資源簡介

中小學教育資源及組卷應用平臺
信息技術 第12課 預測模型構建
課題 預測模型構建 單元 第三單元 學科 信息技術 年級 九年級
教學目標 1、信息意識：能夠認識到信息在預測模型構建中的重要性，主動關注與課程相關的各種信息來源，如科學文獻、數據分析案例等。 2、計算思維：通過數據集的收集和整理，學會根據表格數據建立預測模型。 3、數字化學習與創新：具備創新意識，敢于嘗試新的方法和技術，對傳統的預測模型進行改進和創新。 4、信息社會責任：正確認識預測模型的局限性和潛在風險，不盲目依賴模型的結果，對模型的應用保持理性和審慎的態度。
重點 一、構建數據集二、神經網絡分類模型三、人工智能預測出行時間
難點 1、人工智能預測出行時間
教學過程
教學環節 教師活動 學生活動 設計意圖
導入新課 通過數據集的收集和整理，學會根據表格數據建立預測模型;通過學習人工智能對人們出行方式的預測，能理解智能預測對人類出行的影響。 探究： 1、你是如何根據一些環境數據(雨量、溫度、距離等)制訂出行計劃的 2、你覺得人工智能能幫忙做哪些預測 智能預測出行是利用機器學習等技術，對出行行為進行預測和規劃。通過收集雨量、溫度和距離等數據，整理成數據集，再利用機器學習對這些數據進行訓練，建立預測模型，用于預測出行方式或出行時間。 通過老師講解和學生之間的相互討論數據集的收集和整理。 激趣引思。
講授新課 一 、構建數據集構建數據集可以先確定數據采集方式、數據格式、數據范圍、采樣頻率等信息，再標注、存儲和管理數據。最終得到的數據集可以用于各種數據分析和機器學習任務。對已采集整理的數據進行量化，如雨量由小到大，可以用0-6之間的數字表示，0為晴天，6為特大暴雨。 溫度就采用攝氏溫度值出行距離就用距離值即可。出行方式可以列出幾種:步行、自行車、自駕、出租車、火車、飛機，依次用0、1、2、3、4、5來表示，如表12-1。雨量、溫度、出行距離為影響因素，輸出的是實際出行方式。 人們通過經驗總結出了規律:綜合考慮雨量、溫度、出行距離，可以預測出合理的出行方式。 新知拓展 你是如何根據一些環境數據(雨量、溫度、距離等)制訂出行計劃的 一、收集數據：通過天氣預報軟件和地圖軟件等收集雨量、溫度及距離信息。
二、分析影響：雨量：大雨時考慮攜帶雨具，優先選公共交通或打車，戶外活動需重新評估或做好防水；小雨可根據情況決定是否出行并做好防雨準備。溫度：高溫注意防曬防暑，選有空調的交通方式，戶外活動選清晨或傍晚；低溫穿保暖衣物，有雨雪時出行小心，遠途優先安全溫暖方式。距離：近可步行或騎行，考慮天氣影響；遠根據時間和預算選公共交通、打車或自駕。三、制定計劃：確定出行目的和時間，根據緊迫性選擇出行方式。綜合考慮環境因素，比較不同方式優缺點。準備相應物品，如雨天帶雨具等。預留足夠時間以防耽誤行程。 親身體驗 設計調研問卷，對收集到的有關出行數據進行數據預處理，使用合適工具，初步建構數據集。 《出行方式調研問卷》 尊敬的同學： 你好！為進行智能預測出行方式的研究，特設計此問卷。根據實際情況填寫，感謝參與！ 一、個人信息 1. 性別：A.男；B.女 2. 年級：A.九年級 二、出行情況 1. 出行目的主要有哪些？（可多選）A.上學；B.購物；C.娛樂；D.走親訪友；E.其他 2. 最常使用的出行方式是什么？（可多選）A.步行；B.自行車；C.電動車；D.公共汽車；E.地鐵；F.私家車；G.其他 三、影響因素 1. 哪些因素會影響出行方式選擇？