34. Рабочая программа учебного предмета «Основы искусственного интеллекта»

Приложение
к основной образовательной
программе среднего общего образования
МАОУ СОШ № 18

РАБОЧАЯ ПРОГРАММА
учебного предмета «Основы искусственного интеллекта»
для обучающихся 10-11 классов

Екатеринбург
2026

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
Курс «Искусственный интеллект (углубленный уровень)» для средней
школы является углубленным в общей программе «Искусственный
интеллект»

для

общеобразовательных

школ

предназначен

для

преподавания в 10-11 классах.
Этот курс продолжает формирование знаний обучающихся старших
классов о системах искусственного интеллекта как одной из наиболее
перспективной и развивающейся областей научного и технологического
знания. Искусственный интеллект – стратегически важное направление,
которое в Национальной программе «Цифровая экономика Российской
Федерации» обозначено в качестве одной из сквозных цифровых технологий,
обеспечивающих ускоренное развитие приоритетных отраслей экономики и
социальной сферы. Принятая в 2019 г. Национальная стратегия развития
искусственного интеллекта ставит задачи совершенствования системы
подготовки кадров в этом направлении, а также разработки и внедрения
модулей по искусственному интеллекту в образовательные программы всех
уровней, включая среднее общее образование. На решение данной задачи и
направлен настоящий курс.
Структурно курс «Искусственный интеллект (углубленный уровень)»
включает три взаимосвязанных модуля (раздела): Нейросети. Введение;
Анализ данных на Python и Машинное обучение. Первый модуль (раздел)
«Нейросети. Введение» является новым, включенным только в эту
программу углубленного изучения основ систем искусственного интеллекта.
Этот

модуль

(раздел),

ориентирован

на

знакомство

учащихся

развивающимся направлением ИТ-индустрии — нейронные сети. Второй
модуль (раздел) «Анализ данных на Python» связан с актуализацией и
дальнейшим развитием знаний и умений по анализу данных на Python.
Сформированные у обучающихся знания и умения по этому модулю
(разделу) будут использованы при изучении третьего модуля (раздела)
«Машинное обучение». Освоение этого модуля (раздела) направлено на
ООП СОО МАОУ СОШ № 18

развитие

представлений

искусственного

интеллекта,

многообразии
их

подходов

возможностях

разработке

ограничениях;

на

формирование знаний о машинном обучении и умений проектирования и
реализации модели машинного обучения на Python. При изучении второго и
третьего модулей (разделов) учащиеся не только узнают о специфике
основных задач машинного обучения, но и научатся выявлять и
формулировать данные задачи в соответствии с реальными потребностями в
различных сферах жизни человека. Этому будет способствовать решение
практико-ориентированных задач, в том числе и непосредственно связанных
со школьной жизнью, с изучением других учебных дисциплин. В ходе
освоения учебного материала курса у учащихся формируется устойчивый
интерес к системам искусственного интеллекта и закладывается база для
продолжения их изучения в рамках внеурочной деятельности или
дополнительного образования, или самообразования в этом направлении,
например,

самостоятельного

освоения

курса

использованием

образовательных онлайн ресурсов. Этот курс также будет способствовать
осознанному выбору учащимися направлений дальнейшего обучения и
профессиональной деятельности, связанных с цифровыми технологиями и
искусственным интеллектом.
Курс «Искусственный интеллект (углубленный уровень)» носит
междисциплинарный и комплексный характер. С одной стороны, в нем
синтезируются знания и умения учащихся, полученные ранее на уроках
математики, информатики, физики, биологии (решение задач с физическим и/
или биологическим содержанием). С другой стороны, в структуре этого курса
отчетливо выделяются и теоретическая и практическая составляющие.
Учащиеся знакомятся с областями применения и базовыми понятиями курса,
а в ходе дидактических игр и выполнения практических и проектных заданий
получают опыт активной, творческой индивидуальной, групповой и
коллективной деятельности по осмыслению ключевых задач машинного
обучения и основных подходов в применении машинного обучения для
ООП СОО МАОУ СОШ № 18

создания интеллектуальных систем.
Цели и задачи курса «Искусственный интеллект (углубленный
уровень)» в старшей школе. Целью изучения курса «Искусственный
интеллект

(углубленный

уровень)»

является

развитие

учащихся

устойчивого интереса к освоению данной области знаний и формирование
базовых знаний о науке о данных и машинном обучении, а также о
многообразии сфер их применения. Задачи курса: развитие представлений о
многообразии подходов в разработке искусственного интеллекта, их
возможностях и ограничениях; формирование знаний о современных
перспективных направлениях и о различных подходах моделирования
интеллектуальной деятельности; о нейронных сетях и решении задач с их
использованием; о машинном обучении и сферах его применения; развитие у
учащихся умений проектирования и реализации модели машинного обучения
на Python, коммуникационных умений и навыков работы в команде, умений
самостоятельной работы и организационной культуры.
Целевая аудитория. Учащиеся 10-11 классов общеобразовательных
школ.
Место курса «Искусственный интеллект» (углубленный) в учебном
плане. Курс
«Искусственный

интеллект

(углубленный

уровень)»

может

проводиться в качестве факультативного курса или кружка. Возможно
отдельные разделы изучать на уроках информатики, переработав рабочую
программу по этому учебному предмету, а часть тем или модулей (разделов)
включить во внеурочную деятельность. Например, уроки по второму модулю
(разделу) (Анализ данных на Python) могут быть встроены в урочную
деятельность,

