資源簡介

中小學教育資源及組卷應用平臺
第4課《跨學科活動：身高推斷》教學設計
課題 跨學科活動：身高推斷 單元 第一單元 學科 信息科技 年級 八年級下
核心素養目標 信息意識：能意識到數據的來源、數據的質量以及數據隱私的重要性。理解如何合理使用數據，確保數據的合法性和倫理性。計算思維：利用搜集的身高數據，具體問題具體分析，選擇出最合適的算法，訓練一個能推斷身高的模型并不斷優化完善。數字化學習與創新：熟練完成身高數據采集分析、機器學習等現代技術，激發他們的創新思維，鼓勵他們探索新的解決方案和應用場景。信息社會責任：認識到使用算法和數據分析技術需要承擔社會責任，包括對數據的合理使用、對結果的科學解讀以及對他人隱私的尊重。
教學重點 1、熟練掌握運用算法完成身高預測系統搭建。
教學難點 1、明白算法系統生成的原理和幫助解決生活的問題。
教學過程
教學環節 教師活動 學生活動 設計意圖
導入新課 板書課題。本課中你將體驗： 如何收集各種與身高有關的數據，形成數據集如何選擇合適的算法訓練一個能推斷身高的模型如何搭建一個身高推斷系統在一些電視劇和電影中常常能看到這樣的場景：神探僅通過現場的腳印，就能初步推斷出犯罪嫌疑人的身高。神探之所以能推斷出犯罪嫌疑人的身高，是因為人的身高與腳的長度、寬度和步伐長度有一定的關系。請你組建一個小組，應用機器學習知識探究身高和腳長等因素的關系，并訓練一個能推斷身高的人工智能模型，進一步思考可以用這些知識解決哪些問題。2、觀看教學視頻。 學習新知引入，觀看教學視頻。 用提問的方式引入課題，增強課堂互動性。將學生的注意吸引到課堂。
講授新課 新知講解一、需求分析身高推斷系統項目的設計，必須先完成問題分析，查找相關資料并思考哪些因素與身高有關聯，確認數據收集計劃，同時要基于收集的數據進行數據整理并生成一個數據集，訓練一個能準確推斷身高的模型，最終將模型應用到一個 Web 頁面。請你結合前面的學習，根據項目需求將表 1.4.1填寫完整。二、分工合作為了更好地完成身高推斷系統這個項目，你的小組需要進行分工合作，小組成員的分工角色與合作職責，可以參照表 1.4.2所示范例設計，也可以另行設計。姓名角色分工A組長負責項目統籌、監督與管理B成員負責進行數據集制作與文檔撰寫C成員負責模型訓練與評估D成員負責模型部署與程序測試E成員負責總結內容三、規劃實施身高推斷系統項目的實施過程，可分為方案設計、數據準備、訓練模型、搭建系統、測試優化等環節。1.方案設計身高推斷系統項目方案的設計，一般包括：收集哪些數據，如何收集數據，數據集怎么制作；如何訓練模型，選擇哪種算法，希望模型達到什么樣的效果；設計并開發一個什么樣的身高推斷系統，有哪些功能。請搜索并學習更多相關知識，結合需求分析中的表格內容來設計項目方案。2.數據準備數據準備需要你完成數據收集、清洗和整理及數據集劃分等工作。數據收集的方法很多，針對身高推斷系統項目，建議選擇在線調查的收集方式。請規劃好要收集的信息，設計調查問卷，完成數據收集工作。注意：收集好數據后，還需做數據整理，再將數據集劃分為訓練集和驗證集。請在收集數據的過程中完成表 1.4.3。序號內容描述1涉及的變量主變量:身高(cm)協變量:年齡(歲)、性別(男/女)、父母身高總和(cm)、體重(kg)、運動時長(周·小時)、睡眠質量評分(1-5分)、2劃分比例訓練集:驗證集=7:3(采用 Stratified Sampling分層抽樣保證樣本代表性)3數據量總樣本量 ≥200訓練集 ≥140例驗證集 ≥60例(滿足最小樣本量要求)3.訓練模型準備好劃分為訓練集和驗證集的身高數據集之后，訓練模型環節要經歷模型搭建并訓練、模型測試與評估等流程。請同學們嘗試訓練一個最佳的身高推斷模型并保存。可以嘗試不同的回歸算法，比較所訓練的模型在對驗證集進行模型推理時計算出的 R值，分析并確認一個最好的模型，將效果比較及分析記錄到表 1.4.4 中。序號算法名稱R2值1線性回歸0.752決策樹回歸0.823隨機森林回歸0.88總結分析在測試的三種回歸算法中，隨機森林回歸表現出最佳擬合效果(R2=0.88)。相比線性回歸(R2=0.75)，非線性算法(決策樹/隨機森林)更能捕捉身高數據中的非線性關系。驗證結果表明該模型具有較好的泛化能力(假設3.驗證集 R2與訓練集接近)。建議最終采用隨機森林回歸作為最優模型，若存在過擬合現象可調整樹的數量或深度參數。4.搭建系統請參照學習過的模型應用知識，利用 XEduHub 和 PyWebl0 搭建一個人體身高推斷系統，要實現載人訓練好的模型并能完成推斷結果的輸出，同時實現方案設計的功能，包括個性化輸入、輸出交互設計等。