Конспекты уроков по курсу «Искусственный интеллект» для 5–9 классов

Сборник содержит конспекты по всем темам официальной программы курса «Искусственный интеллект» для 5–9 классов. Каждый конспект включает цели урока, ключевые понятия, ход урока с таймингом, оборудование и формы оценки. В конце документа приведены проверочные работы в тестовой форме с вариантами ответов и ключами.

 

5 КЛАСС (17 часов)

Модуль 1. Искусственный интеллект вокруг нас (4 часа)

Урок 1. Что такое искусственный интеллект?

Цели: Познакомить учащихся с понятием «искусственный интеллект», показать примеры ИИ в повседневной жизни.

Ключевые понятия: Искусственный интеллект, алгоритм, компьютер, данные Ход урока:

1.  Вводная беседа (5 мин): «Где вы встречались с ИИ?» — обсуждение примеров

(голосовые помощники, рекомендации в соцсетях)

2.  Объяснение нового материала (10 мин): Что такое ИИ, чем отличается от обычной программы. Примеры: голосовые помощники, рекомендательные системы

3.  Практика (15 мин): Работа в парах — найти примеры ИИ на смартфоне или компьютере и описать, что делает ИИ

4.  Обсуждение (10 мин): Какие примеры оказались самыми неожиданными?

5.  Рефлексия (5 мин): «Я знал / не знал / хочу узнать»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, активность на обсуждении, мини-проект

 

Урок 2. Как компьютер «думает»? Человек и машина

Цели: Показать разницу между человеческим мышлением и работой компьютера, ввести понятие алгоритма.

Ключевые понятия: Алгоритм, инструкция, шаги, последовательность, человек и компьютер

1.  Вводная беседа (5 мин): «Как научить робота сделать бутерброд?»

2.  Объяснение нового материала (10 мин): Алгоритм как последовательность шагов. Компьютер выполняет инструкции буквально

3.  Практика (15 мин): Составить алгоритм «Как завязать шнурки» — в парах, один диктует, второй выполняет буквально

4.  Обсуждение (10 мин): Почему компьютер «не понимает», а только выполняет?

5.  Рефлексия (5 мин): Одна вещь, которая удивила

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, активность на обсуждении, мини-проект

 

Урок 3. ИИ в транспорте и навигации

Цели: Показать, как ИИ используется в навигаторах, беспилотных автомобилях, умных дорогах.

Ключевые понятия: Беспилотный автомобиль, навигатор, маршрутизация, данные о пробках Ход урока:

1.  Вводная беседа (5 мин): «Как навигатор строит маршрут?»

2.  Объяснение нового материала (10 мин): Как ИИ анализирует пробки, планирует маршруты, распознаёт дорожные знаки

3.  Практика (15 мин): Работа с картой — предложить оптимальный маршрут между двумя точками, учитывая препятствия

4.  Обсуждение (10 мин): Можно ли полностью доверять беспилотному автомобилю?

5.  Рефлексия (5 мин): Оценка урока — «светофор» (зелёный/жёлтый/красный)

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, активность на обсуждении, мини-проект

 

Урок 4. ИИ дома и в быту

Цели: Познакомить с примерами умного дома: голосовые помощники, умные колонки, роботы-пылесосы.

Ключевые понятия: Умный дом, голосовой помощник, умная колонка, датчики

1.  Вводная беседа (5 мин): «Какие умные устройства есть у вас дома?»

2.  Объяснение нового материала (10 мин): Как работает умная колонка, как она распознаёт голос, зачем нужны датчики

3.  Практика (15 мин): Придумать «умный дом» своей мечты — нарисовать схему, какие устройства и зачем

4.  Обсуждение (10 мин): Что может пойти не так, если умный дом «ошибётся»?

5.  Рефлексия (5 мин): «Одно слово, которое описывает урок»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, активность на обсуждении, мини-проект

 

Модуль 2. Мозг и компьютер (4 часа)

Урок 5. Как работает мозг? Нейроны и информация

Цели: Познакомить с базовым устройством мозга, показать аналогию между нейронами и компьютером.

Ключевые понятия: Нейрон, мозг, нервная система, сигнал Ход урока:

1.  Вводная беседа (5 мин): «Сколько решений принимает мозг за секунду?»

2.  Объяснение нового материала (10 мин): Как нейроны передают сигналы, как мозг учится новому

3.  Практика (15 мин): Игра «Передай сигнал» — дети стоят в кругу, передают «сигнал» жестами, имитируя нейронную сеть

4.  Обсуждение (10 мин): Чем нейрон похож на компьютерный элемент? Чем отличается?

5.  Рефлексия (5 мин): «Я узнал, что...»

Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, активность, работа в парах

 

Урок 6. Компьютер и мозг: сходства и различия

Цели: Сравнить принципы работы мозга и компьютера, показать границы возможностей ИИ.

Ключевые понятия: Процессор, память, вычисление, обучение, творчество

1.  Вводная беседа (5 мин): «Может ли компьютер научиться заваривать чай?»

2.  Сравнение (10 мин): Таблица «Мозг и компьютер» — скорость, память, обучение, эмоции

3.  Практика (15 мин): Заполнить сравнительную таблицу в тетради, обсудить в парах

4.  Обсуждение (10 мин): Что компьютер делает лучше человека? Что человек делает лучше?

5.  Рефлексия (5 мин): «Сегодня я понял, что...»

Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, активность, работа в парах

 

Урок 7. Может ли машина научиться? Обучение через опыт

Цели: Показать, как компьютер учится на данных, ввести простейшее понимание машинного обучения.

Ключевые понятия: Обучение, данные, опыт, примеры, правило Ход урока:

1.  Вводная беседа (5 мин): «Как ребёнок учится узнавать кошек?»

2.  Объяснение нового материала (10 мин): Машинное обучение — это обучение на примерах. Компьютер видит много кошек и учится узнавать их

3.  Практика (15 мин): Игра «Угадай правило» — учитель показывает последовательность, дети угадывают правило (аналог обучения)

4.  Обсуждение (10 мин): Сколько примеров нужно компьютеру, чтобы научиться?

5.  Рефлексия (5 мин): «Самое интересное сегодня» Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, активность, работа в парах

 

Урок 8. Виды памяти: у человека и у компьютера

Цели: Сравнить виды памяти у человека и компьютера, показать, как ИИ «запоминает».

Ключевые понятия: Память, хранение данных, кратковременная память, долговременная память

1.  Вводная беседа (5 мин): «Запомните эти 10 слов...» (короткий тест на память)

2.  Объяснение нового материала (10 мин): Виды памяти у человека и компьютера. Как ИИ хранит данные

3.  Практика (15 мин): Эксперимент с памятью — запомнить последовательность картинок, сравнить с тем, как «запоминает» компьютер

4.  Обсуждение (10 мин): Почему компьютер «не забывает», а человек забывает?

5.  Рефлексия (5 мин): «Мой вопрос к учителю»

Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, активность, работа в парах

 

Модуль 3. Технологии ИИ: как машины «видят» и «слышат» (5 часов)

Урок 9. Компьютерное зрение: как ИИ «видит»

Цели: Познакомить с технологией компьютерного зрения, показать, как ИИ распознаёт изображения.

Ключевые понятия: Компьютерное зрение, пиксель, распознавание, изображение Ход урока:

1.  Вводная беседа (5 мин): «Как телефон разблокируется по лицу?»

2.  Объяснение нового материала (10 мин): Как компьютер «видит» изображение — пиксели, распознавание объектов

3.  Практика (15 мин): Попробовать онлайн-демо распознавания объектов — загрузить фото, посмотреть результат

4.  Обсуждение (10 мин): Когда компьютер «ошибается» в распознавании?

5.  Рефлексия (5 мин): «Я узнал / удивился / хочу попробовать»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, демосервисы ИИ

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 10. Распознавание речи: как ИИ «слышит»

Цели: Показать, как работает распознавание речи и синтез речи.

Ключевые понятия: Распознавание речи, синтез речи, голосовой помощник, текст и звук

1.  Вводная беседа (5 мин): Как голосовой помощник понимает, что вы говорите?

2.  Объяснение нового материала (10 мин): Как звук превращается в текст, как ИИ «учится» голосу

3.  Практика (15 мин): Записать голосовую команду, посмотреть, как она переводится в текст. Попробовать диктовку

4.  Обсуждение (10 мин): Почему ИИ иногда «не понимает»?

5.  Рефлексия (5 мин): «Один факт, который запомню»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, демосервисы ИИ

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 11. ИИ и тексты: как компьютер «читает»

Цели: Познакомить с технологиями обработки естественного языка.

Ключевые понятия: Обработка естественного языка, текст, перевод, анализ текста Ход урока:

1.  Вводная беседа (5 мин): «Как работает онлайн-переводчик?»

2.  Объяснение нового материала (10 мин): Как ИИ анализирует текст, переводит, создаёт тексты

3.  Практика (15 мин): Попробовать перевести текст через онлайн-переводчик, сравнить с ручным переводом

4.  Обсуждение (10 мин): Когда машинный перевод ошибается и почему?

5.  Рефлексия (5 мин): «Могу ли я доверять машинному переводу?»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, демосервисы ИИ

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 12. ИИ в играх и развлечениях

Цели: Показать, как ИИ используется в компьютерных играх, генерации музыки, фильтрах.

Ключевые понятия: ИИ в играх, виртуальные персонажи, генерация контента, фильтры

1.  Вводная беседа (5 мин): «Против кого вы играете в играх — против человека или ИИ?»

2.  Объяснение нового материала (10 мин): Как ИИ управляет персонажами в играх, как создаются фильтры для фото

3.  Практика (15 мин): Попробовать ИИ-фильтр или игру с ИИ-противником, проанализировать поведение

4.  Обсуждение (10 мин): Может ли ИИ быть «креативным»?

5.  Рефлексия (5 мин): «Я хочу попробовать...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, демосервисы ИИ

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 13. Как ИИ принимает решения

Цели: Показать, как ИИ анализирует данные и принимает решения на их основе.

