流程，既落实了决策树、神经网络的算法知识，又发展了计算思维、工程实践能力，更树立了"技术向善、服务生活"的责任意识。希望大家课后能拓展项目，比如添加实时路况、公共交通班次等特征，让推荐系统更智能、更贴心！
样本
距离(km)
时段
天气
费用(元)
推荐方式
1
1
平峰
晴
0
步行
2
3
早高峰
雨
2
地铁
...
...
...
...
...
...
维度
决策树
人工神经网络
逻辑特点
规则明确、可解释
自动学习、黑箱模型
适用场景
简单规则、特征少
复杂场景、多特征
推荐效果
精准但僵化
灵活、适配个性化