если

сохраняется

преемственность

линии

языка

программирования Python с курсом по искусственному интеллекту для
основной школы, а первый (Нейросети. Введение) и третий (Машинное
обучение) модулю (разделы) могут быть перенесены на внеурочную
деятельность. В зависимости от возможностей организации внеурочная
деятельность может осуществляться по различным схемам, в том числе
ООП СОО МАОУ СОШ № 18

непосредственно в одной образовательной организации или совместно с
другими

образовательными

организациями

и/или

учреждениями

дополнительного образования детей.
Ценностные ориентиры содержания курса «Искусственный
интеллект (углубленный уровень)»
Технологии искусственного интеллекта прочно вошли в нашу жизнь и
очевидно, что с течением времени степень этого проникновения будет лишь
увеличиваться. Использование интернет-поиска, голосовых помощников,
сервисов распознавания изображений, онлайн игр является частью нашей
повсеместной действительности. Задача состоит в том, чтобы помочь
учащемуся занять по отношению к этим технологиям позицию не пассивного
пользователя, а активного творца и создателя, понимающего суть технологий
искусственного интеллекта и способного создавать свои, оригинальные
решения. Очевидно, что уже в ближайшем будущем от того, насколько
грамотно выпускник школы сможет конструировать собственную среду
жизни и профессиональной деятельности, в том числе, интегрируя в нее
технологии искусственного интеллекта, будет зависеть его успешность и
конкурентоспособность. Поэтому столь важно освоение технологий
искусственного интеллекта, хотя бы и на базовом уровне.
Курс «Искусственный интеллект (углубленный уровень)»» органично
интегрируется с предметами, которые изучаются учащимися старшей школы.
Естественным образом выглядит интеграция с учебными предметами
«Математика» и «Информатика». Развитие логического и алгоритмического
мышления, осуществляемое на уроках по этим дисциплинам, служит задаче
формирования прочной базы, на которой в дальнейшем может происходить
становление специалиста по искусственному интеллекту.

ООП СОО МАОУ СОШ № 18

Планируемые результаты освоения учебного курса
Преподавание

курса

«Искусственный

интеллект

(углубленный

уровень)» направлено на достижение трех групп результатов - личностных,
метапредметных и предметных.
1-я группа:

1.1.

Формирование

учащегося

мировоззрения,

личностные

соответствующего современному уровню развития науки и

результаты

общества.
1.2. Формирование у учащегося интереса к достижениям науки
и технологии в области искусственного интеллекта
1.3. Формирование у учащегося установки на осмысленное и
безопасное взаимодействие с технологиями и устройствами,
реализованными

на

основе

Приобретение

опыта

принципов

искусственного

интеллекта.
1.4.

творческой

деятельности,

опирающейся на использование современных информационных
технологий, в том числе искусственного интеллекта.
1.5. Формирование у учащегося установки на сотрудничество и
командную

работу

при

решении

проблемных и изобретательских задач.

ООП СОО МАОУ СОШ № 18

исследовательских,

2-я

группа: Познавательные УУД:

метапредметные

2.1.

Умение работать с информацией, анализировать и

результаты

структурировать полученные знания и синтезировать новые,
устанавливать причинно-следственные связи.
2.2. Умения объяснять явления, процессы, связи и отношения,
выявляемые в ходе познавательной и исследовательской
деятельности.
2.3. Умение делать выводы на основе критического анализа
разных

точек

зрения,

подтверждать

их

собственной

аргументацией или самостоятельно полученными данными.
2.4. Умение анализировать/рефлексировать опыт исследования
(теоретического, эмпирического) на основе предложенной
ситуации, поставленной цели;
2.5.

Умение строить рассуждение на основе сравнения

предметов и явлений.
Регулятивные УУД:
2.6. Умение обосновывать целевые ориентиры и приоритеты
ссылками на ценности, указывая и обосновывая логику.

ООП СОО МАОУ СОШ № 18

2.7. Умение планировать необходимые действия в соответствии с
учебной и познавательной задачей и составлять алгоритм их
выполнения.
2.8. Умение описывать свой опыт, оформляя его для передачи
другим людям в виде технологии решения практических задач
определенного класса.
2.9.

Умение

выбирать

самостоятельно

искать

из

предложенных

средства/ресурсы

вариантов
для

решения

задачи/достижения цели в ходе исследовательской деятельности.
2.10. Умение принимать решение в игровой и учебной ситуации и
нести за него ответственность.
Коммуникативные УУД
2.11. Умение взаимодействовать в команде, умением вступать в
диалог и вести его.
2.12 Умение соблюдать нормы публичной речи,
регламент

монологе

дискуссии

соответствии

коммуникативной задачей.
2.13. Умение определять свои действия и действия партнеров для
продуктивной коммуникации.
Умение приходить к консенсусу в дискуссии или

2.14.

командной работе.

3-я группа.

3.1.

Иметь представление о современных и перспективных

Предметные

направлениях моделирования интеллектуальной деятельности и о

результаты

различных

подходах

моделированию

интеллектуальной

деятельности.
3.2.

Уметь приводить примеры решения различных задач с

использованием нейронных сетей.
3.3. Иметь представление о науке о данных.
3.4. Уметь выполнять первичный анализ данных на Python с
использованием

библиотек

Pandas,

Matplotlib,

NumPy,

визуализировать данные, искать в данных закономерности, решать
практические и исследовательские задачи по анализу данных.