（可多選）A.距離；B.時間；C.費用；D.舒適度；E.便捷性；F.天氣；G.環保意識；H.其他 四、出行時間和距離 1. 出行距離是多少公里？ 2. 每次出行大約需要多長時間？ 五、對智能出行的了解和期望 1. 是否了解智能出行方式預測？A.非常了解；B.了解一些；C.不了解 2. 對智能出行方式預測有哪些期望？（可多選）A.更準確的預測；B.提供更多出行方式選擇；C.考慮個人偏好；D.實時更新交通信息；E.其他 2. 每次出行大約需要多長時間？ 五、對智能出行的了解和期望 1. 是否了解智能出行方式預測？A.非常了解；B.了解一些；C.不了解 2. 對智能出行方式預測有哪些期望？（可多選）A.更準確的預測；B.提供更多出行方式選擇；C.考慮個人偏好；D.實時更新交通信息；E.其他 數據預處理步驟： 1. 數據清洗：檢查缺失值和異常值，進行刪除或填充、修正。 2. 數據編碼：對分類變量進行編碼。 3. 數據標準化：對數值型變量進行標準化處理。 工具選擇：Excel、SPSS、Python 等。 初步構建數據集：將預處理后的數據整理成包含個人信息、出行情況等字段的數據集，保存為 CSV 等格式。二 、神經網絡分類模型將數據集導入已構建的神經網絡模型，網絡優化參數得到訓練后的模型，模型讀入新的樣本特征數據，輸出出行方式。準備數據:采集大量“特征/標簽”數據搭建網絡:搭建神經網絡結構優化參數:訓練網絡獲取最佳參數應用網絡:將網絡保存為模型，輸入新數據，輸出分類或預測結果 我們按照上面的方式收集好樣本數據后，進行訓練。 訓練結束后，就可以對出行方式進行預測了。我們可以輸入一個(雨量、溫度、距離)的數值，返回一個出行方式的預測結果，每種出行方式有一個置信度比例。 日記月累表格數據預測模型，根據預測數據的不同，可以分為如下幾種類型:回歸，二分類，多分類。三、人工智能預測出行時間使用電子地圖查詢你要去的地點的時候，它會告訴你采用不同的交通方式所需要的時間。那么它是怎么做到的呢 又有多準確呢 其實通過人工智能我們也可以自己做一個這樣的出行時間預測。跟上面的案例一樣，通過人工智能進行預測，也要采集樣本數據進行訓練。很關鍵的一點就是要確定好影響因子有哪些。對于預測出行時間來說，影響因子一般有:日期、時間、出行方式、天氣、路況等。比如同樣是從公司打車回家，工作日跟周末，早上和晚上，晴天和雨天所用的時間都不一樣。對影響因子進行合理的分析量化后，就可以去采集樣本數據進行訓練并預測了。新知拓展你覺得人工智能能幫忙做哪些預測 交通領域出行流量預測，規劃出行路線和時間。交通事故預測，采取預防措施。
二、醫療領域
疾病預測，評估患病風險。治療效果預測，制定個性化治療計劃。
三、金融領域
股票價格預測，為投資者提供參考。信用風險預測，幫助金融機構風險管理。
四、氣象領域
天氣預報，提供氣象信息。自然災害預測，做好防范應對。四、隨堂練習智能預測出行的實現過程包括哪些步驟 一、數據收集：個人信息、歷史出行數據及實時交通數據。
二、數據預處理：清洗、轉換數據，提取相關特征。
三、模型選擇與訓練：選合適模型，用訓練集訓練并調整參數，以測試集評估。
四、出行預測：輸入出行需求后利用模型預測，給出指標及推薦方式。
