资源简介

中小学教育资源及组卷应用平台
第4课《跨学科活动：身高推断》教学设计
课题 跨学科活动：身高推断 单元 第一单元 学科 信息科技 年级 八年级下
核心素养目标 信息意识：能意识到数据的来源、数据的质量以及数据隐私的重要性。理解如何合理使用数据，确保数据的合法性和伦理性。计算思维：利用搜集的身高数据，具体问题具体分析，选择出最合适的算法，训练一个能推断身高的模型并不断优化完善。数字化学习与创新：熟练完成身高数据采集分析、机器学习等现代技术，激发他们的创新思维，鼓励他们探索新的解决方案和应用场景。信息社会责任：认识到使用算法和数据分析技术需要承担社会责任，包括对数据的合理使用、对结果的科学解读以及对他人隐私的尊重。
教学重点 1、熟练掌握运用算法完成身高预测系统搭建。
教学难点 1、明白算法系统生成的原理和帮助解决生活的问题。
教学过程
教学环节 教师活动 学生活动 设计意图
导入新课 板书课题。本课中你将体验： 如何收集各种与身高有关的数据，形成数据集如何选择合适的算法训练一个能推断身高的模型如何搭建一个身高推断系统在一些电视剧和电影中常常能看到这样的场景：神探仅通过现场的脚印，就能初步推断出犯罪嫌疑人的身高。神探之所以能推断出犯罪嫌疑人的身高，是因为人的身高与脚的长度、宽度和步伐长度有一定的关系。请你组建一个小组，应用机器学习知识探究身高和脚长等因素的关系，并训练一个能推断身高的人工智能模型，进一步思考可以用这些知识解决哪些问题。2、观看教学视频。 学习新知引入，观看教学视频。 用提问的方式引入课题，增强课堂互动性。将学生的注意吸引到课堂。
讲授新课 新知讲解一、需求分析身高推断系统项目的设计，必须先完成问题分析，查找相关资料并思考哪些因素与身高有关联，确认数据收集计划，同时要基于收集的数据进行数据整理并生成一个数据集，训练一个能准确推断身高的模型，最终将模型应用到一个 Web 页面。请你结合前面的学习，根据项目需求将表 1.4.1填写完整。二、分工合作为了更好地完成身高推断系统这个项目，你的小组需要进行分工合作，小组成员的分工角色与合作职责，可以参照表 1.4.2所示范例设计，也可以另行设计。姓名角色分工A组长负责项目统筹、监督与管理B成员负责进行数据集制作与文档撰写C成员负责模型训练与评估D成员负责模型部署与程序测试E成员负责总结内容三、规划实施身高推断系统项目的实施过程，可分为方案设计、数据准备、训练模型、搭建系统、测试优化等环节。1.方案设计身高推断系统项目方案的设计，一般包括：收集哪些数据，如何收集数据，数据集怎么制作；如何训练模型，选择哪种算法，希望模型达到什么样的效果；设计并开发一个什么样的身高推断系统，有哪些功能。请搜索并学习更多相关知识，结合需求分析中的表格内容来设计项目方案。2.数据准备数据准备需要你完成数据收集、清洗和整理及数据集划分等工作。数据收集的方法很多，针对身高推断系统项目，建议选择在线调查的收集方式。请规划好要收集的信息，设计调查问卷，完成数据收集工作。注意：收集好数据后，还需做数据整理，再将数据集划分为训练集和验证集。请在收集数据的过程中完成表 1.4.3。序号内容描述1涉及的变量主变量:身高(cm)协变量:年龄(岁)、性别(男/女)、父母身高总和(cm)、体重(kg)、运动时长(周·小时)、睡眠质量评分(1-5分)、2划分比例训练集:验证集=7:3(采用 Stratified Sampling分层抽样保证样本代表性)3数据量总样本量 ≥200训练集 ≥140例验证集 ≥60例(满足最小样本量要求)3.训练模型准备好划分为训练集和验证集的身高数据集之后，训练模型环节要经历模型搭建并训练、模型测试与评估等流程。请同学们尝试训练一个最佳的身高推断模型并保存。可以尝试不同的回归算法，比较所训练的模型在对验证集进行模型推理时计算出的 R值，分析并确认一个最好的模型，将效果比较及分析记录到表 1.4.4 中。序号算法名称R2值1线性回归0.752决策树回归0.823随机森林回归0.88总结分析在测试的三种回归算法中，随机森林回归表现出最佳拟合效果(R2=0.88)。相比线性回归(R2=0.75)，非线性算法(决策树/随机森林)更能捕捉身高数据中的非线性关系。验证结果表明该模型具有较好的泛化能力(假设3.验证集 R2与训练集接近)。建议最终采用随机森林回归作为最优模型，若存在过拟合现象可调整树的数量或深度参数。4.搭建系统请参照学习过的模型应用知识，利用 XEduHub 和 PyWebl0 搭建一个人体身高推断系统，要实现载人训练好的模型并能完成推断结果的输出，同时实现方案设计的功能，包括个性化输入、输出交互设计等。5.