ООП СОО МАОУ СОШ № 18

3.5.

Иметь представления о многообразии подходов в

разработке искусственного интеллекта, их возможностях и
ограничениях; о машинном обучении и сферах его применения
3.6. Уметь объяснять разницу между машинным обучением с
учителем и без учителя.
3.7.

Выявлять и формулировать задачи машинного обучения

для различных сфер жизни человека и в соответствии с
реальными потребностями
3.7. Иметь представления о недообученных и переобученных
моделях машинного обучения, уметь выявлять проблемы по
характерным

признакам

знать

способы

борьбы

переобучением и недообучением моделей.
3.8.

Иметь представления о сущности работы модели

логистической регрессии и возможностях ее применения для
классификации объектов; об использовании деревьев решений в
машинном обучении.
3.9. Уметь создавать модели линейной регрессии на Python с
помощью библиотек pandas, numpy и sklearn
3.10. Уметь проектировать и реализовывать модели машинного
обучения на Python с помощью инструментов библиотеки sklearn

ООП СОО МАОУ СОШ № 18

Поурочное планирование
№ п.п.

Количество часов
Общее
Теория

Название раздела/темы

Практика

Анализ данных на Python
Наука о данных. Структуры
данных
Работа со списками Python

21
1

9.0
0,5

16,0
0,5

0,5

1.5.

Работа
с
таблицами
и
подготовка данных
Библиотеки Python. Библиотека
Pandas
Структуры данных в Pandas

0,5

1.6.

Структура данных Dataframe

0,5

1.7.

Доступ
к
данным
в
структурах Pandas
Работа с пропусками в данных

0,5

1.11.

Работа со структурами данных
в Pandas
Операции
над
данными.
Арифметические и логические
операции
Статистические данные

0,5

1.12.

Описательная статистика

0,5

1.13.

0,5

1.14.

Библиотека
визуализации
данных
Построение графиков

0,5

1.15.

Построение диаграмм

0,5

1.16.

Настройка
внешнего
диаграмм
Библиотека NumPy

1.
1.1.
1.2.
1.3.
1.4.

1.8.
1.9.
1.10.

1.17.

вида

1
1

1
0,5

0,5

1.21.

Проект
«Исследование
данных». Часть 1
Проект
«Исследование
данных». Часть 2
Обобщение и систематизация
основных
понятий
темы
«Анализ
данных
с
использованием Python»
Итоговая контрольная работа

Машинное обучение

1.18.
1.19.
1.20.

ООП СОО МАОУ СОШ № 18

6,5

Понятие и виды машинного
обучения
Анализ и визуализация данных

0,5

2.4.

Библиотеки
машинного
обучения
Линейная регрессия

0,5

2.5.

Нелинейные зависимости

0,5

2.6.

0,5

2.7.

Классификация. Логистическая
регрессия
Деревья решений. Часть 1

2.8.

Случайный лес

0,5

2.9.

Кластеризация

0,5

2.10.

Проект. Представление проекта

2.11

2.12.

Проект «Основы машинного
обучения»
Итоговая проектная работа

3.
3.1.

Нейросети. Введение
Введение в нейросети

2
1

3.2.

Проект

ИТОГО

2.1.
2.2.
2.3.

ООП СОО МАОУ СОШ № 18

1,0
1

16,5

17,5

СОДЕРЖАНИЕ
Модуль (раздел) 1. Анализ данных на Python
Тема 1.1. Наука о данных. Структуры данных. Данные, наука о данных,
открытые данные, источники данных, структуры данных (стек, массив,
очередь, хэш-таблица).
Тема 1.2. Работа со списками Python. Структуры данных, списки,
список, элемент списка, индекс, отрицательная индексация.
Тема 1.3. Работа с таблицами и подготовка данных. Списки в Python,
операции над списками, основные методы для работы со списками. Работа с
табличными данными. Функции мин(), макс() и срзнач() в Excel, поиск,
очистка, преобразование, организация и сбор данных.
Тема 1.4. Библиотеки Python. Библиотека Pandas. Поиск, очистка,
преобразование, организация и сбор данных. Библиотека языка
программирования, библиотеки Python, библиотека Pandas, импорт
библиотек.
Тема 1.5. Структуры данных в Pandas. Поиск, очистка, преобразование,
организация и сбор данных, структуры данных в Pandas. Структура данных
Series.
Тема 1.6. Структура данных Dataframe. Структура данных DataFrame,
словарь, список, функция read_csv, методы head и tail.
Тема 1.7. Доступ к данным в структурах Pandas. DataFrame, функция
display(), методы loc и iloc. Вывод данных по меткам и срезам меток,
индексам и срезам индексов в Series. Вывод данных по атрибутам, срезам
меток и логическим условиям в DataFrame
Тема 1.8. Работа с пропусками в данных. Простая фильтрация, функция
query, логические условия. Пропуски данных, методы dropna, fillna.
Тема 1.9. Работа со структурами данных в Pandas. 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.
Тема 1.10. Операции над данными. Арифметические и логические
операции. Простейшие арифметические операторы, логические операторы,
операции над столбцами датафрейма, присоединении серии к датафрейму;
функции query, str.match, str.contain.
Тема 1.11. Статистические данные. Метод describe, числовые и
категориальные показатели. Минимальное, максимальное и среднее
арифметическое значения, квартили и стандартное отклонение.
Тема 1.12. Описательная статистика. Методы info, describe, min, max,
mean. Условия фильтрации данных. Статистика по категориальным
параметрам, фильтрация данных, статистические методы.
Тема 1.13. Библиотека визуализации данных. Визуализация данных,
преимущества диаграмм и графиков. Виды диаграмм. Библиотеки Pandas,
ООП СОО МАОУ СОШ № 18