Ключевые понятия: Данные, решение, анализ, рекомендация Ход урока:

1.  Вводная беседа (5 мин): «Как видеохостинг рекомендует видео и фильмы?»

2.  Объяснение нового материала (10 мин): Как ИИ собирает данные о вас, анализирует и предлагает рекомендации

3.  Практика (15 мин): Составить «профиль пользователя» — какие данные ИИ знает о вас, какие рекомендации он может дать

4.  Обсуждение (10 мин): Всегда ли рекомендации ИИ полезны?

5.  Рефлексия (5 мин): «Я хочу, чтобы ИИ рекомендовал мне... / не рекомендовал...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, демосервисы ИИ

Оценка: устные ответы, практическая работа, обсуждение

 

Модуль 4. ИИ в науке, образовании и проект (4 часа)

Урок 14. ИИ в науке: от биологии до медицины

Цели: Показать, как ИИ помогает учёным — от исследования живых организмов до открытия лекарств.

Ключевые понятия: Научные исследования, анализ данных, медицина, биология Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ помогает учёным?»

2.  Объяснение нового материала (10 мин): Примеры: ИИ помогает создавать лекарства, анализирует геном, изучает поведение животных

3.  Практика (15 мин): Найти в интернете пример использования ИИ в науке, кратко описать

4.  Обсуждение (10 мин): Что ИИ делает быстрее учёного? А что не может?

5.  Рефлексия (5 мин): «Самое удивительное открытие с помощью ИИ»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 15. ИИ в школе: как ИИ помогает учиться

Цели: Показать, как ИИ используется в образовании — персональные задания, проверка, тьюторы.

Ключевые понятия: Образовательный ИИ, адаптивное обучение, тьютор, проверка работ Ход урока:

1.  Вводная беседа (5 мин): «Использовали ли вы ИИ для учёбы? Как?»

2.  Объяснение нового материала (10 мин): Адаптивные платформы, ИИ-тьюторы, автоматическая проверка заданий

3.  Практика (15 мин): Попробовать образовательную платформу с элементами ИИ

4.  Обсуждение (10 мин): Может ли ИИ заменить учителя? Что он не сможет?

5.  Рефлексия (5 мин): «Как бы я использовал ИИ для учёбы?»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 16. Безопасность и этика ИИ: хорошее и плохое

Цели: Познакомить с проблемами безопасности ИИ: дипфейки, приватность, ошибки ИИ.

Ключевые понятия: Дипфейк, приватность, безопасность, этика, ошибки ИИ

Ход урока:

1.  Вводная беседа (5 мин): «Можно ли верить всему, что видишь в интернете?»

2.  Объяснение нового материала (10 мин): Что такое дипфейк, как ИИ может обманывать, как защитить свои данные

3.  Практика (15 мин): Найти пример дипфейка в интернете, обсудить, как его распознать

4.  Обсуждение (10 мин): Какие правила безопасного использования ИИ вы бы придумали?

5.  Рефлексия (5 мин): «Правило, которое я буду соблюдать»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 17. Проект «ИИ в моей жизни»

Цели: Подвести итог курса 5 класса, закрепить знания через проект.

Ключевые понятия: Все понятия курса Ход урока:

1.  Подготовка (10 мин): Выбор темы проекта — «ИИ в моём доме / школе / транспорте / хобби»

2.  Работа над проектом (20 мин): Создание постера, мини-доклада или схемы

3.  Защита (10 мин): Краткая защита проекта (2–3 минуты на ученика/группу)

4.  Обратная связь (5 мин): Оценка проектов одноклассниками

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: защита проекта, оценка одноклассниками, критерии: полнота, оригинальность, понимание темы

 

6 КЛАСС (17 часов)

Модуль 1. Этика и ответственность ИИ (3 часа)

Урок 1. Что такое этика ИИ? Правила для машин

Цели: Познакомить с понятием этики ИИ, обсудить, кто отвечает за решения ИИ.

Ключевые понятия: Этика, ответственность, правило, решение, создатель ИИ Ход урока:

1.  Вводная беседа (5 мин): «Если беспилотный автомобиль попал в аварию — кто виноват?»

2.  Объяснение нового материала (10 мин): Что такое этика ИИ, почему это важно, кто отвечает — программист, компания, пользователь?

3.  Практика (15 мин): Разбор кейса — обсудить в группах, кто несёт ответственность

4.  Обсуждение (10 мин): Нужно ли создавать правила для ИИ? Какие?

5.  Рефлексия (5 мин): «Я думаю, что ИИ должен...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, работа с кейсами, обсуждение

 

Урок 2. Дипфейки и обман: как распознать подделку

Цели: Научить распознавать дипфейки и ИИ-сгенерированный контент. Ключевые понятия: Дипфейк, подделка, манипуляция, фактчекинг, верификация Ход урока:

1.  Вводная беседа (5 мин): «Можно ли подделать голос и видео любого человека?»

2.  Объяснение нового материала (10 мин): Как создаются дипфейки, зачем, как их распознать — артефакты, несоответствия

3.  Практика (15 мин): Сравнить настоящие и поддельные изображения/видео, найти признаки подделки

4.  Обсуждение (10 мин): Какие законы нужны против дипфейков?

5.  Рефлексия (5 мин): «Правило, которое поможет не попасться на обман»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, работа с кейсами, обсуждение

 

Урок 3. Приватность и данные: кто знает о вас

Цели: Показать, как ИИ собирает данные о пользователях и почему это важно.

Ключевые понятия: Приватность, персональные данные, сбор данных, согласие, файлы cookie Ход урока:

1.  Вводная беседа (5 мин): «Что интернет знает о вас?»

2.  Объяснение нового материала (10 мин): Как собираются данные — файлы cookie, история поиска, геолокация, покупки

3.  Практика (15 мин): Проверить настройки приватности в телефоне/браузере, найти, какие данные собираются

4.  Обсуждение (10 мин): Можно ли полностью скрыть свои данные? Нужно ли?

5.  Рефлексия (5 мин): «Я изменил(а) бы настройки...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, работа с кейсами, обсуждение

 

Модуль 2. ИИ и экология (3 часа)

Урок 4. ИИ для защиты природы: мониторинг и анализ

Цели: Показать, как ИИ помогает защищать окружающую среду.

Ключевые понятия: Экологический мониторинг, спутниковые данные, анализ загрязнений Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ может помочь спасти планету?»

2.  Объяснение нового материала (10 мин): ИИ отслеживает вырубку лесов по спутникам, анализирует качество воздуха, предсказывает наводнения

3.  Практика (15 мин): Работа с интерактивной картой экологии

4.  Обсуждение (10 мин): Может ли ИИ решить все экологические проблемы?

5.  Рефлексия (5 мин): «Самый полезный пример ИИ для экологии»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 5. Умное сельское хозяйство: ИИ на ферме

Цели: Показать, как ИИ применяется в сельском хозяйстве. Ключевые понятия: Точное земледелие, дроны, датчики, урожайность Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ помогает выращивать еду?»

2.  Объяснение нового материала (10 мин): Дроны для анализа полей, ИИ для предсказания урожая, датчики влажности

3.  Практика (15 мин): Спланировать «умную ферму» — какие ИИ-системы поставить и зачем

4.  Обсуждение (10 мин): Как ИИ снижает расход воды и удобрений?

5.  Рефлексия (5 мин): «Я бы поставил(а) на ферму...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 6. ИИ и климат: предсказание погоды и изменений

Цели: Показать, как ИИ помогает прогнозировать погоду и климатические изменения.

Ключевые понятия: Климат, прогноз, модель, экстремальные погодные явления Ход урока:

1.  Вводная беседа (5 мин): «Насколько точен прогноз погоды?»

2.  Объяснение нового материала (10 мин): Как ИИ улучшает прогнозы, моделирует климатические изменения

3.  Практика (15 мин): Сравнить прогнозы погоды на разных сервисах, обсудить точность

4.  Обсуждение (10 мин): Почему прогноз на 2 недели вперёд неточен?

5.  Рефлексия (5 мин): «Я узнал, что...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Модуль 3. ИИ в здравоохранении (3 часа)

Урок 7. ИИ-врач: диагностика и анализ

Цели: Показать, как ИИ помогает врачам ставить диагнозы.

Ключевые понятия: Диагностика, медицинские изображения, анализы, ИИ-врач Ход урока:

1.  Вводная беседа (5 мин): «Может ли компьютер поставить диагноз?»

2.  Объяснение нового материала (10 мин): ИИ анализирует рентгеновские снимки, МРТ, анализы крови, находит заболевания раньше врача

3.  Практика (15 мин): Разбор кейса — как ИИ нашёл опухоль на снимке, которую пропустил врач

4.  Обсуждение (10 мин): Можно ли доверять ИИ-диагнозу? Кому верить — врачу или ИИ?

5.  Рефлексия (5 мин): «Я бы доверил(а) ИИ... / не доверил(а)...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, кейсы, обсуждение

 

Урок 8. ИИ и лекарства: как ИИ создаёт препараты

Цели: Показать, как ИИ помогает открывать новые лекарства.

Ключевые понятия: Разработка лекарств, молекулы, клинические испытания, белки

Ход урока:

1.                  Вводная беседа (5 мин): «Сколько времени нужно, чтобы создать новое лекарство?»

2.                  Объяснение нового материала (10 мин): ИИ анализирует молекулы, предсказывает их свойства, ускоряет разработку в 10 раз

3.                  Практика (15 мин): Найти пример лекарства, созданного с помощью ИИ, кратко описать 4. Обсуждение (10 мин): Почему создание лекарства стоит так дорого? Как ИИ это меняет?

5. Рефлексия (5 мин): «Самое удивительное про ИИ и медицину»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, кейсы, обсуждение

 

Урок 9. ИИ и здоровье человека: фитнес-трекеры и мониторинг

Цели: Показать, как ИИ помогает следить за здоровьем через носимые устройства.

