МИНИСТЕРСТВО ПРОСВЕЩЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Министерство образования Свердловской области
Управление образования Березовского муниципального округа
БЕРЕЗОВСКОЕ МУНИЦИПАЛЬНОЕ АВТОНОМНОЕ
ОБЩЕОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
«СРЕДНЯЯ ОБЩЕОБРАЗОВАТЕЛЬНАЯ ШКОЛА №2»
623701, Свердловская область, г. Березовский, ул. Шиловская, стр. 3,
тел.: 8(34369) 4-96-50, email: bgo_ou2@mail.ru
РАССМОТРЕНО
СОГЛАСОВАНО
УТВЕРЖДЕНО
Председатель методического
совета БМАОУ СОШ №2
Заместитель директора БМАОУ
СОШ №2
Директор БМАОУ СОШ №2
Савченко Н.А.
Щербакова Т.А.
Протокол № 1 заседания МС
БМАОУ СОШ №2
приказ № 223 от 29.08.2025 г.
Колпакова С.Б.
приказ № 223 от 29.08.2025 г.
от 28.08.2025г.
РАБОЧАЯ ПРОГРАММА
КУРСА ВНЕУРОЧНОЙ ДЕЯТЕЛЬНОСТИ «ИСКУССТВЕННЫЙ
ИНТЕЛЛЕКТ»
для обучающихся 7-9 классов
Березовский муниципальный округ,
2025 г.
Изучение программы по учебному курсу внеурочной деятельности
«Искусственный интеллект» предусматривает применение Федеральной
рабочей программы по учебному курсу «Искусственный интеллект»
Программа курса внеурочной деятельности «Искусственный интеллект»
включает пояснительную записку, содержание обучения, планируемые
результаты освоения программы.
ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
Программа курса «Искусственный интеллект» составлена для 7−9 классов в
соответствии с требованиями ФГОС основного общего образования, с
учетом преемственности программ начального, основного и среднего общего
образования.
Программа предназначена для продолжения обучения основам
искусственного интеллекта и ориентирована на анализ данных, введение в
машинное обучение на углубленном уровне. За последние десятилетия во
многих областях науки и индустрии стали накапливаться большие объемы
данных, а также стали развиваться методы машинного обучения,
позволяющие извлекать из этих данных знания и экономическую пользу.
Единым содержанием курсов базового и углубленного уровней
являются основы программирования на Python, анализ данных на Python. Для
углубленного уровня программой предусмотрено введение в машинное
обучение на Python. Основополагающей темой является введение в
программирование на Python.
Сформированные у учащихся знания и умения в области
программирования на Python будут в дальнейшем использованы при
изучении анализа данных на ступени основного общего образования и
машинного обучения на ступени среднего общего образования.
Data Science – одна из самых прогрессивных областей в
программировании сегодня, а Python – самый популярный и
распространенный язык, используемый для анализа данных. Не удивительно,
что две эти области знаний активно изучаются и применяются
специалистами для построения предиктивных моделей, визуализации и
работы с данными.
Курс позволит учащимся освоить основные инструменты работы и
приступить к построению моделей и работе с данными. В ходе освоения
учебного материала курса у учащихся формируется устойчивый интерес к
изучению данной темы и закладывается база для продолжения изучения
методов машинного обучения на ступени среднего общего образования.
Программа разработана в соответствии с одним из дидактических принципов
– принципом преемственности.
Содержание программы находится в тесной связи с материалом для
начального общего образования, а также является необходимым для
последующего изучения на ступени среднего общего образования. Это —
линия языка программирования Python, освоение которого начинается в
основной школе, и сквозная линия машинного обучения, освоение которого
начинается на пропедевтическом уровне в начальной и основной школе и
продолжается далее в средней школе.
К завершению обучения по программе учащиеся должны понимать
актуальность анализа данных, его основные области применения и методы
реализации.
