Рабочая программа по теме «Искусственный интеллект»

МИНИСТЕРСТВО ПРОСВЕЩЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

Муниципальное автономное общеобразовательное учреждение
средняя общеобразовательная школа № 20

МАОУ СОШ № 20

РАБОЧАЯ ПРОГРАММА

учебного предмета «Искусственный интеллект»

для обучающихся 10 класса

Екатеринбург 2025

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

Курс «Искусственный интеллект для средней школы является базовым в общей программе «Искусственный интеллект» для общеобразовательных школ и предназначен для преподавания в 10 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, 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» 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.

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 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.

На изучение Искусственного интеллекта отводится в 10 классе – 34 часа.

СОДЕРЖАНИЕ ОБУЧЕНИЯ

10 КЛАСС

Программирование на Python

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. Решение задач на компьютере. Повторение основных базовых понятий Python, изученных ранее. 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.

Исследование и генерация списков. Вычисление суммы элементов списка. Методы. append и. sort, функции min(), max() и метод .count. Суммирование элементов списка, цикл с заданным числом повторений, оператор for. Генерация списка, операторы for и if.

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. 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. 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.

Машинное обучение

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.

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.

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, кросс-валидация. Библиотека sklearn, этапы построения модели машинного обучения на Python.

Линейная регрессия. Понятие линейной регрессии, целевая функция, линейное уравнение, гомоскедастичность данных. Создание модели линейной регрессии на Python с помощью библиотек pandas, numpy и sklearn.

Нелинейные зависимости. Создание, обучение и оценка модели линейной регрессии. Визуализация данных на Python. Нелинейный функции, графики функций. Полиномиальное преобразование линейной регрессии.

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.

Классификация. Логистическая регрессия. Матрица ошибок, метрики качества логистической регрессии, модель логистической регрессии на Python.

Деревья решений. Часть 1. Дерево решений, элементы деревьев: корень, листья; глубина дерева, жадный алгоритм, атрибут разбиения; энтропия, формула Шеннона, вероятность, критерий Джини.

Деревья решений. Часть 2. Методы решения проблемы переобучения деревьев. Модели дерева решений. Реализация дерева решения на Python.

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.

ПЛАНИРУЕМЫЕ РЕЗУЛЬТАТЫ ОСВОЕНИЯ ПРОГРАММЫ ПО ИНФОРМАТИКЕ НА УРОВНЕ СРЕДНЕГО ОБЩЕГО ОБРАЗОВАНИЯ (БАЗОВЫЙ УРОВЕНЬ)

ЛИЧНОСТНЫЕ РЕЗУЛЬТАТЫ

• Формирование у обучающегося мировоззрения, соответствующего современному уровню развития науки и общества.

• Формирование у обучающегося интереса к достижениям науки и технологии в области искусственного интеллекта

• Формирование у обучающегося установки на осмысленное и безопасное взаимодействие с технологиями и устройствами, реализованными на основе принципов искусственного интеллекта.

• Приобретение опыта творческой деятельности, опирающейся на использование современных информационных технологий, в том числе искусственного интеллекта.

• Формирование у обучающегося установки на сотрудничество и командную работу при решении исследовательских, проблемных и изобретательских задач.

МЕТАПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ

В результате изучения искусственного интеллекта на уровне среднего общего образования у обучающегося будут сформированы метапредметные результаты, отражённые в универсальных учебных действиях, а именно: познавательные универсальные учебные действия, коммуникативные универсальные учебные действия, регулятивные универсальные учебные действия, совместная деятельность.

Познавательные универсальные учебные действия

• Умение работать с информацией, анализировать и структурировать полученные знания и синтезировать новые, устанавливать причинно-следственные связи.

• Умения объяснять явления, процессы, связи и отношения, выявляемые в ходе познавательной и исследовательской деятельности.

• Умение делать выводы на основе критического анализа разных точек зрения, подтверждать их собственной аргументацией или самостоятельно полученными данными.

• Умение анализировать/рефлексировать опыт исследования (теоретического, эмпирического) на основе предложенной ситуации, поставленной цели;

• Умение строить рассуждение на основе сравнения предметов и явлений.

Коммуникативные универсальные учебные действия

• Умение взаимодействовать в команде, умением вступать в диалог и вести его.

• Умение соблюдать нормы публичной речи,

• Регламент в монологе и дискуссии в соответствии с коммуникативной задачей.

• Умение определять свои действия и действия партнеров для продуктивной коммуникации.

• Умение приходить к консенсусу в дискуссии или командной работе.

Регулятивные универсальные учебные действия

• Умение обосновывать целевые ориентиры и приоритеты ссылками на ценности, указывая и обосновывая логику.

• Умение планировать необходимые действия в соответствии с учебной и познавательной задачей и составлять алгоритм их выполнения.

• Умение описывать свой опыт, оформляя его для передачи другим людям в виде технологии решения практических задач определенного класса.

• Умение выбирать из предложенных вариантов и самостоятельно искать средства/ресурсы для решения задачи/достижения цели в ходе исследовательской деятельности.

• Умение принимать решение в игровой и учебной ситуации и нести за него ответственность.

ПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ

• Иметь представления о многообразии подходов в разработке искусственного интеллекта, их возможностях и ограничениях; о машинном обучении и сферах его применения;

• Уметь объяснять разницу между машинным обучением с учителем и без учителя.

• Выявлять и формулировать задачи машинного обучения для различных сфер жизни человека и в соответствии с реальными потребностями.

• Иметь представления о создании модели классификации на сервисе Teachable Machine.

• Иметь представления о недообученных и переобученных моделях машинного обучения, уметь выявлять проблемы по характерным признакам и знать способы борьбы с переобучением и недообучением моделей.

• Получить практический опыт тестирования готовой модели машинного обучения

• Иметь представления о сущности работы модели логистической регрессии и возможностях ее применения для классификации объектов; об использовании деревьев решений в машинном обучении.

• Уметь создавать модели линейной регрессии на Python с помощью библиотек pandas, numpy и sklearn

• Уметь проектировать и реализовывать модели машинного обучения на Python с помощью инструментов библиотеки sklearn

ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ

10 КЛАСС

ПОУРОЧНОЕ ПЛАНИРОВАНИЕ

10 КЛАСС