Ключевые понятия: Фитнес-трекер, мониторинг здоровья, пульс, сон, активность Ход урока:

1.  Вводная беседа (5 мин): «У кого есть фитнес-браслет или смарт-часы?»

2.  Объяснение нового материала (10 мин): Как трекеры собирают данные, ИИ анализирует сон, пульс, активность

3.  Практика (15 мин): Проанализировать данные с трекера (или демо-данные), что ИИ рекомендует

4.  Обсуждение (10 мин): Полезно или вредно постоянно отслеживать своё здоровье?

5.  Рефлексия (5 мин): «Я хотел(а) бы отслеживать...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет

Оценка: устные ответы, кейсы, обсуждение

 

Модуль 4. ИИ в промышленности и на производстве (3 часа)

Урок 10. Роботы на заводе: ИИ в производстве

Цели: Показать, как ИИ и роботы применяются на производстве.

Ключевые понятия: Робот, конвейер, автоматизация, контроль качества, дефекты Ход урока:

1.  Вводная беседа (5 мин): «Что делают роботы на заводе?»

2.  Объяснение нового материала (10 мин): Роботы собирают детали, ИИ проверяет качество, находит брак

3.  Практика (15 мин): Спланировать «умный завод» — где поставить роботов, где

— ИИ для контроля

4.  Обсуждение (10 мин): Роботы заменяют людей или помогают им?

5.  Рефлексия (5 мин): «Я бы хотел(а) работать на... / не хотел(а) бы...»

Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 11. ИИ в логистике: доставка и склады

Цели: Показать, как ИИ оптимизирует доставку и работу складов.

Ключевые понятия: Логистика, маршрутизация, склад, доставка, оптимизация Ход урока:

1.                  Вводная беседа (5 мин): «Как посылка из другого города доходит за несколько дней?»

2.                  Объяснение нового материала (10 мин): ИИ планирует маршруты доставки, управляет складами, предсказывает спрос

3.                  Практика (15 мин): Спланировать оптимальный маршрут доставки для 5 точек на карте

4.                  Обсуждение (10 мин): Что будет с логистикой, когда появятся дроныдоставщики?

5.                  Рефлексия (5 мин): «Самое интересное про логистику» Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 12. ИИ в энергетике: умные сети и экономия

Цели: Показать, как ИИ помогает экономить энергию.

Ключевые понятия: Энергосеть, потребление, оптимизация, умный счётчик Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ может экономить электричество?»

2.  Объяснение нового материала (10 мин): Умные энергосети, предсказание потребления, балансировка нагрузки

3.  Практика (15 мин): Проанализировать график потребления энергии, найти пики и предложить оптимизацию

4.  Обсуждение (10 мин): Как ИИ помогает переходить на зелёную энергию?

5.  Рефлексия (5 мин): «Я бы поставил(а) умный счётчик, потому что...»

Оборудование: проектор, компьютеры/планшеты

Оценка: устные ответы, практическая работа, обсуждение

 

Модуль 5. ИИ и творчество. Проект (5 часов)

Урок 13. ИИ-художник: генерация изображений

Цели: Показать, как ИИ создаёт изображения, познакомить с генеративным ИИ.

Ключевые понятия: Генеративный ИИ, генерация изображений, промпт, стиль Ход урока:

1.  Вводная беседа (5 мин): «Может ли компьютер нарисовать картину?»

2.  Объяснение нового материала (10 мин): Как ИИ генерирует изображения по текстовому описанию, что такое промпт

3.  Практика (15 мин): Сгенерировать изображение на отечественном сервисе генерации изображений, используя разные промпты

4.  Обсуждение (10 мин): Кому принадлежат права на ИИ-картину?

5.  Рефлексия (5 мин): «Я создал(а) картину про...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, ИИ-сервисы

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 14. ИИ-музыкант и ИИ-писатель

Цели: Показать, как ИИ создаёт музыку и тексты.

Ключевые понятия: Генерация текста, генерация музыки, креативность, промпт Ход урока:

1.  Вводная беседа (5 мин): «Может ли ИИ написать стих или песню?»

2.  Объяснение нового материала (10 мин): Как ИИ генерирует тексты и музыку, примеры

3.  Практика (15 мин): Попробовать сгенерировать стихотворение или короткий рассказ с помощью ИИ

4.  Обсуждение (10 мин): Является ли ИИ-произведение искусством?

5.  Рефлексия (5 мин): «ИИ-искусство — это...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, ИИ-сервисы

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 15. ИИ и видео: создание и монтаж

Цели: Показать, как ИИ помогает создавать и монтировать видео. Ключевые понятия: Генерация видео, монтаж, эффекты, автоматизация Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ помогает создавать видео?»

2.  Объяснение нового материала (10 мин): Автоматический монтаж, субтитры, генерация видео по тексту, улучшение качества

3.  Практика (15 мин): Попробовать ИИ-инструмент для создания/редактирования видео (например, автоматические субтитры)

4.  Обсуждение (10 мин): Как ИИ изменит профессию видеографа?

5.  Рефлексия (5 мин): «Я бы использовал(а) ИИ для видео, чтобы...»

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, ИИ-сервисы

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 16. Проект «ИИ-креатор» — подготовка

Цели: Подготовить творческий проект с использованием ИИ-инструментов.

Ключевые понятия: Все понятия модуля Ход урока:

1.  Выбор темы (5 мин): Создать «произведение ИИ-искусства» — картинка + текст, или музыка + описание

2.  Работа (20 мин): Генерация контента с помощью ИИ-сервисов, редактирование, оформление

3.  Промежуточная проверка (10 мин): Обсуждение в парах, обратная связь

4.  Доработка (10 мин): Улучшение проекта по обратной связи

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, ИИ-сервисы

Оценка: защита проекта, оценка одноклассниками, критерии: креативность, использование ИИ, понимание темы

 

Урок 17. Проект «ИИ-креатор» — защита

Цели: Защитить творческий проект, оценить работы одноклассников.

Ключевые понятия: Все понятия курса Ход урока:

1.  Защита (25 мин): Краткая защита проекта (2–3 минуты), показ результата

2.  Оценка (10 мин): Оценка одноклассниками по критериям: креативность, использование ИИ, оформление

3.  Подведение итогов (10 мин): Что мы узнали за год, обратная связь от учеников

Оборудование: проектор, компьютеры/планшеты, доступ в интернет, ИИ-сервисы

Оценка: защита проекта, оценка одноклассниками, критерии: креативность, использование ИИ, понимание темы

 

7 КЛАСС (34 часа)

Модуль 1. Введение в искусственный интеллект и машинное обучение (2 часа)

Урок 1. Введение в искусственный интеллект

Цели: Дать представление об ИИ, машинном обучении, data science; показать сферы применения.

Ключевые понятия: Искусственный интеллект, машинное обучение, data science, данные, признаки, алгоритм, прогнозирование Ход урока:

1.  Вводная беседа (5 мин): «Где вы встречали ИИ? Что он делал?»

2.  Объяснение нового материала (10 мин): ИИ и обычная программа, что такое машинное обучение, данные как «топливо» ИИ

3.  Практика (15 мин): Работа с игровым тренажёром — классификация объектов, поиск признаков

4.  Обсуждение (10 мин): Чем ИИ отличается от обычного алгоритма? Что такое «признак»?

5.  Рефлексия (5 мин): Метод «6 шляп» — каждая группа называет одно впечатление

Оборудование: проектор, компьютеры, доступ в интернет, ЭЦОР resh.edu.ru

Оценка: устные ответы, работа с кейсами, рефлексия

 

Урок 2. Роль искусственного интеллекта в жизни человека: этика и регулирование

Цели: Обсудить этические проблемы ИИ, ответственность, регулирование.

Ключевые понятия: Этика ИИ, этичное применение, ответственность ИИ, регулирование ИИ Ход урока:

1.  Вводная беседа (5 мин): «Кто отвечает, если ИИ принял плохое решение?»

2.  Объяснение нового материала (10 мин): Примеры этических дилемм ИИ: беспилотники, судимости, кредитный скоринг

3.  Практика (15 мин): Решение кейса в группах — «Беспилотный автомобиль и выбор на дороге»

4.  Обсуждение (10 мин): Нужно ли регулировать ИИ законами? Кто должен это делать?

5.  Рефлексия (5 мин): Ответы на контрольные вопросы

Оборудование: проектор, компьютеры, доступ в интернет, ЭЦОР resh.edu.ru

Оценка: устные ответы, работа с кейсами, рефлексия

 

Модуль 2. Основы программирования на Python (14 часов)

Урок 3. Алгоритмы и исполнители. Способы записи алгоритмов

Цели: Ввести понятия алгоритма и исполнителя, показать способы записи алгоритмов.

Ключевые понятия: Исполнитель, алгоритм, словесная запись, построчная запись, блок-схема, программа, линейный/разветвляющийся/циклический алгоритм Ход урока:

1.  Вводная беседа (5 мин): «Что такое алгоритм? Приведите примеры из жизни»

2.  Объяснение нового материала (10 мин): Способы записи: словесный, блок-схема, программа. Виды алгоритмов

3.  Практика (15 мин): Составить блок-схему для задачи «Переход дороги по светофору»

4.  Работа с тренажёром (10 мин): Игровой тренажёр алгоритмики

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 4. Общие сведения о языке программирования Python

Цели: Познакомить с историей Python, типами данных, переменными.

Ключевые понятия: Python, компилируемые/интерпретируемые языки, типы данных, переменная, константа Ход урока:

1.  Вводная беседа (5 мин): «Какие языки программирования вы знаете?»

2.  Объяснение нового материала (10 мин): История, типы данных, переменные

3.  Практика (15 мин): Создание переменных, вывод через print(), type()

4.  Закрепление (10 мин): Решение заданий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 5. Организация ввода и вывода данных

Цели: Научить использовать print(), input(), приведение типов. Ключевые понятия: print(), input(), int(), float(), str(), приведение типов Ход урока:

1.  Вводная беседа (5 мин): «Как программа получает данные от пользователя?»