Matplotlib, Seaborn и построение графиков и диаграмм с помощью этих
библиотек. Методы plot, hist, scatter, joinplot, pairplot, countplot.
Тема 1.14. Построение графиков. Типы сравнений и типы диаграмм,
правила оформления диаграмм. Методы библиотеки Pandas для настройки
внешнего вида графиков. Методы библиотеки Matplotlib для построения и
настройки внешнего вида графиков.
Тема 1.15. Построение диаграмм. Методы hist и scatter, принципы
построения столбчатых диаграмм. Функция pivot_table, метод bar и его
параметры.
Тема 1.16. Настройка внешнего вида диаграмм. Методы и параметры
для настройки внешнего вида гистограмм, столбчатых и точечных диаграмм.
Тема 1.17. Библиотека NumPy. Библиотека NumPy, массив. Массив в
NumPy, характеристики массивов, их отличие от известных ранее структур
данных, размерность массива, тип данных, доступ к элементам массива.
Работа с массивами NumPy: создание, вывод элементов массива, операции
над массивами.
Тема 1.18. Проект «Исследование данных». Часть 1. Основные понятия
темы «Python для Data Science». Выполнение практической работы по
исследованию данных в блокноте Jupyter Notebook.
Тема 1.19. Проект «Исследование данных». Часть 2. Основные понятия
темы «Python для Data Science». Выполнение и презентация проекта
«Исследование данных».
Тема 1.20. Обобщение и систематизация основных понятий темы
«Анализ данных с использованием Python». Series, DataFrame,
статистические методы, работа с NumPy. Понятия, изученные в модуле
(разделе) «Анализ данных на Python».
Тема 1.21. Итоговая контрольная работа. Основные понятия модуля
(раздела) «Анализ данных на Python». Выполнение контрольной работы.
Модуль (раздел) 2. Машинное обучение
Тема 2.1. 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.
Тема 2.2. Анализ и визуализация данных. Машинное обучение с
учителем, машинное обучение без учителя, задача регрессии, задача
классификации, задача кластеризации. Библиотеки pandas и matplotlib,
чтение табличных данных, статистические показатели, построение диаграмм.
Тема 2.3. 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
классификации. Тестовая и тренировочная выборка. Переобучение,
недообучение, оптимальная модель, кросс-валидация. Библиотека sklearn,
этапы построения модели машинного обучения на Python.
ООП СОО МАОУ СОШ № 18

Тема 2.4. Линейная регрессия. Понятие линейной регрессии, целевая
функция, линейное уравнение, гомоскедастичность данных. Этапы создания
модели машинного обучения, подбор коэффициентов линейного уравнения.
Тема 2.5. Нелинейные зависимости. Создание, обучение и оценка
модели линейной регрессии, визуализация данных на Python. Нелинейный
функции, графики функций. Полиномиальное преобразование линейной
регрессии.
Тема 2.6. Классификация. Логистическая регрессия. 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. Матрица ошибок, метрики качества логистической
регрессии, модель логистической регрессии на Python.
Тема 2.7. Деревья решений. Часть 1. Матрица ошибок, метрики
качества логистической регрессии, модель логистической регрессии на
Python.
Тема 2.8. Случайный лес. Дерево решений, атрибуты, эффективность
разбиения, глубина дерева, идея алгоритма случайного леса, принцип
мудрости толпы, случайный лес для решения задачи классификации и
регрессии.
Тема 2.9. Кластеризация. Машинное обучение без учителя,
классификация, кластеризация, алгоритм k-средних, центроид, расстояние
между точками.
Тема 2.10. Проект. Представление проекта. 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.
Тема 2.11. Проект «Основы машинного обучения» (обобщение и
систематизация основных понятий темы). Понятие и виды машинного
обучения, линейная регрессия, логистическая регрессия, деревья решений,
случайный лес, кластеризация. Понятия, изученные в модуле (разделе)
«Машинное обучение».
Тема 2.12. Итоговая проектная работа. Понятия, изученные в модуле
(разделе) «Машинное обучение». Выполнение и представление проекта.
Модуль (раздел) 3. Введение в нейросети.
Тема 3.1. Введение в нейросети. Искусственный нейрон,
информационная модель искусственного нейрона, межнейронные связи,
нейронная сеть, структурный подход к моделированию нейронных сетей,
нейрокомпьютер, персептрон, генетический алгоритм, эволюционный
подход к моделированию нейронных сетей, квазибиологический подход к
моделированию нейронных сетей, молекулярный компьютер.
Тема 3.2. Проект. Нейронные сети, структурный подход к обучению
нейросетей, моделирование двухслойной нейросети
ООП СОО МАОУ СОШ № 18

Тематическое планирование с определением основных видов
учебной деятельности
Наименование Краткое содержание Виды учебной
темы
деятельности
1.
1.1.

1.2.