五、結果呈現與反饋：直觀呈現結果，收集反饋以優化模型四 、知識拓展1、AI預測地震2、不同領域應用：3、未來發展趨勢： 學生之間互相討論構建數據集。學生通過觀看課件和聽老師講解，了解神經網絡分類模型。學生通過觀看課件和聽老師講解，了解人工智能預測出行時間。學生查找資料，相互討論對于本堂課中老師提出的問題進行解答。學習知識拓展。 幫助學生積極融入課堂，提高學生學習積極性。 學生通過邊看邊聽的形式了解神經網絡分類模型。 學生通過邊看邊聽的形式了解人工智能預測出行時間。讓學生鞏固本堂課的內容，加深學生對所學知識的印象。拓寬學生知識面。
布置作業 運用數字化工具（如數據分析軟件或編程語言），對一個實際問題進行數據收集和預處理，然后構建一個簡單的預測模型。 完成作業 培養學生查閱資料的能力，分析解決問題的能力
課堂小結 本次課程，我們深入學習了預測模型構建。在信息意識上，學會主動收集和利用相關信息。計算思維方面，掌握將實際問題轉化為可計算問題的方法，學會分析評估模型、處理數據和優化模型。數字化學習與創新中，熟練運用工具軟件，積極探索新方法并合作學習。信息社會責任方面，遵守法規，認識模型局限和風險，客觀評價結果。同學們在各方面都有進步，希望今后繼續運用所學，探索創新，解決實際問題。 分組總結歸納 鍛煉學生的總結能力，邏輯思維、語言表達能力。
板書 一、構建數據集二、神經網絡分類模型三、人工智能預測出行時間 學習、記憶及勾畫知識點 明確教學內容及重點和難點
21世紀教育網 www.21cnjy.com 精品試卷·第 2 頁 （共 2 頁）
HYPERLINK "http://www.21cnjy.com/" 21世紀教育網(www.21cnjy.com)(共30張PPT)
第12課
預測模型構建
（浙教版）九年級
全
01
教學目標
02
新知導入
03
構建數據集
04
神經網絡分類模型
05
人工智能預測出行時間
06
拓展延伸
08
課堂小結
09
板書設計
07
課堂練習
01
教學目標
1、信息意識：能夠認識到信息在預測模型構建中的重要性，主動關注與課程相關的各種信息來源，如科學文獻、數據分析案例等。
2、計算思維：通過數據集的收集和整理，學會根據表格數據建立預測模型。
3、數字化學習與創新：具備創新意識，敢于嘗試新的方法和技術，對傳統的預測模型進行改進和創新。
4、信息社會責任：正確認識預測模型的局限性和潛在風險，不盲目依賴模型的結果，對模型的應用保持理性和審慎的態度。
02
新知導入
通過數據集的收集和整理，學會根據表格數據建立預測模型;通過學習人工智能對人們出行方式的預測，能理解智能預測對人類出行的影響。
探究：
1、你是如何根據一些環境數據(雨量、溫度、距離等)制訂出行計劃的
2、你覺得人工智能能幫忙做哪些預測
02
新知導入
智能預測出行是利用機器學習等技術，對出行行為進行預測和規劃。通過收集雨量、溫度和距離等數據，整理成數據集，再利用機器學習對這些數據進行訓練，建立預測模型，用于預測出行方式或出行時間。
03
構建數據集
構建數據集可以先確定數據采集方式、數據格式、數據范圍、采樣頻率等信息，再標注、存儲和管理數據。最終得到的數據集可以用于各種數據分析和機器學習任務。對已采集整理的數據進行量化，如雨量由小到大，可以用0-6之間的數字表示，0為晴天，6為特大暴雨。
雨量（0-6） 溫度（攝氏度） 距離（千米） 出行方式
0 20 1 0
6 30 2 3
4 20 500 4
0 20 1000 5
表12-1 出行數據集
03
構建數據集
溫度就采用攝氏溫度值出行距離就用距離值即可。出行方式可以列出幾種:步行、自行車、自駕、出租車、火車、飛機，依次用0、1、2、3、4、5來表示，如表12-1。雨量、溫度、出行距離為影響因素，輸出的是實際出行方式。