2.  Объяснение нового материала (10 мин): print(), input(), приведение типов

3.  Практика (15 мин): Программа «Привет, пользователь!»

4.  Закрепление (10 мин): Решение задач на ввод/вывод

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 6. Алгоритмическая конструкция «следование»

Цели: Изучить линейный алгоритм, арифметические операторы Python. Ключевые понятия: Линейный алгоритм, арифметические операторы, блок-схема Ход урока:

1.  Вводная беседа (5 мин): «Какой алгоритм называется линейным?»

2.  Объяснение нового материала (10 мин): Арифметические операторы Python, блок-схема линейного алгоритма

3.  Практика (15 мин): Программа перевода градусов Цельсия в Фаренгейты

4.  Закрепление (10 мин): Решение задач на линейные алгоритмы

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 7. Программирование линейных алгоритмов

Цели: Закрепить навыки программирования линейных алгоритмов.

Ключевые понятия: Блок-схема, арифметические операторы, переменные, программирование Ход урока:

1.  Повторение (5 мин): Что такое линейный алгоритм? Примеры

2.  Практика (20 мин): Решение задач — площадь прямоугольника, среднее арифметическое, периметр

3.  Самостоятельная работа (15 мин): Индивидуальные задания разной сложности

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 8. Алгоритмическая конструкция «ветвление»

Цели: Изучить разветвляющийся алгоритм, операторы сравнения, условный оператор if.

Ключевые понятия: Разветвляющийся алгоритм, блок-схема, if, if-else, операторы сравнения

Ход урока:

1.  Вводная беседа (5 мин): «Когда программа выбирает между двумя вариантами?»

2.  Объяснение нового материала (10 мин): if, if-else, блок-схема, полная и неполная форма

3.  Практика (15 мин): Программа «Чётное/нечётное», «Положительное/отрицательное»

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 9. Полная форма ветвления. Программирование разветвляющихся алгоритмов

Цели: Закрепить навыки программирования ветвления, изучить полную форму ifelse.

Ключевые понятия: Полный условный оператор, if-else, блок-схема ветвления Ход урока:

1.  Повторение (5 мин): Синтаксис if

2.  Объяснение нового материала (10 мин): Полная форма if-else, блок-схема

3.  Практика (15 мин): Программа «Максимум из двух чисел», «Високосный год»

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 10. Программирование разветвляющихся алгоритмов. Условный оператор

Цели: Закрепить навыки программирования ветвления.

Ключевые понятия: Условный оператор, арифметические операторы, переменные Ход урока:

1.  Повторение (5 мин): Синтаксис if-else

2.  Практика (20 мин): Задачи — максимум, високосный год, оценка по баллу

3.  Самостоятельная работа (15 мин): Индивидуальные задания

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 11. Простые и составные условия

Цели: Изучить логические операторы and, or, not, составные условия.

Ключевые понятия: Логические операторы (and, or, not), составные условия, условный оператор

Ход урока:

1.  Вводная беседа (5 мин): «Как проверить два условия одновременно?»

2.  Объяснение нового материала (10 мин): Операторы and, or, not, таблицы истинности

3.  Практика (15 мин): Программа «Доступ по возрасту и паролю»

4.  Закрепление (10 мин): Решение задач на составные условия

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 12. Алгоритмическая конструкция «повторение». Цикл while Цели: Изучить цикл с предусловием while, синтаксис.

Ключевые понятия: Цикл, while, условие продолжения, тело цикла, бесконечный цикл

Ход урока:

1.  Вводная беседа (5 мин): «Когда нужно повторять действия?»

2.  Объяснение нового материала (10 мин): Синтаксис while, условие цикла, опасность бесконечного цикла

3.  Практика (15 мин): Программа — вывод чисел от 1 до 10, сумма чисел от 1 до N

4.  Закрепление (10 мин): Решение задач на while

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 13. Программирование циклов с заданным числом повторений Цели: Изучить цикл for, функцию range().

Ключевые понятия: for, range(), шаг, итерация, тело цикла Ход урока:

1.  Вводная беседа (5 мин): «Как повторить действие ровно 10 раз?»

2.  Объяснение нового материала (10 мин): Синтаксис for, range() с параметрами

(start, stop, step)

3.  Практика (15 мин): Программа — таблица умножения, сумма квадратов

4.  Закрепление (10 мин): Решение задач на for и range()

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 14. Проект «Различные варианты программирования циклического алгоритма»

Цели: Сравнить циклы while и for, выбрать оптимальный вариант для задачи.

Ключевые понятия: while, for, выбор цикла, оптимизация Ход урока:

1.  Постановка задачи (5 мин): Решить одну задачу двумя способами — через while и через for

2.  Работа (20 мин): Программирование двух вариантов, сравнение

3.  Обсуждение (10 мин): Какой цикл удобнее? Когда какой использовать?

4.  Защита (10 мин): Краткая демонстрация решений

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код программы, понимание материала

 

Урок 15. Проект «Начала программирования»

Цели: Систематизировать знания по Python: типы данных, переменные, ветвление, циклы.

Ключевые понятия: Все понятия модуля 2 Ход урока:

1.  Подготовка (5 мин): Создание визуальной карты знаний — «всё о Python»

2.  Работа (20 мин): Создание карты, подготовка к проверочной работе

3.  Проверочная работа (10 мин): Тест по основам Python (см. раздел «Проверочные работы»)

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с установленным Python (или онлайн-среда), проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код программы, понимание материала

 

Модуль 3. Анализ данных на Python (10 часов)

Урок 16. Наука о данных. Структуры данных

Цели: Ввести понятие data science, познакомить со структурами данных.

Ключевые понятия: Данные, наука о данных, открытые данные, источники данных, структуры (стек, массив, очередь, хэш-таблица) Ход урока:

1.  Вводная беседа (5 мин): «Что такое наука о данных? Зачем она нужна?»

2.  Объяснение нового материала (10 мин): Источники открытых данных, структуры данных

3.  Практика (15 мин): Поиск примеров сайтов с открытыми данными, обсуждение трактовок «наука о данных»

4.  Обсуждение (10 мин): Какие данные вокруг нас можно собирать и анализировать?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 17. Работа со списками Python

Цели: Научить работать со списками: индексация, срезы, методы.

Ключевые понятия: Список, элемент списка, индекс, отрицательная индексация, срез, append, remove Ход урока:

1.  Обсуждение домашнего задания (5 мин): Повторение структур данных

2.  Объяснение нового материала (10 мин): Создание списка, индексация, срезы, методы

3.  Практика (15 мин): Создание списка оценок, поиск макс/мин, сортировка

4.  Закрепление (10 мин): Решение задач на списки

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 18. Библиотеки Python. Библиотека Pandas

Цели: Познакомить с библиотекой Pandas, импортом, созданием объектов.

Ключевые понятия: Pandas, import, Series, DataFrame, read_csv, библиотека языка программирования Ход урока:

1.  Вводная беседа (5 мин): «Зачем нужны библиотеки в программировании?»

2.  Объяснение нового материала (10 мин): Pandas, импорт, создание объектов

3.  Практика (15 мин): Импорт Pandas, создание объекта, простые операции

4.  Закрепление (10 мин): Решение заданий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 19. Структуры данных в Pandas. Series

Цели: Изучить структуру Series, индексы, типы данных.

Ключевые понятия: Series, индексы, типы данных, создание из словаря Ход урока:

1.  Повторение (5 мин): Что такое Pandas, как импортировать

2.  Объяснение нового материала (10 мин): Структура Series, индексы, типы данных

3.  Практика (15 мин): Создание Series из словаря, операции с Series

4.  Проверочная работа (10 мин): Тест по Series (см. раздел «Проверочные работы») 5. Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, тест, лист рефлексии

 

Урок 20. Структура данных DataFrame

Цели: Изучить DataFrame, функции read_csv, head, tail.

Ключевые понятия: DataFrame, словарь, список списков, read_csv, head(), tail() Ход урока:

1.  Повторение (5 мин): Series — что это, как создать

2.  Объяснение нового материала (10 мин): DataFrame, создание из словаря и из списка списков, read_csv

3.  Практика (15 мин): Загрузка датасета через read_csv, просмотр через head/tail

4.  Закрепление (10 мин): Решение заданий на DataFrame

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 21. Базовые операции с наборами данных

Цели: Изучить методы info, describe, агрегирующие функции.

Ключевые понятия: info, describe, value_counts, unique, nunique, groupby, min(), max(), mean(), merge

Ход урока:

1.  Вводная беседа (5 мин): «Как получить информацию о датасете?»

2.  Объяснение нового материала (10 мин): Методы info, describe, агрегирующие функции

3.  Практика (15 мин): Анализ датасета об игроках — describe(), groupby(), value_counts()

4.  Закрепление (10 мин): Объединение таблиц через merge

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 22. Описательная статистика

Цели: Изучить статистические методы, фильтрацию данных.

Ключевые понятия: info, describe, min, max, mean, условия фильтрации, статистика по категориальным параметрам Ход урока:

1.  Вводная беседа (5 мин): «Как описать данные одним числом?»

2.  Объяснение нового материала (10 мин): Среднее, медиана, мода, фильтрация данных

3.  Практика (15 мин): Расчёт статистик для датасета, сложные условия фильтрации

4.  Закрепление (10 мин): Анализ результатов

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 23. Визуализация данных

Цели: Научить визуализировать данные с помощью Matplotlib и Seaborn. Ключевые понятия: Визуализация, гистограмма, диаграмма, Matplotlib, Seaborn,

plot, hist, scatter, countplot

Ход урока:

1.  Вводная беседа (5 мин): «Зачем нужны графики и диаграммы?»