测试优化搭建好身高推断系统后，还要经历测试优化环节，方可用于问题解决。测试时，可直接寻找不同的新用户使用你的系统，输入数据，看看推断结果是否正确或基本符合要求，同时也评估一下系统的其他功能。优化应包括模型优化和系统功能优化，模型优化可从数据集和算法入手，系统功能优化则是朝功能更强大的方向修改模型应用的程序。请对你所在小组开发的身高推断系统进行测试优化，并根据测试中发现的问题或不足思考相应的解决方法，记录在表1.4.5 中。序号发现的问题或不足解决思路1预测结果偏差较大(身高+15cm误差)1.增加训练样本量至 500例2.引入XGBoost算法替代随机森林2模型对新地区数据泛化能力弱合并5所学校的体检数据集、使用迁移学习微调预训练模型3Web端响应延迟超过3秒1.将Scikit-learn模型转换为 TensorFlow Lite格式2.采用缓存机制存储预测结果4缺失值未处理导致预测失败使用lterative lmputer填补缺失值、在问卷中增加必填项校验5SHAP值解释可视化效果不佳改用 RadViz图形展示特征贡献度、生成3D热力图辅助理解四、交流评价项目成果交流，分成果整理与交流两个环节。成果整理，其内容涉及项目需求分析、项目方案设计、素材收集、模型部署和应用等方面，并为之制作汇报交流用的 PPT。项目成果评价，可基于表1.4.6的评价量规，来对自己与他人的项目成果进行客观的评价，并记录评价结果。五、课堂练习完成PPT22页——24页课堂作业。六、拓展延伸1、模型选择与优化模型比较：除了线性回归，还可以尝试其他回归模型，如决策树回归、随机森林回归、支持向量机回归等。超参数调优：通过网格搜索或随机搜索来选择最佳的超参数，进一步提高模型的性能。2、数据的标准化与归一化内容：不同特征可能存在尺度差异，通过标准化（Standardization）或归一化（Normalization）将数据处理成统一尺度。应用：在身高预测中，处理不同特征（如体重、年龄等）的尺度差异，有助于提升模型性能，特别是在神经网络和KNN等算法中。3、特征工程数据预处理：包括数据标准化、归一化等技术，能够改善模型的性能。特征提取与选择：如何根据数据的不同特性选择合适的特征（如年龄、性别、体重等），并通过相关性分析、主成分分析（PCA）等方法进行特征提取。示例：使用 BMI（体重/身高的平方）作为新的特征，或者结合历史数据进行更准确的推断。4、多模态学习集成学习：结合多个模型的预测结果（例如，使用加权平均方法或投票机制）来提高身高预测的准确性。多模态数据融合：除了传统的数值型数据，还可以通过图像、视频等其他模态数据来增强身高预测模型的性能。5、多项式回归内容：通过增加高次项来扩展线性回归模型，使其能够捕捉更复杂的关系。应用：在年龄与身高之间可能存在非线性关系，使用多项式回归可以提升模型对复杂数据的拟合能力。示例：引入年龄的平方、性别的交互项等。七、单元回顾与总结1、单元回顾。2、知识梳理。3、学习检测。4、反思评价。 完成项目设计前期的需求分析。进行合理分工。完成具体的身高推断系统项目实施过程。进行模型选择和测试训练。完成系统搭建。进行系统测试优化。进行交流评价。完成课堂练习。进行课外知识拓展。完成单元回顾与总结。 引导学生明确问题，进行需求分析，让研究内容更有针对性。锻炼学生的学习能力和实际动手能力。完成分工配置，进行合理分工，保证团队合作的有序性和优化性。引导学生在老师的帮助下具体、详尽地学习算法如何设计出身高推断系统、具体的步骤和实施策略，培养学生的策划能力和项目实施有序性。通过具体的测试操作，完善模型系统的稳定性，提高学生解决问题的能力。引导学生进行系统搭建，推进身高推测项目的落地实施，提高学生的学习能力。引导和帮助学习更好地优化系统设置，提高系统推测的稳定性和可实施性。在项目交流中互相学习，分享成果，强化学生对本课知识内容的掌握。在课堂练习中强化所学知识内容。拓宽学生知识面。再一次回顾本单元所学内容，强化本单元知识点。
课堂小结 跨学科活动：身高推断1、进行新知引入2、进行需求分析和分工合作3、完成规划实施和评价交流4、完成课堂练习5、进行知识拓展 总结回顾 对本节课内容进行总结概括。
课后作业 1、使用网格搜索或随机搜索对你的身高预测模型进行调参，并报告调优前后的模型性能变化。2、回顾本单元所学内容，完成一份思维导图。 布置作业 拓展学生的学习能力
课堂板书 观看板书 强调教学重点内容。
21世纪教育网 www.21cnjy.com 精品试卷·第 2 页 （共 2 页）
HYPERLINK "http://www.21cnjy.com/" 21世纪教育网(www.21cnjy.com)

展开更多......

收起↑