Наука о данных.
Структуры
данных

Анализ данных на Python
данные, наука о
Аналитическая:
анализ
данных, открытые
трактовок понятия «наука о
данные, источники
данных»;
поиск ответов на
данных, структуры
проблемные вопросы учителя
данных (стек, массив,
Коммуникационная:
очередь, хэш-таблица)
обсуждение трактовок понятия
«наука о данных», ответы на
вопросы учителя, в том числе
проблемные.
Практическая:
работа
в
микрогруппах на 1 этапе урока
(выполнение
задания
на

Работа
со структуры данных,
списки, список, элемент
списками Python
списка, индекс,
отрицательная
индексация

ООП СОО МАОУ СОШ № 18

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)
Коммуникационная: ответы на
вопросы учителя, участие в
групповом обсуждении при
выполнении заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока

с списки в Python,
и операции над списками,
основные методы для
работы со списками,
работа с табличными
данными, функции
мин(), макс() и срзнач() в
Excel, поиск, очистка,
преобразование,
организация и сбор
данных

1.3.

Работа
таблицами
подготовка
данных

1.4.

поиск,
очистка,
Библиотеки
преобразование,
Python.
и
сбор
Библиотека Pandas организация
данных,
библиотека
языка
программирования,
библиотеки
Python,
библиотека
Pandas,
импорт библиотек

1.5.

Структуры
данных в Pandas

поиск,
очистка,
преобразование,
организация
и
сбор
данных,
структуры
данных
в
Pandas,
структура данных Series

ООП СОО МАОУ СОШ № 18

Аналитическая:
анализ
проблемных ситуаций, поиск
ответов на проблемные вопросы,
выполнение задания на анализ
данных с помощью функций
Excel;
анализ
результатов
выполнения
заданий в Excel
Практическая:
выполнение
практической
работы
Excel
Коммуникационная: ответы на
вопросы учителя, участие в
групповом обсуждении при
выполнении заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая: поиск ответов на
проблемные вопросы (например,
провести аналогию библиотека
языка
программирования с обычной
библиотекой), составления плана
действий по изучению и анализу
данных
Практическая:
выполнение
практической работы
Коммуникационная: 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
Коммуникационная: ответы на
вопросы учителя, участие в
групповом
обсуждении при
выполнении заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока

1.6.

Структура
данных Datafram
e

структура
данных
DataFrame,
словарь,
список,
функция
read_csv, методы head и
tail

Экспертная:
поиск
и
обсуждение
ошибок
по
результатам
выполнения
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)

1.7.

Коммуникационная: ответы. на
вопросы учителя, участие во
фронтальной беседе
и
групповом обсуждении при
выполнении заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока
DataFrame,
функция
Аналитическая
при выполнении
Доступ к данным в
заданий
структурах Panda display(), методы loc и
iloc;
вывод
данных
по
Практическая
при выполнении
s
меткам и срезам меток,
всех заданий (индивидуально и в
индексам и срезам
микрогруппах), при выполнении
индексов в Series;
практичской
вывод
данных
по работы.
атрибутам, срезам меток и Коммуникационная: ответы на
логическим условиям в
вопросы учителя, участие во
DataFrame

1.8.

Работа
пропусками
данных

фильтрация,
с простая
query,
в функция
логические
условия;
пропуски
данных,
методы dropna, fillna

ООП СОО МАОУ СОШ № 18

фронтальном опросе и групповом
обсуждении при выполнении
заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая при выполнении
заданий и ответов на проблемные
вопросы.
Практическая при выполнении
заданий в парах.
Коммуникационная: участие во
фронтальной
беседе
по
обсуждению
домашнего
задания
(модель
урока
–
перевернутое обучение).
Рефлексивная: заполнение листа
рефлексии в конце урока

1.9.

Работа
со информация о данных,
методы info и describe,
структурами
числовые и
данных в Pandas
категориальные признаки,
агрегирующие функции:
value_counts, unique,
nunique, groupby методы
min(), max() и
mean();объединение
таблиц
с
помощью
метода merge, параметры
on и how

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
исследовательских
практических работ.
Коммуникационная: участие во
фронтальной
беседе
по
обсуждению
домашнего
задания
(модель урока –
перевернутое обучение).
Рефлексивная: заполнение листа
рефлексии в конце урока

1.10.

Операции
над
данными.
Арифметические и
логические
операции

простейшие
арифметические
операторы,
логические
операторы, операции над
столбцами
датафрейма,
присоединении серии к
датафрейму;
функции
query,
str.match,
str.contain

Аналитическая:
при
выполнении заданий и ответов на
уточняющие
и
проблемные
вопросы
учителя
при
выполнении
заданий,
при
выполнении
заданий
на
логические
операции
при
фильтрации данных
Практическая: при выполнении
заданий
на
повторение
арифметических и логических
операторов в Python; при
выполнении заданий с новой
переменной
sum;
при
выполнении
заданий
на
логические операции с данными.
Коммуникационная: участие во
фронтальном обсуждении.
Рефлексивная: заполнение листа
рефлексии в конце урока

ООП СОО МАОУ СОШ № 18

1.11.

Статистические
данные

метод describe, числовые и
категориальные
показатели;
минимальное,
максимальное и среднее
арифметическое значения,
квартили и
стандартное отклонение

1.12.

Описательная
статистика

методы info, describe, min,
max,
mean,
условия
фильтрации
данных,
статистика
по
категориальным
параметрам, фильтрация
данных, статистические
методы

1.13.

Библиотека
визуализации
данных

визуализация
данных,
преимущества диаграмм и
графиков; виды диаграмм;
библиотеки
Pandas,
Matplotlib,
Seaborn и построение
графиков и диаграмм с
помощью
этих
библиотек, методы plot,
hist,
scatter,
joinplot,
pairplot, countplot.