2.  Объяснение нового материала (10 мин): Виды диаграмм, библиотеки Matplotlib и Seaborn

3.  Практика (15 мин): Построение графиков по датасету — hist, scatter, countplot

4.  Закрепление (10 мин): Построение парных графиков (pairplot)

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 24. Проект «Исследование данных». Часть 1

Цели: Провести самостоятельное исследование датасета о футболистах.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Постановка задачи (5 мин): Исследовать датасет, найти статистические характеристики

2.  Работа (25 мин): Анализ данных, построение визуализации

3.  Обсуждение (10 мин): Промежуточные результаты, сложности

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, визуализация, понимание

 

Урок 25. Проект «Исследование данных». Часть 2 + Проект «Python для Data Science»

Цели: Завершить исследование данных, обобщить материал раздела.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Работа над проектом (15 мин): Завершение анализа, финальная визуализация

2.  Защита (10 мин): Краткая защита исследования

3.  Обобщение (10 мин): Визуальная карта знаний модуля, проверочная работа по разделу (см. раздел «Проверочные работы»)

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, визуализация, понимание

 

Модуль 4. Введение в машинное обучение на Python (9 часов)

Урок 26. Понятие и виды машинного обучения

Цели: Ввести понятие машинного обучения, виды: с учителем, без учителя, задачи регрессии, классификации, кластеризации.

Ключевые понятия: Машинное обучение, обучение с учителем, без учителя, регрессия, классификация, кластеризация Ход урока:

1.  Вводная беседа (5 мин): «Чем машинное обучение отличается от обычного программирования?»

2.  Объяснение нового материала (10 мин): Виды МО, сферы применения, история ИИ в играх

3.  Практика (15 мин): Классификация задач — отнести примеры к регрессии/классификации/кластеризации

4.  Обсуждение (10 мин): Какие данные нужны для обучения?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 27. Анализ и визуализация данных на Python (повторение) Цели: Повторить Pandas, Matplotlib, подготовить данные для МО.

Ключевые понятия: Pandas, Matplotlib, чтение данных, статистические показатели, диаграммы Ход урока:

1.  Повторение (5 мин): Pandas, DataFrame, визуализация

2.  Практика (20 мин): Загрузка датасета, анализ, визуализация — подготовка к МО

3.  Обсуждение (10 мин): Какие признаки важны для модели?

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 28. Библиотеки машинного обучения

Цели: Познакомить с библиотекой Sklearn, этапами построения модели МО.

Ключевые понятия: Sklearn, обучающая/тестовая выборка, переобучение, недообучение, кросс-валидация

Ход урока:

1.  Вводная беседа (5 мин): «Как обучить модель?»

2.  Объяснение нового материала (10 мин): train_test_split, этапы построения модели, пере/недообучение

3.  Практика (15 мин): Разделение данных на train/test, анализ графиков переобучения

4.  Обсуждение (10 мин): Что такое оптимальная модель?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 29. Линейная регрессия

Цели: Изучить линейную регрессию, создать модель предсказания цен на квартиры.

Ключевые понятия: Линейная регрессия, целевая функция, линейное уравнение, гомоскедастичность Ход урока:

1.  Вводная беседа (5 мин): «Как предсказать цену квартиры по параметрам?»

2.  Объяснение нового материала (10 мин): Линейная регрессия, уравнение y = kx + b, создание модели на Python

3.  Практика (15 мин): Создание модели предсказания цен на квартиры через LinearRegression

4.  Закрепление (10 мин): Анализ коэффициентов модели

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 30. Нелинейные зависимости

Цели: Изучить полиномиальную регрессию, нелинейные зависимости.

Ключевые понятия: Полиномиальная регрессия, PolynomialFeatures, нелинейные функции, графики Ход урока:

1.  Вводная беседа (5 мин): «Что если данные не описываются прямой линией?»

2.  Объяснение нового материала (10 мин): Полиномиальное преобразование, PolynomialFeatures

3.  Практика (15 мин): Создание модели полиномиальной регрессии, построение графиков

4.  Закрепление (10 мин): Сравнение линейной и полиномиальной моделей

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 31. Классификация. Логистическая регрессия. Часть 1

Цели: Изучить задачу классификации, логистическую регрессию.

Ключевые понятия: Классификация, логистическая регрессия, линейный классификатор, гиперплоскость, бинарная классификация Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ отличает спам от обычного письма?»

2.  Объяснение нового материала (10 мин): Классификация, логистическая регрессия, гиперплоскость

3.  Практика (15 мин): Создание модели логистической регрессии на простом датасете

4.  Закрепление (10 мин): Решение задач на классификацию

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 32. Классификация. Логистическая регрессия. Часть 2

Цели: Изучить метрики качества классификации, матрицу ошибок.

Ключевые понятия: Матрица ошибок, метрики качества, accuracy, precision, recall Ход урока:

1.  Повторение (5 мин): Логистическая регрессия — что это

2.  Объяснение нового материала (10 мин): Матрица ошибок, метрики accuracy,

precision, recall

3.  Практика (15 мин): Оценка качества модели на датасете

4.  Закрепление (10 мин): Анализ метрик, сравнение моделей

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 33. Деревья решений

Цели: Изучить деревья решений: энтропия, формула Шеннона, критерий Джини.

Ключевые понятия: Дерево решений, корень, листья, глубина, энтропия, формула Шеннона, вероятность, критерий Джини Ход урока:

1.  Вводная беседа (5 мин): «Как принять решение через последовательность вопросов?»

2.  Объяснение нового материала (10 мин): Дерево решений, энтропия, формула Шеннона, критерий Джини

3.  Практика (15 мин): Построение дерева вручную для простой задачи, создание модели на Python

4.  Анализ (10 мин): Как дерево выбирает атрибут разбиения?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 34. Проект «Решение задачи классификации»

Цели: Самостоятельно решить задачу классификации с помощью Sklearn.

Ключевые понятия: Все понятия модуля 4

Ход урока:

1.  Постановка задачи (5 мин): Выбор датасета, формулировка задачи классификации

2.  Работа (25 мин): Анализ данных, создание и обучение модели, оценка

3.  Защита (10 мин): Краткая демонстрация результатов

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, метрики, понимание

 

8 КЛАСС (34 часа)

Модуль 1. Введение. Актуальность ИИ (2 часа)

Урок 1. Искусственный интеллект: что мы уже знаем

Цели: Повторить материал 7 класса, обсудить новые примеры ИИ.

Ключевые понятия: Искусственный интеллект, машинное обучение, data science Ход урока:

1.  Вводная беседа (5 мин): «Что вы помните об ИИ из 7 класса?»

2.  Обсуждение (10 мин): Повторение ключевых понятий: ИИ, МО, данные, признаки

3.  Практика (15 мин): Обсуждение новых примеров ИИ, появившихся за год

4.  Обсуждение (10 мин): Что вы хотите узнать в этом году?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: проектор, компьютеры, ЭЦОР resh.edu.ru

Оценка: устные ответы, обсуждение, лист рефлексии

 

Урок 2. Наука о данных. Большие данные

Цели: Познакомить с понятием больших данных и их ролью в современном мире.

Ключевые понятия: Наука о данных, большие данные (Big Data), объём, скорость, разнообразие Ход урока:

1.  Вводная беседа (5 мин): «Сколько данных генерирует мир за секунду?»

2.  Объяснение нового материала (10 мин): Что такое большие данные, три V (Volume, Velocity, Variety)

3.  Практика (15 мин): Поиск примеров Big Data — соцсети, банки, транспорт

4.  Обсуждение (10 мин): Как большие данные меняют общество?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: проектор, компьютеры, ЭЦОР resh.edu.ru

Оценка: устные ответы, обсуждение, лист рефлексии

 

Модуль 2. Основы программирования на Python (12 часов)

Урок 3. Алгоритмы и исполнители. Способы записи алгоритмов

Цели: Повторить понятия алгоритма и исполнителя, способы записи алгоритмов.

Ключевые понятия: Исполнитель, алгоритм, словесная запись, блок-схема, программа

Ход урока:

1.  Вводная беседа (5 мин): «Что такое алгоритм? Приведите примеры»

2.  Объяснение нового материала (10 мин): Способы записи, виды алгоритмов

3.  Практика (15 мин): Составить блок-схему для задачи «Переход дороги по светофору»

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 4. Общие сведения о языке программирования Python

Цели: Познакомить с историей Python, типами данных, переменными. Ключевые понятия: Python, типы данных, переменная, константа, int, float, str Ход урока:

1.  Вводная беседа (5 мин): «Что вы знаете о языке Python?»

2.  Объяснение нового материала (10 мин): История, типы данных, переменные

3.  Практика (15 мин): Создание переменных, вывод через print(), type()

4.  Закрепление (10 мин): Решение заданий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 5. Организация ввода и вывода данных

Цели: Научить использовать print(), input(), приведение типов. Ключевые понятия: print(), input(), int(), float(), str(), приведение типов Ход урока:

1.  Вводная беседа (5 мин): «Как программа получает данные от пользователя?»

2.  Объяснение нового материала (10 мин): print(), input(), приведение типов

3.  Практика (15 мин): Программа «Привет, пользователь!»

4.  Закрепление (10 мин): Решение задач на ввод/вывод

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 6. Алгоритмическая конструкция «следование»

Цели: Изучить линейный алгоритм, арифметические операторы.

Ключевые понятия: Линейный алгоритм, арифметические операторы, блок-схема Ход урока:

1.  Вводная беседа (5 мин): «Какой алгоритм называется линейным?»

2.  Объяснение нового материала (10 мин): Арифметические операторы Python, блок-схема

3.  Практика (15 мин): Программа перевода градусов Цельсия в Фаренгейты

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 7. Алгоритмическая конструкция «ветвление»

Цели: Изучить разветвляющийся алгоритм, условный оператор if.

Ключевые понятия: Разветвляющийся алгоритм, if, if-else, операторы сравнения Ход урока:

1.  Вводная беседа (5 мин): «Когда программа выбирает между вариантами?»

2.  Объяснение нового материала (10 мин): if, if-else, блок-схема, полная и неполная форма

3.  Практика (15 мин): Программа «Чётное/нечётное», «Положительное/отрицательное»

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 8. Программирование разветвляющихся алгоритмов. Условный оператор

Цели: Закрепить навыки программирования ветвления.