Программа предполагает, что у учащихся будет сформировано
целостное представление об анализе данных, реализации методов анализа
данных на языке Python, его сферах применения.
Данный курс опирается на фундаментальные дидактические принципы, такие
как практико-ориентированность, научность и доступность, целостность и
непрерывность, а также инновационные методы проблемно-развивающего и
смешанного обучения, программно-проектного и исследовательского
подходов.
В конце каждого урока присутствуют вопросы и задания, многие из
которых ориентированы на коллективное обсуждение, дискуссии, выработку
коллективного мнения.
Особое место в реализации программы отводится видеолекциям,
онлайн-ресурсам, тренажерам. Все это создает необходимые условия для
формирования самостоятельности в планировании учебной деятельности, в
организации учебного сотрудничества, в распределении ролей при решении
учебных задач ипроблем. Неотъемлемой частью программы является
проектная деятельность обучающихся.
Изучение различных аспектов анализа данных позволит сформировать у
учащихся способность к аналитической и прогностической деятельности.
Поиск ответов на проблемные вопросы, решение проблемных и
исследовательских заданий, интегрированных в содержание, направлено на
формирование у учащихся целостного системного мышления, которое
позволит им оценить сформированный круг постоянных интересов и
осуществить осознанный выбор дальнейшей образовательной траектории и
профессионального самоопределения.
Главная цель курса — дать учащимся базовое представление об
анализе данных и реализации основных методов анализа данных и
машинного обучения на языке Python, познакомить с терминологией
искусственного интеллекта и научить применять некоторые из его методов
для решения практических задач.
Уроки курса «Искусственный интеллект» могут проводиться в 7, 8 классах в
качестве внеурочной деятельности по учебным предметам образовательной
программы. Общее количество часов: 34:
•
в 7 классе – 17 (по 1 часу в неделю);
•
в 8 классе – 17 (по 1 часу в неделю);
СОДЕРЖАНИЕ КУРСА ВНЕУРОЧНОЙ ДЕЯТЕЛЬНОСТИ
«ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
7 КЛАСС
Раздел 1. Введение в искусственный интеллект
Введение в машинное обучение
Прогнозирование, анализ, обучение, данные, признаки, алгоритм,
искусственный интеллект, машинное обучение, data science.
Роль искусственного интеллекта в жизни человека: этика и регулирование.
Раздел 2. Основы программирования на Python
Алгоритмы и исполнители. Способы записи алгоритмов
Исполнитель, алгоритм. Способы записи алгоритмов: словесный,
построчный, Аналитическая: поиск ответов на вопросы учителя,
самостоятельный поиск информации при решении блок-схема, программа.
Линейный, разветвляющийся и циклический алгоритмы.
Общие сведения о языке программирования Python
История языка Python, компилируемые и интерпретируемые языки,
достоинства и недостатки Python. Понятие данных, типы данных: целые,
вещественные и строковые. Понятие переменной, разница между
переменной и константой.
Организация ввода и вывода данных
Функция print(), правила ее использования . Ошибки при использовании
функции print(). Типы данных: int, float, str. Приведение типов с помощью
соответствую щих функций (int(), float(), str()). Функция type(). Оператор
присваивания. Правила именования переменных. Функция input(), правила
ее использования . Необходимость приведения целочисленных данных к
типу int после ввода
Алгоритмическая конструкция «следование»
Типы данных в Python, арифметические операторы, действия с
переменными. Алгоритм, виды алгоритмов, особенности линейного
алгоритма, блок-схема. Блок-схема линейного алгоритма.
Программирование линейных алгоритмов, арифметические операторы,
переменные.
Алгоритмическая конструкция «"ветвление»
Разветвляющийся алгоритм, блок-схема ветвления, операторы сравнения.
Условные операторы if, if-else, правила записи условных операторов.
Алгоритмическая конструкция «повторение». Программирование циклов
с заданным условием продолжения работы.