Аналитическая при освоении
способов
вычисления
различных
статистических
показателей и закреплении через
выполнение
заданий;
при
сравнении
статистических
показателей (на примере).
Практическая при выполнении
заданий на вычисление медианы,
стандартного
отклонения и квартили.
Коммуникационная: участие во
фронтальном обсуждении.
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.
Коммуникационная: 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 (1 этап урока); при
выполнении
практической
работы (2 этап урока)
Коммуникационная: ответы на
вопросы учителя, фронтальное
обсуждение и обсуждение в
малых группах
Рефлексивная: заполнение листа
рефлексии в конце урока

ООП СОО МАОУ СОШ № 18

1.14.

Построение
графиков

типы сравнений и типы
диаграмм,
правила
оформления
диаграмм;
методы
библиотеки
Pandas для настройки
внешнего вида графиков;
методы
библиотеки
Matplotlib
для
построения и настройки
внешнего вида графиков

1.15.

Построение
диаграмм

методы hist и scatter,
принципы
построения
столбчатых
диаграмм,
функция pivot_table, метод
bar и его параметры

1.16.

Настройка
внешнего
диаграмм

методы и параметры для
вида настройки внешнего вида,
гистограмм,
столбчатых и точечных
диаграмм

ООП СОО МАОУ СОШ № 18

Аналитическая при выполнении
заданий на построение графиков
с
помощью
инструментов
библиотеки Pandas (этап 2 урока)
и библиотеки Matplotlib (этап 3
урока).
Практическая при выполнении
заданий на построение графиков
с
помощью
инструментов
библиотеки
Pandas
и
библиотеки Matplotlib.
Коммуникационная: участие во
фронтальном
обсуждении
домашнего задания и правил
построения графиков (1 этап
урока), выполненных заданий на
2 и 3 этапах урока.
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая:
выполнение
заданий
на
построение
в
Matplotlib диаграмм; на выбор
вида столбчатой диаграммы для
лучшей визуализации данных
Практическая:
выполнение
заданий
и
самостоятельной
практической
работы
на
построение
столбчатых
диаграмм
Коммуникационная:
при
обсуждении домашнего задания
(целесообразность построения
столбчатых диаграмм, виды
столбчатых
диаграмм,
последовательность шагов по
построению
столбчатых
диаграмм); при ответах на
уточняющие вопросы учителя
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая:
при
самостоятельном или в парах
выполнении
практических
заданий
по
оформлению
диаграмм.
Практическая:
самостоятельная или в парах
выполнение
практических
заданий
по
оформлению
диаграмм.

1.17.

1.181.19

1.20.

Библиотека
NumPy (4)

библиотека
NumPy,
массив; массив в NumPy,
характеристики массивов,
их отличие от известных
ранее
структур
данных,
размерность массива, тип
данных,
доступ
к
элементам массива;
работа
с
массивами
NumPy: создание, вывод
элементов
массива,
операции над массивами

Коммуникационная:
при
обсуждении домашнего задания
(работа в парах)
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая: при выделении и
формулировании
различий
между массивами, сериями и
датафреймами; при выполнении
проблемных
заданий;
при
выполнении заданий итоговой
контрольной работы по теме
библиотека NumPy.
Практическая при выполнении
теста (1 этап 4 урока); при
выполнении
практических
заданий на создание массивов в
Python,
при
выполнении
контрольной работы по теме
библиотека NumPy.
Коммуникационная:
при
обсуждении домашнего задания
(работа в парах); при выполнении
заданий в малых группах, при
участии в обсуждении, при
ответах на вопросы учителя
Рефлексивная: заполнение листа
рефлексии в конце урока

Основные понятия темы Аналитическая при выполнении
«Python для Data Science» заданий
по
исследованию
данных (выполнение проекта в
малых группах).
Практическая при выполнении
проекта.
Коммуникативная:
при
обсуждении
домашнего
задания,
при
выполнении
проекта в малых группах
Рефлексивная: заполнение листа
рефлексии в конце урока
Series,
DataFrame,
Аналитическая:
при создании
Обобщение
и
статистические методы, синквейнов и визуальной карты
систематизация
(обобщение,
основных понятий работа с NumPy; понятия, знаний
в
курсе систематизация)
темы изученные
«Анализ
данных»
Практическая при создании
«Анализ данных с
синквейнов и визуальной карты
использованием
знаний.
Python»
Коммуникативная: обсуждение в
ходе выполнения заданий и
презентации
результатов
работы, ответы на вопросы
Проект
«Исследование
данных».
Часть
1, Часть 2

ООП СОО МАОУ СОШ № 18

1.21.

2.
2.1.

2.2.

2.3.