Ключевые понятия: Условный оператор, арифметические операторы, переменные Ход урока:

1.  Повторение (5 мин): Синтаксис if-else

2.  Практика (20 мин): Задачи — максимум, високосный год, оценка по баллу

3.  Самостоятельная работа (15 мин): Индивидуальные задания

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 9. Простые и составные условия

Цели: Изучить логические операторы and, or, not.

Ключевые понятия: and, or, not, составные условия, таблицы истинности Ход урока:

1.  Вводная беседа (5 мин): «Как проверить два условия сразу?»

2.  Объяснение нового материала (10 мин): and, or, not, таблицы истинности

3.  Практика (15 мин): Программа «Доступ по возрасту и паролю»

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 10. Алгоритмическая конструкция «повторение». Цикл while Цели: Изучить цикл с предусловием while.

Ключевые понятия: while, условие цикла, тело цикла, бесконечный цикл Ход урока:

1.  Вводная беседа (5 мин): «Когда нужно повторять действия?»

2.  Объяснение нового материала (10 мин): while, синтаксис, бесконечный цикл

3.  Практика (15 мин): Сумма чисел от 1 до N

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 11. Программирование циклов с заданным числом повторений Цели: Изучить цикл for, функцию range().

Ключевые понятия: for, range(), шаг, итерация, тело цикла Ход урока:

1.  Вводная беседа (5 мин): «Как повторить действие ровно 10 раз?»

2.  Объяснение нового материала (10 мин): for, range() с параметрами

3.  Практика (15 мин): Таблица умножения, сумма квадратов

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 12. Работа со списками Python

Цели: Научить работать со списками: индексация, срезы, методы.

Ключевые понятия: Список, элемент списка, индекс, отрицательная индексация, срез, append, remove Ход урока:

1.  Вводная беседа (5 мин): «Как хранить много значений в одной переменной?»

2.  Объяснение нового материала (10 мин): Создание списка, индексация, срезы, методы

3.  Практика (15 мин): Список оценок — поиск, сортировка, добавление

4.  Закрепление (10 мин): Решение задач

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 13. Проект «Различные варианты программирования циклического алгоритма»

Цели: Сравнить циклы while и for на практике.

Ключевые понятия: while, for, выбор цикла Ход урока:

1.  Постановка (5 мин): Решить задачу двумя способами

2.  Работа (20 мин): Программирование, сравнение

3.  Обсуждение (10 мин): Когда какой цикл удобнее

4.  Защита (10 мин): Демонстрация решений

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, тест

 

Урок 14. Проект «Начала программирования на Python» Цели: Систематизировать знания по Python.

Ключевые понятия: Все понятия модуля 2

Ход урока:

1.  Подготовка (5 мин): Создание карты знаний

2.  Работа (20 мин): Карта + подготовка к проверочной работе

3.  Проверочная работа (10 мин): Тест по основам Python (см. раздел «Проверочные работы»)

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, тест

 

Модуль 3. Анализ данных: электронные таблицы, статистика, Python (13 часов)

Урок 15. Описательная статистика. Табличные данные

Цели: Познакомить с описательной статистикой и табличным представлением данных.

Ключевые понятия: Описательная статистика, среднее, медиана, мода, таблица, категориальные/числовые данные Ход урока:

1.  Вводная беседа (5 мин): «Как описать данные одним числом?»

2.  Объяснение нового материала (10 мин): Среднее, медиана, мода, дисперсия, таблицы

3.  Практика (15 мин): Расчёт статистик для набора данных в электронной таблице

4.  Закрепление (10 мин): Анализ таблицы — интерпретация статистик

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 16. Обработка данных средствами электронной таблицы Цели: Научить обрабатывать данные в электронных таблицах.

Ключевые понятия: Электронная таблица, формулы, фильтрация, сортировка, сводные таблицы

Ход урока:

1.  Вводная беседа (5 мин): Как электронные таблицы помогают анализировать данные?

2.  Объяснение нового материала (10 мин): Формулы, фильтры, сортировка, сводные таблицы

3.  Практика (15 мин): Обработка датасета в электронной таблице — фильтрация, расчёты

4.  Закрепление (10 мин): Создание сводной таблицы

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 17. Обработка данных. Первичный анализ

Цели: Провести первичный анализ данных, познакомить с визуализацией. Ключевые понятия: Первичный анализ, гистограмма, диаграмма, выбросы Ход урока:

1.  Повторение (5 мин): Статистики, электронные таблицы

2.  Объяснение нового материала (10 мин): Виды графиков, поиск выбросов, визуальный анализ

3.  Практика (15 мин): Построение графиков в электронной таблице по датасету

4.  Закрепление (10 мин): Анализ распределения, поиск аномалий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 18. Визуализация данных

Цели: Научить визуализировать данные разными способами.

Ключевые понятия: Визуализация, гистограмма, круговая диаграмма, линейный график, точечная диаграмма Ход урока:

1.  Вводная беседа (5 мин): «Какой график выбрать?»

2.  Объяснение нового материала (10 мин): Виды диаграмм, когда использовать каждый

3.  Практика (15 мин): Построение разных типов диаграмм

4.  Закрепление (10 мин): Выбор оптимальной визуализации для задачи

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 19. Статистический анализ данных. Корреляционный анализ Цели: Изучить корреляционный анализ, коэффициент корреляции.

Ключевые понятия: Корреляция, коэффициент Пирсона, сила и направление связи

Ход урока:

1.  Вводная беседа (5 мин): «Связаны ли рост и вес человека?»

2.  Объяснение нового материала (10 мин): Корреляция, коэффициент Пирсона, сила и направление связи

3.  Практика (15 мин): Расчёт корреляции для датасета в электронной таблице

4.  Закрепление (10 мин): Интерпретация коэффициента корреляции

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 20. Статистический анализ данных. Линейный регрессионный анализ Цели: Изучить линейный регрессионный анализ, линию тренда.

Ключевые понятия: Линейная регрессия, линия тренда, уравнение y = kx + b, R² Ход урока:

1.  Вводная беседа (5 мин): «Как предсказать значение по графику?»

2.  Объяснение нового материала (10 мин): Линейная регрессия, линия тренда, уравнение y = kx + b

3.  Практика (15 мин): Построение линии тренда в электронной таблице, расчёт R²

4.  Закрепление (10 мин): Интерпретация коэффициентов

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с табличным процессором, проектор, ЭЦОР

resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 21. Библиотеки Python. Библиотека Pandas

Цели: Перейти от электронных таблиц к Python — знакомство с Pandas.

Ключевые понятия: Pandas, import, Series, DataFrame, read_csv

Ход урока:

1.  Вводная беседа (5 мин): Зачем Python, если есть электронные таблицы?

2.  Объяснение нового материала (10 мин): Pandas, импорт, создание DataFrame

3.  Практика (15 мин): Загрузка датасета через read_csv, head/tail

4.  Закрепление (10 мин): Решение заданий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 22. Структуры данных в Pandas. Series и DataFrame

Цели: Изучить структуры Series и DataFrame, методы head, tail, info, describe.

Ключевые понятия: Series, DataFrame, head(), tail(), info(), describe()

Ход урока:

1.  Повторение (5 мин): Pandas — что это, как импортировать

2.  Объяснение нового материала (10 мин): Series и DataFrame, методы head, tail, info, describe

3.  Практика (15 мин): Создание DataFrame, анализ через info и describe

4.  Закрепление (10 мин): Решение заданий

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 23. Базовые операции с наборами данных

Цели: Изучить агрегирующие функции, groupby, merge.

Ключевые понятия: value_counts, unique, nunique, groupby, min(), max(), mean(), merge

Ход урока:

1.  Вводная беседа (5 мин): «Как сгруппировать данные по категориям?»

2.  Объяснение нового материала (10 мин): Groupby, агрегирующие функции, merge

3.  Практика (15 мин): Анализ датасета — groupby(), value_counts(), merge

4.  Закрепление (10 мин): Объединение таблиц

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 24. Визуализация данных на Python

Цели: Научить визуализировать данные с помощью Matplotlib и Seaborn. Ключевые понятия: Matplotlib, Seaborn, plot, hist, scatter, countplot, pairplot

Ход урока:

1.  Вводная беседа (5 мин): «Чем Python лучше электронных таблиц для визуализации?»

2.  Объяснение нового материала (10 мин): Виды графиков, Matplotlib и Seaborn

3.  Практика (15 мин): Построение графиков — hist, scatter, countplot

4.  Закрепление (10 мин): Построение pairplot

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 25. Проект «Статистический метод анализа данных» — часть 1

Цели: Провести статистический анализ датасета с использованием Python.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Постановка (5 мин): Выббор датасета, формулировка исследовательского вопроса

2.  Работа (25 мин): Загрузка, очистка, анализ, визуализация

3.  Обсуждение (10 мин): Промежуточные результаты

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, визуализация, тест

 

Урок 26. Проект «Статистический метод анализа данных» — часть 2 + «Python для Data Science»

Цели: Завершить проект, обобщить материал раздела.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Работа (15 мин): Завершение анализа, финальная визуализация

2.  Защита (10 мин): Защита проекта

3.  Обобщение (10 мин): Карта знаний, проверочная работа по разделу (см. раздел «Проверочные работы»)

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, визуализация, тест

 

Модуль 4. Этика ИИ и итоговый проект (8 часов)

Урок 27. Этика ИИ: ответственность и регулирование

Цели: Углубить понимание этических проблем ИИ, обсудить регулирование.

Ключевые понятия: Этика ИИ, ответственность, регулирование, предвзятость, прозрачность Ход урока:

1.  Вводная беседа (5 мин): «Может ли ИИ быть предвзятым?»