03
構建數據集
人們通過經驗總結出了規律:綜合考慮雨量、溫度、出行距離，可以預測出合理的出行方式。
你是如何根據一些環境數據(雨量、溫度、距離等)制訂出行計劃的
一、收集數據：通過天氣預報軟件和地圖軟件等收集雨量、溫度及距離信息。
二、分析影響：雨量：大雨時考慮攜帶雨具，優先選公共交通或打車，戶外活動需重新評估或做好防水；小雨可根據情況決定是否出行并做好防雨準備。
溫度：高溫注意防曬防暑，選有空調的交通方式，戶外活動選清晨或傍晚；低溫穿保暖衣物，有雨雪時出行小心，遠途優先安全溫暖方式。
距離：近可步行或騎行，考慮天氣影響；遠根據時間和預算選公共交通、打車或自駕。
新知拓展
03
構建數據集
你是如何根據一些環境數據(雨量、溫度、距離等)制訂出行計劃的
三、制定計劃
確定出行目的和時間，根據緊迫性選擇出行方式。
綜合考慮環境因素，比較不同方式優缺點。
準備相應物品，如雨天帶雨具等。
預留足夠時間以防耽誤行程。
新知拓展
03
構建數據集
新知拓展
03
構建數據集
03
親身體驗
構建數據集
設計調研問卷，對收集到的有關出行數據進行數據預處理，使用合適工具，初步建構數據集。
《出行方式調研問卷》
尊敬的同學：
你好！為進行智能預測出行方式的研究，特設計此問卷。根據實際情況填寫，感謝參與！
一、個人信息
1. 性別：A.男；B.女 2. 年級：A.九年級
二、出行情況
03
親身體驗
構建數據集
出行目的主要有哪些？（可多選）
A.上學； B.購物； C.娛樂； D.走親訪友； E.其他
2. 最常使用的出行方式是什么？（可多選）
A.步行； B.自行車； C.電動車； D.公共汽車；E.地鐵；F.私家車；G.其他
三、影響因素
哪些因素會影響出行方式選擇？（可多選）
A.距離； B.時間； C.費用； D.舒適度；E.便捷性；F.天氣；G.環保意識；H.其他
四、出行時間和距離
1.出行距離是多少公里？
2. 每次出行大約需要多長時間？
03
親身體驗
構建數據集
五、對智能出行的了解和期望
是否了解智能出行方式預測？
A.非常了解； B.了解一些； C.不了解
2. 對智能出行方式預測有哪些期望？（可多選）
A.更準確的預測；B.提供更多出行方式選擇；C.考慮個人偏好；D.實時更新交通信息；E.其他
2. 每次出行大約需要多長時間？
03
親身體驗
構建數據集
數據預處理步驟：
1. 數據清洗：檢查缺失值和異常值，進行刪除或填充、修正。
2. 數據編碼：對分類變量進行編碼。
3. 數據標準化：對數值型變量進行標準化處理。
工具選擇：Excel、SPSS、Python 等。
初步構建數據集：將預處理后的數據整理成包含個人信息、出行情況等字段的數據集，保存為 CSV 等格式。
04
神經網絡分類模型
將數據集導入已構建的神經網絡模型，網絡優化參數得到訓練后的模型，模型讀入新的樣本特征數據，輸出出行方式。
歷史數據
歷史數據訓練模型
訓練
模型
預測
結果
新數據
輸入
使用模型推理結果
04
神經網絡分類模型
準備數據:采集大量“特征/標簽”數據
搭建網絡:搭建神經網絡結構
優化參數:訓練網絡獲取最佳參數
應用網絡:將網絡保存為模型，輸入新數據，輸出分類或預測結果
我們按照上面的方式收集好樣本數據后，進行訓練。