Рефлексивная: заполнение листа
рефлексии в конце урока
основные понятия темы Аналитическая при выполнении
Итоговая
«Python для Data Science» теста и задания итоговой
контрольная
контрольной
работы
по
работа
исследованию дата сета с
информацией о пассажирах
Титаника
Практическая при выполнении
теста
по разделу, задания
итоговой контрольной работы.
Рефлексивная: заполнение листа
рефлексии в конце урока
Машинное обучение
Искусственный
Аналитическая
при
Понятие и виды
интеллект,
подход, сравнительном
анализе
машинного
основанный
на
правилах,
подходов:
обучение
с
учителем
и
обучения
машинное
обучение, обучение без учителя; при
история развития ИИ в ответах
на
вопросы
и
играх, сферы применения фронтальном
обсуждении
машинного
обучения; вопросов по презентации.
обучение с учителем, Практическая при выполнении
обучение без учителя, заданий практической работы.
задача регрессии, задача Коммуникационная: ответы на
классификации,
задача вопросы учителя, участие во
кластеризации,
отбор фронтальном обсуждении при
данных
для
модели выполнении заданий.
машинного обучения
Рефлексивная: заполнение листа
рефлексии в конце урока
Машинное
обучение
с
Аналитическая:
при поиске
Анализ
и
учителем,
машинное ответов на вопросы в ходе
визуализация
обучение
без
учителя, обсуждения
выполненного
данных
задача регрессии, задача домашнего
задания,
при
классификации, задача выполнении
заданий
кластеризации;
практической работы.
библиотеки
pandas и Практическая: при обсуждении
matplotlib,
чтение выполненного
домашнего
табличных
данных, задания;
при
фронтальном
статистические
опросе и беседе, при выполнении
показатели,
построение
заданий
диаграмм
практической работы.
Коммуникационная: ответы на
вопросы учителя, участие во
фронтальном обсуждении при
выполнении заданий.
Рефлексивная: заполнение листа
рефлексии в конце урока
Машинное
обучение
с
Аналитическая:
ответы
на
Библиотеки
учителем и без учителя, вопросы (анализ вопросов и
машинного
его
преимущества, поиск ответов) фронтальной
обучения
постановка цели и задач, беседы; анализ графиков моделей
анализ
данных, машинного обучения

ООП СОО МАОУ СОШ № 18

2.4.

Линейная
регрессия

обучающая
и
тренировочная выборки,
задача регрессии, задача
классификации, тестовая
и
тренировочная
выборка, переобучение,
недообучение,
оптимальная
модель,
кросс-валидация;
библиотека sklearn, этапы
построения модели
машинного обучения на
Python

при
выполнении
задания
«Проблемы в обучении модели».
Практическая: поиск ответов на
вопросы фронтальной беседы и
вопросы учителя в ходе урока.
Коммуникационная: участие во
фронтальной
беседе
по
материала предыдущего урока;
участие в обсуждении при
выполнении
задания
в
микрогруппе
по
анализу
графиков
машинного
обучения».
Рефлексивная: заполнение листа
рефлексии в конце урока

понятие
линейной
регрессии,
целевая
функция,
линейное
уравнение,
гомоскедастичность
данных; этапы создания
модели
машинного
обучения,
подбор
коэффициентов линейного
уравнения

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 графика и выбор среди
них набора данных, подходящих
для решения задачи линейной
регрессии; создание модели
машинного обучения на Python.
Практическая: решение задач на
выбор
(из
представленных
учителем задач) задач регрессии;
на выбор набора данных (по
графикам), подходящих для
решения
задачи
линейной
регрессии;
разбор
задачи
машинного обучения
Коммуникационная: участие во
фронтальном
обсуждении
основных вопросы темы линейная функция и линейное
уравнение,
которые
уже
изучались в курсе математики;
обсуждение задач по графикам.
Рефлексивная: заполнение листа
рефлексии в конце урока

ООП СОО МАОУ СОШ № 18

2.5.

Нелинейные
зависимости

Создание, обучение и
оценка модели линейной
регрессии, визуализация
данных
на
Python;
нелинейный
функции,
графики
функций;
полиномиальное
преобразование
линейной регрессии

2.6.

Классификация.
Логистическая
регрессия
(2
урока)

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
Матрица
ошибок,
метрики
качества
логистической
регрессии,
модель
логистической регрессии
на Python

2.7.

Деревья
решений. Часть 1

Матрица
метрики
логистической

ООП СОО МАОУ СОШ № 18

ошибок,
качества

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
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.
Коммуникационная: участие во
фронтальном
обсуждении,
ответы на вопросы учителя.
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая: поиск ответов на
проблемные вопросы и решение
задач;
самостоятельное
составление
модели
логистической регрессии для
предсказания вероятности в
ближайшие 10 лет ишемической
болезни сердца по различным
признакам
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 3-ем этапе первого урока;
самостоятельное
составление
модели
логистической
регрессии (урок 2)
Коммуникационная: участие в
обсуждении теста и основных
понятий
темы; ответы на
вопросы учителя;
Рефлексивная: заполнение листа
рефлексии в конце урока
Аналитическая: поиск ответов
на
вопросы учителя при
обсуждении метрик качества

2.8.

Случайный лес

2.9.

Кластеризация

регрессии,
модель логистической
регрессии;
логистической регрессии самостоятельное
составление
на Python
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
Коммуникационная: участие во
фронтальном
обсуждении
метрик качества логистической
регрессии;
Рефлексивная: заполнение листа
рефлексии в конце урока
дерево
решений, Аналитическая:
фронтальная
атрибуты,
работа с учителем на 2 этапе
эффективность
урока
разбиения,
глубина Практическая: реализация
дерева, идея алгоритма случайного леса на Python с
случайного
леса, помощью Random Forest,
принцип
мудрости параметры Random Forest для
толпы, случайный лес для задач классификации и
решения
задачи регрессии
классификации
и Коммуникационная: участие в
регрессии
групповой работе на 1 этапе
урока (ответы на вопросы
рефлексивного эссе), участие во
фронтальной работе на 2 этапе
урока.
Рефлексивная: заполнение листа
рефлексии в конце урока
машинное обучение без Аналитическая: решение задачи
учителя, классификация, кластеризации
Практическая:
кластеризация, алгоритм решение задачи кластеризации,
k-средних,
центроид, выполнение
практической
расстояние
между работы.
точками
Коммуникационная: фронтальное
обсуждение задачи
кластеризации,
выполнение
практической
работы
в
микрогруппе;
ответы
на
вопросы учителя.
Рефлексивная: заполнение листа
рефлексии в конце урока

ООП СОО МАОУ СОШ № 18

2.10.