Оператор while в Python, синтаксис оператора while
Программирование циклов с заданным числом повторений
Оператор for в Python, функция range(), синтаксис функции range().
Проект «Различные варианты Циклический алгоритм, Аналитическая:
поиск решения программирования циклического алгоритма»
Проект «Начала программирования»
Типы данных, переменные, функции, математически е и логические
операторы, виды алгоритмов, условный оператор, оператор for, оператор
while.
8 КЛАСС
Раздел 3. Анализ данных на Python
Наука о данных. Структуры данных
Работа со списками Python
Структуры данных, списки, список, элемент списка, индекс, отрицательна
я индексация. Библиотеки Python. Библиотека Pandas
Поиск, очистка, преобразование, организация и сбор данных, библиотека
языка программирования, библиотеки Python, библиотека
Структуры данных в Pandas
Поиск, очистка, преобразование, организация и сбор данных, структуры
данных в Pandas, структура данных Series
Структура данных DataFrame, словарь, список, функция read_csv, методы
head и tail
Базовые операции с наборами данных
Информация о данных, методы info и describe, числовые и категориальные
признаки, агрегирующие функции: value_counts, unique, nunique, groupby
методы min(), max() и mean(), объединение таблиц с помощью метода
merge, параметры on и how
Описательная статистика
Методы info, describe, min, max, mean, условия фильтрации данных,
статистика по категориальным параметрам, фильтрация данных,
статистически е методы
Визуализация данных, преимущества диаграмм и графиков; виды
диаграмм; библиотеки Pandas, Matplotlib, Seaborn; построение графиков и
диаграмм с помощью этих библиотек, методы plot, hist, scatter, joinplot,
pairplot, countplot
Проект «Исследование данных».
Основные понятия темы «Анализ данных на Python»
Проект «Python для Data Science»
Раздел 4. Введение в машинное обучение на Python
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 на Python
Машинное обучение с учителем, машинное обучение без учителя, задача
регрессии, задача классификации, задача кластеризации; библиотеки
Pandas и Matplotlib, чтение табличных данных, статистически е
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 классификаци и, тестовая и
тренировочная выборка, переобучение, недообучение, оптимальная
модель, кроссвалидация; 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; нелинейные функции, графики функций;
полиномиальное преобразование линейной регрессии
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.
Дерево решений, элементы деревьев (корень, листья), глубина дерева,
жадный алгоритм, атрибут разбиения; энтропия, формула Шеннона,
вероятность, критерий Джини
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 ОБУЧЕНИЯ КУРСА ВНЕУРОЧНОЙ
ДЕЯТЕЛЬНОСТИ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
ЛИЧНОСТНЫЕ РЕЗУЛЬТАТЫ
Личностные результаты, обеспечивающие адаптацию обучающегося к
изменяющимся условиям социальной и природной среды:
умение распознавать конкретные примеры, понятия по характерным
признакам,
выполнять операции в соответствии с определением и простейшими
свойствами понятия,
конкретизировать понятие примерами,
использовать понятие и его свойства при решении задач, а также
оперировать терминами и представлениями в области концепции
устойчивого развития
Ценности научного познания:
овладение основными навыками исследовательской деятельности,
установка на осмысление опыта, наблюдений, поступков и
стремление совершенствовать пути достижения индивидуального и
коллективного благополучия
МЕТАПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ
Умение самостоятельно планировать пути достижения цели, в том числе
альтернативные, осознанно выбирать наиболее эффективные способы
решения учебных и познавательных задач
Умение оценивать правильность выполнения учебной задачи,
собственные возможности ее решения.
Умение определять понятия, создавать обобщения,
устанавливать аналогии, классифицировать, устанавливать причинноследственные связи,
строить логические рассуждения, умозаключения (индуктивные,
дедуктивные и по аналогии) и делать выводы
Умение создавать, применять и преобразовывать знаки и символы,
модели и схемы для решения учебных и познавательных задач.