訓練結束后，就可以對出行方式進行預測了。我們可以輸入一個(雨量、溫度、距離)的數值，返回一個出行方式的預測結果，每種出行方式有一個置信度比例。
04
神經網絡分類模型
日積月累
表格數據預測模型，根據預測數據的不同，可以分為如下幾種類型:回歸，二分類，多分類。
05
人工智能預測出行時間
使用電子地圖查詢你要去的地點的時候，它會告訴你采用不同的交通方式所需要的時間。那么它是怎么做到的呢 又有多準確呢
其實通過人工智能我們也可以自己做一個這樣的出行時間預測。
跟上面的案例一樣，通過人工智能進行預測，也要采集樣本數據進行訓練。很關鍵的一點就是要確定好影響因子有哪些。
05
人工智能預測出行時間
對于預測出行時間來說，影響因子一般有:日期、時間、出行方式、天氣、路況等。
比如同樣是從公司打車回家，工作日跟周末，早上和晚上，晴天和雨天所用的時間都不一樣。
對影響因子進行合理的分析量化后，就可以去采集樣本數據進行訓練并預測了。
你覺得人工智能能幫忙做哪些預測
一、交通領域
出行流量預測，規劃出行路線和時間。交通事故預測，采取預防措施。
二、醫療領域
疾病預測，評估患病風險。治療效果預測，制定個性化治療計劃。
三、金融領域
股票價格預測，為投資者提供參考。信用風險預測，幫助金融機構風險管理。
四、氣象領域
天氣預報，提供氣象信息。自然災害預測，做好防范應對。
新知拓展
05
人工智能預測出行時間
新知拓展
05
人工智能預測出行時間
06
隨堂練習
智能預測出行的實現過程包括哪些步驟
一、數據收集：個人信息、歷史出行數據及實時交通數據。
二、數據預處理：清洗、轉換數據，提取相關特征。
三、模型選擇與訓練：選合適模型，用訓練集訓練并調整參數，以測試集評估。
四、出行預測：輸入出行需求后利用模型預測，給出指標及推薦方式。
五、結果呈現與反饋：直觀呈現結果，收集反饋以優化模型
07
拓展延伸
1、AI預測地震
07
拓展延伸
2、不同領域應用：
氣象預測：利用氣象數據和模型預測天氣變化，包括短期預報和長期氣候預測，認識其對自然災害應對的作用。
經濟預測：如宏觀經濟和股票市場預測，了解經濟學家運用統計模型等預測重要經濟指標及在經濟決策中的作用。
醫療預測：包括疾病和治療效果預測，認識醫生和研究人員如何利用臨床和基因信息建立模型。
交通預測：如交通流量和事故預測，了解交通管理部門利用數據建立模型以優化交通和提高安全。
07
拓展延伸
3、未來發展趨勢：
大數據與人工智能融合，提高預測準確性和效率。
實時預測和動態模型發展，建立能實時更新適應變化的模型。
跨學科合作推動模型發展。
關注倫理和社會責任，如數據隱私保護、算法公平性、模型透明度等。
08
課堂小結
本次課程，我們深入學習了預測模型構建。在信息意識上，學會主動收集和利用相關信息。計算思維方面，掌握將實際問題轉化為可計算問題的方法，學會分析評估模型、處理數據和優化模型。數字化學習與創新中，熟練運用工具軟件，積極探索新方法并合作學習。信息社會責任方面，遵守法規，認識模型局限和風險，客觀評價結果。同學們在各方面都有進步，希望今后繼續運用所學，探索創新，解決實際問題。
09
板書設計
預測模型構建
一、構建數據集
二、神經網絡分類模型
三、人工智能預測出行時間
課后作業：
運用數字化工具（如數據分析軟件或編程語言），對一個實際問題進行數據收集和預處理，然后構建一個簡單的預測模型。
https://www.21cnjy.com/recruitment/home/fine

展開更多......

收起↑