5.測試優化搭建好身高推斷系統后，還要經歷測試優化環節，方可用于問題解決。測試時，可直接尋找不同的新用戶使用你的系統，輸入數據，看看推斷結果是否正確或基本符合要求，同時也評估一下系統的其他功能。優化應包括模型優化和系統功能優化，模型優化可從數據集和算法入手，系統功能優化則是朝功能更強大的方向修改模型應用的程序。請對你所在小組開發的身高推斷系統進行測試優化，并根據測試中發現的問題或不足思考相應的解決方法，記錄在表1.4.5 中。序號發現的問題或不足解決思路1預測結果偏差較大(身高+15cm誤差)1.增加訓練樣本量至 500例2.引入XGBoost算法替代隨機森林2模型對新地區數據泛化能力弱合并5所學校的體檢數據集、使用遷移學習微調預訓練模型3Web端響應延遲超過3秒1.將Scikit-learn模型轉換為 TensorFlow Lite格式2.采用緩存機制存儲預測結果4缺失值未處理導致預測失敗使用lterative lmputer填補缺失值、在問卷中增加必填項校驗5SHAP值解釋可視化效果不佳改用 RadViz圖形展示特征貢獻度、生成3D熱力圖輔助理解四、交流評價項目成果交流，分成果整理與交流兩個環節。成果整理，其內容涉及項目需求分析、項目方案設計、素材收集、模型部署和應用等方面，并為之制作匯報交流用的 PPT。項目成果評價，可基于表1.4.6的評價量規，來對自己與他人的項目成果進行客觀的評價，并記錄評價結果。五、課堂練習完成PPT22頁——24頁課堂作業。六、拓展延伸1、模型選擇與優化模型比較：除了線性回歸，還可以嘗試其他回歸模型，如決策樹回歸、隨機森林回歸、支持向量機回歸等。超參數調優：通過網格搜索或隨機搜索來選擇最佳的超參數，進一步提高模型的性能。2、數據的標準化與歸一化內容：不同特征可能存在尺度差異，通過標準化（Standardization）或歸一化（Normalization）將數據處理成統一尺度。應用：在身高預測中，處理不同特征（如體重、年齡等）的尺度差異，有助于提升模型性能，特別是在神經網絡和KNN等算法中。3、特征工程數據預處理：包括數據標準化、歸一化等技術，能夠改善模型的性能。特征提取與選擇：如何根據數據的不同特性選擇合適的特征（如年齡、性別、體重等），并通過相關性分析、主成分分析（PCA）等方法進行特征提取。示例：使用 BMI（體重/身高的平方）作為新的特征，或者結合歷史數據進行更準確的推斷。4、多模態學習集成學習：結合多個模型的預測結果（例如，使用加權平均方法或投票機制）來提高身高預測的準確性。多模態數據融合：除了傳統的數值型數據，還可以通過圖像、視頻等其他模態數據來增強身高預測模型的性能。5、多項式回歸內容：通過增加高次項來擴展線性回歸模型，使其能夠捕捉更復雜的關系。應用：在年齡與身高之間可能存在非線性關系，使用多項式回歸可以提升模型對復雜數據的擬合能力。示例：引入年齡的平方、性別的交互項等。七、單元回顧與總結1、單元回顧。2、知識梳理。3、學習檢測。4、反思評價。 完成項目設計前期的需求分析。進行合理分工。完成具體的身高推斷系統項目實施過程。進行模型選擇和測試訓練。完成系統搭建。進行系統測試優化。進行交流評價。完成課堂練習。進行課外知識拓展。完成單元回顧與總結。 引導學生明確問題，進行需求分析，讓研究內容更有針對性。鍛煉學生的學習能力和實際動手能力。完成分工配置，進行合理分工，保證團隊合作的有序性和優化性。引導學生在老師的幫助下具體、詳盡地學習算法如何設計出身高推斷系統、具體的步驟和實施策略，培養學生的策劃能力和項目實施有序性。通過具體的測試操作，完善模型系統的穩定性，提高學生解決問題的能力。引導學生進行系統搭建，推進身高推測項目的落地實施，提高學生的學習能力。引導和幫助學習更好地優化系統設置，提高系統推測的穩定性和可實施性。在項目交流中互相學習，分享成果，強化學生對本課知識內容的掌握。在課堂練習中強化所學知識內容。拓寬學生知識面。再一次回顧本單元所學內容，強化本單元知識點。
課堂小結 跨學科活動：身高推斷1、進行新知引入2、進行需求分析和分工合作3、完成規劃實施和評價交流4、完成課堂練習5、進行知識拓展 總結回顧 對本節課內容進行總結概括。
課后作業 1、使用網格搜索或隨機搜索對你的身高預測模型進行調參，并報告調優前后的模型性能變化。2、回顧本單元所學內容，完成一份思維導圖。 布置作業 拓展學生的學習能力
課堂板書 觀看板書 強調教學重點內容。
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)

展開更多......

收起↑