Формирование и развитие компетентности в области использования
ИКТ (ИКТ-компетенции).
ПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ
Формирование и развитие компетентности в области использования
ИКТ (ИКТ-компетенции).
Формирование представления об основных изучаемых понятиях
(информация, алгоритм, модель) и их свойствах.
Развитие
алгоритмического
мышления,
необходимого
для
профессиональной деятельности в современном обществе;
развитие умений составить и записать алгоритм для конкретного
исполнителя;
формирование знаний об алгоритмических конструкциях, логических
значениях и операциях;
знакомство с одним из языков программирования и основными
алгоритмическими структурами — линейной, условной и циклической.
Формирование умений формализации и структурирования информации,
умения выбирать способ представления данных в соответствии с
поставленной задачей (таблицы, схемы, графики, диаграммы) с
использованием соответствующих программных средств обработки
данных.
Формирование навыков и умений безопасного и целесообразного
поведения при работе с компьютерными программами и в сети
Интернет, умения соблюдать нормы информационной этики и права.
ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ
Количество часов
Наименование
разделов и тем
всег Теори практическ
программы
о
я
ие работы
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Раздел 1. Введение в искусственный интеллект (2 ч)
№
п/п
1.1
Введение в
искусственный
интеллект
1.2
Роль
искусственного
интеллекта в
жизни человека:
этика и
регулировании
1
1
1
1
0
Прогнозирование,
анализ,
обучение,
данные,
признаки,
алгоритм,
искусственны
й интеллект,
машинное
обучение, datascience.
0
Этика ИИ,
этичное
применение
ИИ,
ответственность
ИИ,
регулирование
ИИ.
Раздел 2. Основы программирования на Python (13 ч)
2.1
Алгоритмы и
исполнители.
Способы записи
алгоритмов
1
0,5
Виды деятельности
0,5
Исполнитель,
алгоритм.
Способы
записи
алгоритмов:
словесный,
построчный,
блок-схема,
программа.
Линейный,
разветвляющийся
Виды, формы
контроля
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: командная
работа, ответы на
вопросы учителя,
игровая практика.
Практическая:
участие в игре,
работа с игровым
тренажером.
Рефлексивная:
рефлексия
методом «6 шляп»
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: командная
работа, ответы на
вопросы учителя.
Практическая:
решение кейса,
участие в игре.
Рефлексивная:
ответы на
контрольные
вопросы
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа с
и
циклический
алгоритмы.
2.2
2.3
Общие сведения о
языке
программировани
я Python
Организация
ввода и вывода
данных
1
1
1
0,5
0
0,5
История языка
Python,
компилируемые и
интерпретируемы
е языки,
достоинства и
недостатки
Python.
Понятие
данных, типы
данных:
целые,
вещественные
и строковые.
Понятие
переменной,
разница между
переменной и
константой.
Функция
print(),
правила ее
использования
. Ошибки при
использовании
функции
print().
Типы данных:
int, float, str.
Приведение
типов с
помощью
соответствую
щих функций
(int(), float(),
str()). Функция
type().
Оператор
присваивания.
Правила
именования
переменных.
игровым
тренажером.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
Функция
input(),
правила ее
использования.
Необходимость
приведения
целочисленных
данных к
типу int после
ввода
2.4
Алгоритмическая
конструкция
«следование»
1
1
0
Типы данных
в Python,
арифметические
операторы,
действия с
переменными.
Алгоритм,
виды
алгоритмов,
особенности
линейного
алгоритма,
блок-схема.
Блок-схема
линейного
алгоритма
2.5
Программировани
е линейных
алгоритмов
1
0,5
0,5
Блок-схема
линейного
алгоритма.
Программировани
е
линейных
алгоритмов,
арифметические
операторы,
переменные
2.6
Алгоритмическая
конструкция
1
1
0
Разветвляющийся
алгоритм,
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
«ветвление»
2.7
Полная форма
ветвления
2.8
Программировани
е
разветвляющихся
алгоритмов.