2.  Объяснение нового материала (10 мин): Предвзятость в данных, прозрачность алгоритмов

3.  Практика (15 мин): Кейс — ИИ-система найма сотрудников, которая дискриминирует

4.  Обсуждение (10 мин): Как сделать ИИ справедливым?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: устные ответы, кейсы, обсуждение

 

Урок 28. Дипфейки, приватность и безопасность ИИ

Цели: Обсудить проблемы дипфейков, приватности, безопасности данных.

Ключевые понятия: Дипфейк, приватность, безопасность, утечка данных, фактчекинг Ход урока:

1.  Вводная беседа (5 мин): «Можно ли подделать видео любого человека?»

2.  Объяснение нового материала (10 мин): Дипфейки, как их распознать, защита данных

3.  Практика (15 мин): Анализ дипфейка, поиск признаков подделки

4.  Обсуждение (10 мин): Как защитить свои данные от ИИ?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: устные ответы, кейсы, обсуждение

 

Урок 29. Подготовка к итоговому проекту

Цели: Выбрать тему итогового проекта, спланировать работу.

Ключевые понятия: Проект, исследование, анализ данных, визуализация

Ход урока:

1.  Обсуждение (5 мин): Темы проектов — анализ данных, визуализация, миниисследование

2.  Выбор (10 мин): Выбор темы, формирование групп

3.  Планирование (15 мин): Составление плана работы, распределение ролей

4.  Начало работы (10 мин): Поиск датасета, первые шаги

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: прогресс по проекту, планирование, самостоятельность

 

Урок 30. Работа над итоговым проектом

Цели: Самостоятельная работа над проектом.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (35 мин): Анализ данных, программирование, визуализация

2.  Консультации (5 мин): Помощь учителя по запросу

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: прогресс по проекту, планирование, самостоятельность

 

Урок 31. Работа над итоговым проектом Цели: Продолжение работы над проектом.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (35 мин): Завершение анализа, подготовка отчёта

2.  Консультации (5 мин): Помощь учителя по запросу

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: прогресс по проекту, планирование, самостоятельность

 

Урок 32. Работа над итоговым проектом Цели: Финальная доработка проекта.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (30 мин): Доработка, оформление

2.  Репетиция защиты (10 мин): Прогон защиты

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: прогресс по проекту, планирование, самостоятельность

 

Урок 33. Защита итоговых проектов — часть 1

Цели: Защитить проекты, получить обратную связь.

Ключевые понятия: Все понятия курса Ход урока:

1.  Защита (35 мин): Презентация проектов (5–7 мин на группу)

2.  Вопросы (5 мин): Вопросы от одноклассников и учителя

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: защита проекта, код, визуализация, понимание, обратная связь

 

Урок 34. Защита итоговых проектов — часть 2. Подведение итогов года Цели: Завершить защиту, подвести итоги курса.

Ключевые понятия: Все понятия курса Ход урока:

1.  Защита (20 мин): Оставшиеся проекты

2.  Оценка (10 мин): Взаимная оценка по критериям

3.  Итоги (10 мин): Что узнали за год, обратная связь

4.  Рефлексия (5 мин): Итоговая рефлексия

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: защита проекта, код, визуализация, понимание, обратная связь

 

9 КЛАСС (34 часа)

Модуль 1. Введение в машинное обучение (3 часа)

Урок 1. Понятие и виды машинного обучения

Цели: Ввести понятие машинного обучения, виды: с учителем, без учителя.

Ключевые понятия: Машинное обучение, обучение с учителем, без учителя, регрессия, классификация, кластеризация Ход урока:

1.  Вводная беседа (5 мин): «Чем машинное обучение отличается от обычного программирования?»

2.  Объяснение нового материала (10 мин): Виды МО, сферы применения, история ИИ в играх

3.  Практика (15 мин): Распределение задач по типам МО

4.  Обсуждение (10 мин): Какой вид МО для какой задачи подходит?

5.  Рефлексия (5 мин): Метод «6 шляп»

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: устные ответы, практическая работа, кейсы, лист рефлексии

 

Урок 2. Понятие и виды машинного обучения (продолжение)

Цели: Углубить понимание видов МО, отбор данных для моделей.

Ключевые понятия: Обучение с учителем, без учителя, отбор признаков, обучающая и тестовая выборки Ход урока:

1.  Повторение (5 мин): Виды МО

2.  Объяснение нового материала (10 мин): Отбор данных и признаков, обучающая и тестовая выборки

3.  Практика (15 мин): Анализ датасета, отбор признаков для будущей модели

4.  Обсуждение (10 мин): Какие признаки важны, а какие лишние?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: устные ответы, практическая работа, кейсы, лист рефлексии

 

Урок 3. Роль искусственного интеллекта в жизни человека: этика и регулирование

Цели: Обсудить этические аспекты МО, предвзятость, регулирование.

Ключевые понятия: Этика ИИ, этичное применение, ответственность, регулирование, предвзятость модели Ход урока:

1.  Вводная беседа (5 мин): «Может ли модель МО быть несправедливой?»

2.  Объяснение нового материала (10 мин): Предвзятость в данных, дискриминация через ИИ, регулирование

3.  Практика (15 мин): Кейс — кредитный скоринг, дискриминирующий по признаку

4.  Обсуждение (10 мин): Как обеспечить справедливость МО?

5.  Рефлексия (5 мин): Ответы на контрольные вопросы

Оборудование: компьютеры с Python, проектор, ЭЦОР resh.edu.ru

Оценка: устные ответы, практическая работа, кейсы, лист рефлексии

 

Модуль 2. Библиотеки машинного обучения. Регрессия (8 часов)

Урок 4. Анализ и визуализация данных на Python (повторение) Цели: Повторить Pandas, Matplotlib, подготовить данные для МО.

Ключевые понятия: Pandas, Matplotlib, чтение данных, статистические показатели, диаграммы Ход урока:

1.  Повторение (5 мин): Pandas, DataFrame, визуализация

2.  Практика (20 мин): Загрузка датасета, анализ, визуализация

3.  Подготовка (10 мин): Отбор признаков для будущей модели

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: устные ответы, практическая работа, кейсы, лист рефлексии

 

Урок 5. Библиотеки машинного обучения. Sklearn

Цели: Познакомить с библиотекой Sklearn, этапами построения модели.

Ключевые понятия: Sklearn, train_test_split, обучающая/тестовая выборка, переобучение, недообучение, кросс-валидация Ход урока:

1.  Вводная беседа (5 мин): «Как обучить модель на Python?»

2.  Объяснение нового материала (10 мин): Sklearn, этапы: данные — split — модель — fit — predict — оценка

3.  Практика (15 мин): train_test_split на реальном датасете

4.  Анализ (10 мин): Графики переобучения и недообучения

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 6. Линейная регрессия

Цели: Изучить линейную регрессию, создать модель предсказания.

Ключевые понятия: Линейная регрессия, целевая функция, линейное уравнение, гомоскедастичность Ход урока:

1.  Вводная беседа (5 мин): «Как предсказать значение по параметрам?»

2.  Объяснение нового материала (10 мин): Линейная регрессия, уравнение, создание модели на Python

3.  Практика (15 мин): Создание модели предсказания цен на квартиры через LinearRegression

4.  Закрепление (10 мин): Анализ коэффициентов модели

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 7. Нелинейные зависимости

Цели: Изучить полиномиальную регрессию, нелинейные зависимости.

Ключевые понятия: Полиномиальная регрессия, PolynomialFeatures, нелинейные функции

Ход урока:

1.  Вводная беседа (5 мин): «Что если данные не описываются прямой линией?»

2.  Объяснение нового материала (10 мин): Полиномиальное преобразование, PolynomialFeatures

3.  Практика (15 мин): Создание полиномиальной модели, построение графиков

4.  Закрепление (10 мин): Сравнение линейной и полиномиальной моделей

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 8. Линейная регрессия (практика)

Цели: Закрепить навыки создания и оценки моделей регрессии.

Ключевые понятия: Линейная регрессия, полиномиальная регрессия, метрики качества, MAE, MSE, R² Ход урока:

1.  Повторение (5 мин): Линейная и полиномиальная регрессия

2.  Практика (20 мин): Создание модели на датасете о зарплатах, оценка качества

3.  Анализ (10 мин): Сравнение метрик MAE, MSE, R²

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код моделей, метрики, лист рефлексии

 

Урок 9. Линейная регрессия (практика, продолжение)

Цели: Закрепить навыки работы с регрессионными моделями.

Ключевые понятия: Все понятия модуля 2 Ход урока:

1.  Практика (25 мин): Самостоятельное создание модели регрессии на выбранном датасете

2.  Анализ (10 мин): Оценка качества, интерпретация результатов

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код моделей, метрики, лист рефлексии

 

Урок 10. Линейная регрессия (практика, завершение) Цели: Завершить работу с регрессионными моделями.

Ключевые понятия: Все понятия модуля 2 Ход урока:

1.  Практика (25 мин): Финальная модель, визуализация, отчёт

2.  Обсуждение (10 мин): Какие модели оказались точнее?

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код моделей, метрики, лист рефлексии

 

Урок 11. Обобщение: регрессия

Цели: Систематизировать знания по регрессии.

Ключевые понятия: Все понятия модуля 2 Ход урока:

1.  Повторение (10 мин): Ключевые понятия: линейная и полиномиальная регрессия, метрики

2.  Решение задач (15 мин): Комплексные задачи на регрессию

3.  Подготовка (10 мин): Подготовка к проверочной работе

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, решение задач, лист рефлексии

 

Урок 12. Проект «Python для Data Science» (обобщение)

Цели: Систематизировать знания по анализу данных и регрессии.

Ключевые понятия: Все понятия модулей 1–2 Ход урока:

1.  Подготовка (5 мин): Карта знаний по Data Science и регрессии

2.  Работа (20 мин): Создание карты, подготовка к проверочной работе

3.  Проверочная работа (10 мин): Тест по разделу (см. раздел «Проверочные работы»)

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, Seaborn, проектор, ЭЦОР resh.edu.ru

Оценка: тест, карта знаний, понимание

 

Модуль 3. Классификация. Логистическая регрессия и деревья решений (14 часов)

Урок 13. Классификация. Логистическая регрессия. Часть 1

Цели: Изучить задачу классификации, логистическую регрессию.