Проект.
Представление
проекта

2.11

Проект «Основы
машинного
обучения»

2.12.

Итоговая
проектная работа

3.
3.1.

Введение в
нейросети

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

Аналитическая: при разработке
модели машинного обучения для
решения
задачи
классификации
Практическая: при выполнении
в команде проекта по разработке
модели машинного обучения
для
решения
задачи
классификации
Коммуникационная: ответы ан
вопросы учителя (1 этап урока),
обсуждение в команде в
процессе выполнения проекта,
Рефлексивная: заполнение листа
рефлексии в конце урока
понятие и виды
Аналитическая: при создании
машинного обучения,
синквейнов и визуальной карты
линейная регрессия,
знаний
(обобщение,
логистическая регрессия, систематизация)
деревья решений,
Практическая при создании
случайный лес,
синквейнов и визуальной карты
кластеризация; понятия, знаний.
изученные в разделе
Коммуникативная: обсуждение в
«Машинное обучение»
ходе выполнения заданий и
презентации
результатов
работы, ответы на вопросы
Рефлексивная: заполнение листа
рефлексии в конце урока
понятия, изученные в Аналитическая:
при
разделе
«Машинное выполнении теста и задания
обучение»
итоговой контрольной работы на
классификацию апельсинов и
грейпфрутов
Практическая: при выполнении
теста по разделу, задания
итоговой контрольной работы.
Рефлексивная: заполнение листа
рефлексии в конце урока
Нейросети. Введение
искусственный нейрон,
Аналитическая:
анализ
информационная
основных понятий и подходов;
модель искусственного
сравнительный
анализ
нейрона, межнейронные различных
подходах
к
связи, нейронная сеть,
моделированию
структурный подход к
интеллектуальной
моделированию нейронных деятельности; поиск ответов на
сетей, нейрокомпьютер,
проблемные вопросы учителя
персептрон,
Коммуникационная:
генетический алгоритм,
обсуждение понятий ответы на
эволюционный подход
вопросы учителя, в том числе
проблемные.
Рефлексивная: заполнение

ООП СОО МАОУ СОШ № 18

3.2.

Проект

к моделированию
нейронных сетей,
квазибиологический
подход к
моделированию
нейронных сетей,
молекулярный
компьютер.
нейронные
сети,
структурный подход к
обучению
нейросетей,
моделирование
двухслойной нейросети

ООП СОО МАОУ СОШ № 18

листа рефлексии в конце урока

Аналитическая:
анализ
понятий; актуализация знаний о
машинном обучении; решение
частных
задач
в
рамках
разработки
двухслойной
нейросети.
Практическая:
создании
модели
многослойной
нейросети.
Коммуникационная:
обсуждение понятий, ответы на
вопросы учителя.

Организационно-педагогические условия реализации курса
Освоение всех тем курса предполагает организацию фронтальной и
групповой работе учащихся. Преимущественно фронтальная работа
реализуется: на первом этапе урока – этапе проверки выполнения домашнего
задания и актуализации знаний, а также на этапе закрепления знаний.
Групповая работа организуется преимущественно на этапе закрепления
знаний при решении заданий, в отдельных случаях – на этапе проверки
выполнения домашнего задания и актуализации знаний. Методы проблемноразвивающего обучения используются на этапе изложения нового
содержания по теме и его закреплении через систему проблемных вопросов
по теме, дополнительных уточняющих проблемных вопросов и выполнение
проблемных заданий. Дополнительным методическим подходом является
использование модели «перевернутое обучение», когда учащиеся
самостоятельно изучают теоретический материал дома, а на уроке проходит
его обсуждение в формате фронтальной беседы и закрепление через решение
задач в микрогруппах (до 4-5 человек). При организации урока по модели
«перевернутое обучение» рекомендуется проводить такие урока двум
учителям, что значительно повысит эффективность урока, особенно в части
обсуждения учебного материала, самостоятельно освоенного учащимися
дома с помощью видеоуроков. Рекомендуется, чтобы в обсуждении приняли
участие все учащиеся.
При фронтальном выполнении задания учителю рекомендуется
выполнять задание параллельно с учащимися, комментируя каждый шаг,
демонстрируя свой экран через проектор и обсуждая выполнение задания
с учащимися посредством уточняющих вопросов.
В конце каждого урока проводится обязательная рефлексия.
Информационное обеспечение. В учебно-методический комплект входят
следующие методические и учебные материалы:
● Программа курса «Искусственного интеллект» (базовый) для
старшей школы (10-11 классы).
● Методические рекомендации для учителя.
●

Планы-сценарии уроков.

●

Опорные презентации.

Материалы к программе, содержащие задания для
практической и самостоятельной работы обучающихся.
● Раздаточный материал и ссылки на необходимые приложения для
практических работ, размещенные в планах-сценариях уроков.
Технические средства обучения.
●

●
●
●

Компьютеры или ноутбуки, подключенные к Интернету
Мультимедийный проектор
Сканер, принтер

ООП СОО МАОУ СОШ № 18