Условный
оператор
блок-схема
ветвления,
операторы
сравнения.
Условные
операторы if,ifelse,
правила
записи
условных
операторов
1
1
1
0,5
0
Блок-схема
ветвления.
Полный условный
оператор,
правила
записи полного
условного
оператора
0,5
Программировани
е
линейных
алгоритмов,
арифметические
операторы,
переменные
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
2.9
Простые и
составные
условия
2.1
0
Алгоритмическая
конструкция
«повторение».
Программировани
е
циклов с
заданным
условием
продолжения
работы
1
2.1
1
Программировани
е циклов с
заданным числом
1
1
0,5
Разветвляющийся
алгоритм,
блок-схема
ветвления.
Логические
операторы,
составные
условия.
Условный
оператор
0,5
0,5
Оператор
while в Python,
синтаксис
оператора
while
0,5
0,5
Оператор for в
Python,
функция
0,5
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск ответов на
вопросы учителя,
повторений
2.1
2
2.1
3
Проект
«Различные
варианты
программировани
я циклического
алгоритма»
Проект «Начала
программировани
я»
range(),
синтаксис
функции
range().
1
1
0,5
0
0,5
1
Типы данных,
переменные,
функции,
математически
е и логические
операторы,
виды
алгоритмов,
условный
оператор,
оператор for,
оператор
while.
0
Данные,
наука о
данных,
открытые
данные,
источники
данных,
структуры
данных (стек,
массив,
Раздел 3. Анализ данных на Python (11 ч)
3.1
Наука о данных.
Структуры
данных
1
1
Циклический
алгоритм,
алгоритм
while,
алгоритм for,
правила
записи
циклических
алгоритмов в
Python
самостоятельный
поиск
информации
при решении
поставленных
задач.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
ответы на
вопросы,
решение
предлагаемых
заданий на языке
программировани
я
Python.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
поиск решения
поставленной
задачи.
Коммуникационна
я: работа в
командах и (или)
индивидуально.
Практическая:
решение
проектной задачи.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая: в
процессе
систематизации
знаний.
Коммуникационна
я: при работе в
командах.
Практическая: в
работе по
созданию
визуальной карты
знаний.
Рефлексивная:
заполнение листа
рефлексии
Аналитическая:
анализ трактовок
понятия «наука о
данных»; поиск
ответов на
проблемные
вопросы учителя.
Коммуникационна
я: обсуждение
трактовок понятия
очередь,
хэш-таблица)
3.2
Работа со
списками Python
3.3
Библиотеки
Python.
Библиотека
Pandas
1
1
0,5
0,5
0,5
Структуры
данных,
списки,
список,
элемент
списка,
индекс,
отрицательная
индексация
0,5
Поиск,
очистка,
преобразование,
организация
«наука о данных»,
ответы на
вопросы
учителя.
Практическая:
работа в
микрогруппах на
1
этапе урока
(выполнение
задания на
опровержение или
фактическое
подтверждение
одного из
тезисов);
поиск примеров
сайтовисточников
данных; решение
проблемных
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Экспертная:
обсуждение
домашнего
задания и его
оценка.
Аналитическая:
анализ
проблемной
ситуации об
организации
хранения данных
(на примерах);
написание кода
(этап 2 урока).
Практическая:
решение
проблемных
заданий,
практическая
работа (этап 3
урока).
Коммуникационна
я: ответы на
вопросы учителя,
участие в
групповом
обсуждении при
выполнении
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
поиск ответов на
проблемные
вопросы
и сбор
данных,
библиотека
языка
программировани
я,
библиотеки
Python,
Библиотека
Pandas,
импорт
библиотек
3.4
3.5
Структуры
данных в Pandas
Структура данных
Dataframe
1
1
1
1
0
Поиск,
очистка,
преобразование,
организация
и сбор данных,
структуры
данных в
Pandas,
структура
данных Series
0
Структура
данных
DataFrame,
словарь,
список,
функция
(например,
провести
аналогию
библиотеки языка
программировани
я
с обычной
библиотекой),
составление плана
действий по
изучению и
анализу данных.
