高中信息技术选择性必修《使用K-均值算法进行聚类》教学设计.docxVIP

高中信息技术选择性必修《使用K均值算法进行聚类》教学设计

一、教材与学情分析

本节内容选自人教中图版（2019）高中信息技术选择性必修4《人工智能初步》第二章机器学习初步的第四节。教材在前面三节中分别介绍了人工智能的基本概念、机器学习的基本流程以及监督学习中的分类方法，学生已经初步建立了数据—模型—预测这一机器学习的基本认知框架。K均值算法是学生接触的第一个无监督学习算法，它不需要人工标注的类别标签，而是让数据自己说话，通过迭代计算把相似的数据对象聚合为一类。这一节承担着承前启后的任务：向前，它是对有标签学习认知的突破；向后，它为后续学习神经网络、深度学习中的特征提取奠定思想基础。

授课对象为高二年级选修人工智能模块的学生。从知识储备看，学生已经掌握Python的基本语法，能够使用NumPy数组进行简单运算，多数学生借助图形化界面操作过分类任务，对训练集测试集等术语不陌生。从认知特点看，高二学生的抽象逻辑思维迅速发展，但对迭代收敛这类动态过程的理解仍需要直观支撑；他们对聚类存在朴素的经验认识，比如知道物以类聚、超市货架按品类摆放，却很难把这种经验上升为可计算的算法描述。从困难点预测来看，学生容易在三处遇到障碍：一是距离的数学化表达，即为何用欧氏距离度量数据对象的相似程度；二是迭代的机制，即簇中心为何会移动并最终稳定；三是初始中心选择的随机性对聚类结果的影响，即同一算法为何可能产生不