Ключевые понятия: Классификация, логистическая регрессия, линейный классификатор, гиперплоскость, бинарная классификация Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ отличает спам от обычного письма?»

2.  Объяснение нового материала (10 мин): Классификация, логистическая регрессия, гиперплоскость, бинарная и мультиклассовая классификация

3.  Практика (15 мин): Создание модели логистической регрессии на простом датасете

4.  Закрепление (10 мин): Решение задач на классификацию

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 14. Классификация. Логистическая регрессия. Часть 2

Цели: Изучить метрики качества классификации, матрицу ошибок.

Ключевые понятия: Матрица ошибок, метрики качества, accuracy, precision, recall, F1

Ход урока:

1.  Повторение (5 мин): Логистическая регрессия — что это

2.  Объяснение нового материала (10 мин): Матрица ошибок, метрики accuracy,

precision, recall, F1

3.  Практика (15 мин): Оценка качества модели на датасете

4.  Закрепление (10 мин): Анализ метрик, сравнение моделей

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 15. Классификация. Логистическая регрессия. Часть 3 Цели: Закрепить навыки работы с логистической регрессией.

Ключевые понятия: Логистическая регрессия, матрица ошибок, метрики качества Ход урока:

1.  Повторение (5 мин): Метрики классификации

2.  Практика (20 мин): Создание модели классификации, оценка качества

3.  Анализ (10 мин): Интерпретация результатов, сравнение с регрессией

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 16. Классификация. Логистическая регрессия. Часть 4 Цели: Самостоятельная работа с логистической регрессией.

Ключевые понятия: Все понятия темы классификации

Ход урока:

1.  Практика (25 мин): Самостоятельное решение задачи классификации

2.  Анализ (10 мин): Оценка качества модели

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 17. Деревья решений. Часть 1

Цели: Изучить деревья решений: энтропия, формула Шеннона, критерий Джини.

Ключевые понятия: Дерево решений, корень, листья, глубина, энтропия, формула

Шеннона, вероятность, критерий Джини, атрибут разбиения Ход урока:

1.  Вводная беседа (5 мин): «Как принять решение через последовательность вопросов?»

2.  Объяснение нового материала (10 мин): Дерево решений, энтропия, формула Шеннона, критерий Джини

3.  Практика (15 мин): Построение дерева вручную для простой задачи

4.  Анализ (10 мин): Как дерево выбирает атрибут разбиения?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 18. Деревья решений. Часть 2

Цели: Изучить алгоритм построения дерева решений, создать модель на Python.

Ключевые понятия: Дерево решений, жадный алгоритм, глубина, обучение модели

Ход урока:

1.  Повторение (5 мин): Энтропия, критерий Джини

2.  Объяснение нового материала (10 мин): Алгоритм построения дерева, обучение на Python

3.  Практика (15 мин): Создание модели DecisionTreeClassifier на датасете

4.  Анализ (10 мин): Визуализация дерева, анализ глубины

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 19. Деревья решений. Часть 3

Цели: Закрепить навыки работы с деревьями решений.

Ключевые понятия: Дерево решений, переобучение, глубина, критерии остановки Ход урока:

1.  Повторение (5 мин): Построение дерева

2.  Практика (20 мин): Сравнение деревьев разной глубины, анализ переобучения

3.  Обсуждение (10 мин): Как выбрать оптимальную глубину?

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 20. Деревья решений. Часть 4

Цели: Сравнить деревья решений с логистической регрессией.

Ключевые понятия: Логистическая регрессия, деревья решений, сравнение моделей

Ход урока:

1.  Повторение (5 мин): Два метода классификации

2.  Практика (20 мин): Сравнение LogisticRegression и DecisionTreeClassifier на одном датасете

3.  Анализ (10 мин): Какие модели лучше для каких задач?

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: практическая работа, код, метрики, лист рефлексии

 

Урок 21. Проект «Решение задачи классификации». Часть 1 Цели: Начать самостоятельный проект классификации.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Постановка задачи (5 мин): Выбор датасета, формулировка задачи

2.  Анализ данных (15 мин): Загрузка, исследование, визуализация

3.  Подготовка (10 мин): Отбор признаков, разделение на train/test

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: исследование, визуализация, понимание

 

Урок 22. Проект «Решение задачи классификации». Часть 2 Цели: Создать и обучить модель классификации.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Создание модели (15 мин): Обучение LogisticRegression и DecisionTreeClassifier

2.  Оценка (15 мин): Сравнение моделей, метрики качества

3.  Оптимизация (5 мин): Выбор лучшей модели

4.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: исследование, визуализация, понимание

 

Урок 23. Проект «Решение задачи классификации». Часть 3 Цели: Завершить проект, подготовиться к защите.

Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Доработка (15 мин): Улучшение модели, финальная визуализация

2.  Оформление (15 мин): Подготовка отчёта и демонстрации

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: исследование, визуализация, понимание

 

Урок 24. Проект «Решение задачи классификации». Часть 4. Защита Цели: Защитить проект классификации. Ключевые понятия: Все понятия модуля 3 Ход урока:

1.  Защита (30 мин): Презентация проекта (5–7 мин на группу)

2.  Вопросы (5 мин): Вопросы одноклассников и учителя

Оборудование: компьютеры с Python, Sklearn, Pandas, Matplotlib, проектор, ЭЦОР resh.edu.ru

Оценка: защита проекта, код, метрики, понимание

 

Модуль 4. Итоговый проект и профориентация (9 часов)

Урок 25. Профессии будущего: где нужен ИИ и МО

Цели: Познакомить с профессиями, связанными с ИИ и анализом данных.

Ключевые понятия: Специалист по данным, ML-инженер, аналитик данных, профессии будущего Ход урока:

1.  Вводная беседа (5 мин): «Кто работает с ИИ?»

2.  Объяснение нового материала (10 мин): Профессии — специалист по данным, ML-инженер, аналитик, разработчик

3.  Практика (15 мин): Исследование профессий — какие навыки нужны, какие задачи решают

4.  Обсуждение (10 мин): Какая профессия интересна вам?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 26. ИИ-сервисы для генерации текстов

Цели: Познакомить с ИИ-сервисами для работы с текстом, промпт-инжиниринг.

Ключевые понятия: Генеративный ИИ, промпт, промпт-инжиниринг, языковая модель

Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ пишет тексты?»

2.  Объяснение нового материала (10 мин): Принцип работы языковых моделей, промпт-инжиниринг

3.  Практика (15 мин): Создание текстов с помощью отечественного ИИ-сервиса

4.  Обсуждение (10 мин): Как писать хороший промпт?

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 27. ИИ-сервисы для генерации изображений

Цели: Познакомить с генерацией изображений через ИИ.

Ключевые понятия: Генерация изображений, промпт, диффузионные модели Ход урока:

1.  Вводная беседа (5 мин): «Как ИИ рисует картинки?»

2.  Объяснение нового материала (10 мин): Принцип генерации, диффузионные модели

3.  Практика (15 мин): Генерация изображений на отечественном сервисе

4.  Обсуждение (10 мин): Этика генерации — авторские права, дипфейки

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: устные ответы, практическая работа, обсуждение

 

Урок 28. Итоговый проект: выбор темы и планирование

Цели: Выбрать тему итогового проекта, спланировать работу.

Ключевые понятия: Проект, МО, анализ данных, визуализация Ход урока:

1.  Обсуждение (5 мин): Темы — модель МО, исследование данных, ИИприложение

2.  Выбор (10 мин): Выбор темы, формирование групп

3.  Планирование (15 мин): План работы, распределение ролей

4.  Начало (10 мин): Поиск данных, первые шаги

5.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: планирование, самостоятельность, выбор темы

 

Урок 29. Итоговый проект: работа — часть 1

Цели: Самостоятельная работа над итоговым проектом.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (35 мин): Анализ данных, программирование, создание модели

2.  Консультации (5 мин): Помощь учителя по запросу

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: прогресс по проекту, самостоятельность

 

Урок 30. Итоговый проект: работа — часть 2

Цели: Продолжение работы над итоговым проектом.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (35 мин): Создание и обучение модели, оценка качества

2.  Консультации (5 мин): Помощь учителя по запросу

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: прогресс по проекту, самостоятельность

 

Урок 31. Итоговый проект: работа — часть 3

Цели: Продолжение работы над итоговым проектом.

Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (35 мин): Визуализация результатов, оформление

2.  Консультации (5 мин): Помощь учителя по запросу

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: прогресс по проекту, самостоятельность

 

Урок 32. Итоговый проект: работа — часть 4

Цели: Финальная доработка проекта. Ключевые понятия: Все понятия курса Ход урока:

1.  Работа (30 мин): Доработка, оформление отчёта

2.  Репетиция защиты (10 мин): Прогон защиты

3.  Рефлексия (5 мин): Лист рефлексии

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: прогресс по проекту, самостоятельность

 

Урок 33. Итоговый проект: защита — часть 1 Цели: Защитить итоговые проекты. Ключевые понятия: Все понятия курса Ход урока:

1.  Защита (35 мин): Презентация (7–10 мин на группу)

2.  Вопросы (5 мин): Вопросы от одноклассников и учителя

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: защита проекта, код, модель, понимание, обратная связь

 

Урок 34. Итоговый проект: защита — часть 2. Подведение итогов курса Цели: Завершить защиту, подвести итоги всего курса 5–9 классов.

Ключевые понятия: Все понятия курса

Ход урока:

1.  Защита (20 мин): Оставшиеся проекты

2.  Оценка (10 мин): Взаимная оценка по критериям

3.  Итоги (10 мин): Что мы узнали за 5 лет, обратная связь

4.  Рефлексия (5 мин): Финальная рефлексия

Оборудование: компьютеры с Python, проектор, доступ в интернет, ИИ-сервисы

Оценка: защита проекта, код, модель, понимание, обратная связь