Практическая:
выполнение
практической
работы.
Коммуникационна
я: ответы на
вопросы учителя,
участие в
групповом
обсуждении
выполненного
домашнего
задания и в
процессе
выполнения
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
анализ
выполненных
домашних
заданий,
выполнение
заданий по
станциям.
Практическая:
выполнение
заданий по
станциям,
выполнение теста.
Коммуникационна
я: ответы на
вопросы учителя,
участие в
групповом
обсуждении при
выполнении
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Экспертная:
поиск
и обсуждение
ошибок по
результатам
выполнения
read_csv,
методы head и
tail
3.6
Базовые операции
с наборами
данных
1
0,5
0,5
Информация о
данных,
методы info и
describe,
числовые и
категориальные
признаки,
агрегирующие
функции:
value_counts,
unique,
nunique,
groupby
методы min(),
max() и mean(),
объединение
таблиц с
помощью
метода merge,
параметры on
и how
заданий
Аналитическая:
анализ
выполненных
практических
заданий, поиск
ошибок и их
обоснование,
анализ фрагмента
кода (задание 4).
Практическая:
выполнение
заданий на
создание объекта
DataFrame из
словаря и из
списка списков (1
этап урока),
выполнение
заданий на
считывание и ввод
данных, анализ
кода и т.д. (2 и 3
этапы урока).
Коммуникационна
я: ответы на
вопросы учителя,
участие во
фронтальной
беседе и
групповом
обсуждении при
выполнении
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при выполнении
практического
задания на чтение
данных из
таблицы
информации об
игроках
футбольных
клубов, в том
числе с
применением
метод describe();
при выполнении
задания на
исследование
агрегирующих
функций.
Практическая:
при выполнении
заданий, в том
числе
самостоятельных
и
исследовательски
3.7
3.8
Описательная
статистика
Визуализация
данных
1
1
0,5
0,5
0,5
Методы info,
describe, min,
max, mean,
условия
фильтрации
данных,
статистика по
категориальным
параметрам,
фильтрация
данных,
статистически
е методы
0,5
Визуализация
данных,
преимущества
диаграмм и
графиков;
виды
диаграмм;
библиотеки
Pandas,
Matplotlib,
Seaborn;
построение
графиков и
диаграмм с
помощью этих
х
практических
работ.
Коммуникационна
я: участие во
фронтальной
беседе по
обсуждению
домашнего
задания (модель
урока –
«перевернутое
обучение»).
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при выполнении
заданий
практической
работы на
применение
статистических
методов, а также
при составлении
задания на
сложные условия
фильтрации
данных и
статистических
методов.
Практическая:
при выполнении
заданий.
Коммуникационна
я: участие во
фронтальном
обсуждении
проблемных
ситуаций, ответы
на вопросы,
обсуждение в
группах.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при выделении
преимуществ
визуализации
данных до их
табличного
представления.
Практическая:
при выполнении
практических
заданий в малых
группах; при
выполнении
практической
работы.
библиотек,
методы plot,
hist, scatter,
joinplot,
pairplot,
countplot
3.9
Проект
«Исследование
данных».
Часть 1
3.1
0
Проект
«Исследование
данных».
Часть 2
3.1
1
Проект «Python
для Data Science»
(Обобщение и
систематизация
основных понятий
темы)
1
1
1
0,5
0
1
1
Основные
понятия темы
«Анализ
данных на
Python»
0
Раздел 4. Введение в машинное обучение на Python (10 ч)
4.1
Понятие и виды
машинного
обучения
1
1
Основные
понятия темы
«Анализ
данных на
Python»
0
Искусственны
й интеллект,
подход,
основанный на
правилах,
машинное
обучение,
история
развития ИИ в
играх, сферы
Коммуникационна
я: ответы на
вопросы учителя,
фронтальное
обсуждение и
обсуждение в
малых группах.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при выполнении
заданий по
исследованию
датасета о
футболистах,
поиск
статистических
характеристик
отдельных
переменных и их
взаимосвязей,
построение
визуализации
данных.
Практическая:
при выполнении
проекта.
Коммуникативная
: при обсуждении
домашнего
задания, при
выполнении
проекта в малых
группах
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при построении
визуальной карты
знаний модуля.
Практическая:
при выполнении
теста по разделу.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при
сравнительном
анализе подходов:
обучение с
учителем и
обучение без
учителя; при
ответах на
вопросы
применения
машинного
обучения;
обучение с
учителем,
обучение без
учителя,
задача
регрессии,
задача
классификации,
задача
кластеризации,
отбор данных
для модели
машинного
обучения
4.2
4.3
Анализ и
визуализация
данных на
Python
(повторение)
Библиотеки
машинного
обучения
1
1
1
1
0
Машинное
обучение с
учителем,
машинное
обучение без
учителя,
задача
регрессии,
задача
классификации,
задача
кластеризации;
библиотеки
Pandas и
Matplotlib,
чтение
табличных
данных,
статистически
е показатели,
построение
диаграмм
0
Машинное
обучение с
учителем и без
учителя, его
преимущества,
постановка
цели и задач,
и фронтальном
обсуждении
вопросов по
презентации.
Практическая:
при выполнении
заданий
практической
работы.
Коммуникационна
я: ответы на
вопросы учителя,
участие во
фронтальном
обсуждении при
выполнении
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
при поиске
ответов
на вопросы в ходе
обсуждения
выполненного
домашнего
задания, при
выполнении
заданий
практической
работы.
Практическая:
при обсуждении
выполненного
домашнего
задания; при
фронтальном
опросе и беседе,
при выполнении
заданий
практической
работы.
Коммуникационна
я: ответы на
вопросы учителя,
участие во
фронтальном
обсуждении при
выполнении
заданий.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
ответы на
вопросы
(анализ вопросов
и
поиск ответов)
фронтальной
анализ
данных,
обучающая и
тренировочная
выборки,
задача
регрессии,
задача
классификации,
тестовая и
тренировочная
выборка,
переобучение,
недообучение,
оптимальная
модель,
кроссвалидация;
библиотека
Sklearn, этапы
построения
модели
машинного
обучения на
Python
4.4
Линейная
регрессия
1
0,5
0,5
Понятие
линейной
регрессии,
целевая
функция,
линейное
уравнение,
гомоскедастичнос
ть данных;
создание
модели
линейной
регрессии на
Python с
помощью
библиотек
Pandas, NumPy
и Sklearn
беседы; анализ
графиков моделей
машинного
обучения при
выполнении
задания
«Проблемы в
обучении
модели».
Практическая:
поиск ответов на
вопросы
фронтальной
беседы и вопросы
учителя в ходе
урока.
Коммуникационна
я: участие во
фронтальной
беседе по
материалам
предыдущего
урока; участие в
обсуждении при
выполнении
задания в
микрогруппе по
анализу графиков
машинного
обучения.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
анализ работы
модели линейной
регрессии (подбор
коэффициентов
линейного
уравнения с
несколькими
переменными);
анализ задач,
представленных
учителем, выбор
из
них задач
регрессии;
задание
на анализ
графиков
и выбор из них
того, который
соответствует
модели линейной
регрессии; анализ
точечных график
jd
и выбор среди них
набора данных,
подходящих для
решения задачи
4.5
Нелинейные
зависимости
1
0,5
Создание,
обучение и
оценка модели
линейной
регрессии,
визуализация
данных на
Python;
нелинейные
функции,
графики
функций;
полиномиальное
преобразование
линейной
регрессии
линейной
регрессии;
создание модели
машинного
обучения на
Python.
Практическая:
решение задач (из
представленных
учителем задач)
на
выбор набора
данных (по
графикам),
подходящих для
решения задачи
линейной
регрессии;
создание модели
машинного
обучения на
Python: модель
предсказания цен
на квартиры в
зависимости от
различных
параметров.
Коммуникационна
я: участие во
фронтальном
обсуждении
основных
вопросов темы —
линейная функция
и линейное
уравнение,
которые уже
изучались в курсе
математики;
обсуждение задач
по графикам.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
создание модели
линейной
регрессии на
основании
простой
таблицы с
данными о
зарплатах
сотрудников,
находящихся на
разных
должностях;
написание кода.
Практическая:
решение задач на
создание модели
линейной
4.6
Классификация.
Логистическая
регрессия
1
1
0
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
регрессии, ответы
на вопросы
учителя
(повторение
материала
математики);
выполнение
задания на
полиномиальную
регрессию,
написание кода
для предсказания
значения новой
моделью и
построение
графиков
исходных данных
и модели.
Коммуникационна
я: участие во
фронтальном
обсуждении,
ответы на
вопросы
учителя.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
поиск ответов на
проблемные
вопросы и
решение
задач на этапе 2
урока.
Практическая:
ответы на
вопросы,
подбор примеров
задач
классификации;
ответы на
проблемные
вопросы при
объяснении
нового
материала;
решение задач на
закрепление
нового материала
по теме; участие
во
фронтальной
работе на этапе 3
урока.
Коммуникационна
я: участие в
обсуждении теста
и основных
понятий темы;
ответы на
вопросы
4.7
4.8
Деревья решений.
Часть 1
Деревья решений.
Часть 2
1
1
0,5
0,5
0,5
Матрица
ошибок,
метрики
качества
логистической
регрессии,
модель
логистической
регрессии на
Python
Дерево
решений,
элементы
деревьев
(корень,
листья),
глубина
дерева,
жадный
алгоритм,
атрибут
разбиения;
учителя.
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
поиск ответов на
вопросы учителя
при обсуждении
метрик качества
логистической
регрессии;
самостоятельное
составление
модели
логистической
регрессии для
предсказания
вероятности в
ближайшие 10 лет
ишемической
болезни сердца по
различным
признакам.
Практическая:
ответы на
вопросы
учителя;
самостоятельное
составление
модели
логистической
регрессии для
предсказания
вероятности в
ближайшие 10 лет
ишемической
болезни сердца по
различным
признакам.
Коммуникационна
я: участие во
фронтальном
обсуждении
метрик качества
логистической
регрессии;
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
поиск ответов на
вопросы учителя
при обсуждении
метрик качества
логистической
регрессии;
самостоятельное
составление
модели
логистической
регрессии для
энтропия,
формула
Шеннона,
вероятность,
критерий
Джини
4.9
Проект «Решение
задачи
классификации»
1
0
1
Итого
34
22
12
предсказания
вероятности в
ближайшие 10 лет
ишемической
болезни сердца по
различным
признакам.
Практическая:
ответы на
вопросы
учителя;
самостоятельное
составление
модели
логистической
регрессии для
предсказания
вероятности в
ближайшие 10 лет
ишемической
болезни сердца по
различным
признакам
Коммуникационна
я: участие во
фронтальном
обсуждении
метрик качества
логистической
регрессии;
Рефлексивная:
заполнение листа
рефлексии в конце
урока
Аналитическая:
составление
алгоритма
принятия решений
(на примере
игры);
анализ учебных
примеров дерева
решений.
Практическая:
участие в игре на
анализ алгоритма
принятия решений
с помощью
деревьев,
исследование
критериев
Powered by TCPDF (www.tcpdf.org)
