選題背景

國家對人工智能教育高度重視，將其作為義務(wù)教育和普通高中課程標(biāo)準(zhǔn)的重要內(nèi)容?！镀胀ǜ咧行畔⒓夹g(shù)課程標(biāo)準(zhǔn)（2017 年版2022 年修訂）》在必修模塊和選擇性必修模塊均設(shè)計了人工智能的課程內(nèi)容。隨著新一代人工智能技術(shù)的迅猛發(fā)展，中小學(xué)人工智能教育，尤其是高中階段，不應(yīng)僅局限于培養(yǎng)人工智能工具的使用者和體驗者，更應(yīng)適度引導(dǎo)學(xué)生深入理解這些新技術(shù)背后的原理，從而培養(yǎng)他們運用人工智能的思維方式實踐和創(chuàng)新。

本文以動物足跡識別為主題，開展了實踐取向的大單元教學(xué)設(shè)計。野生動物，尤其是那些被列入保護動物名錄的，由于數(shù)量稀少，其行蹤往往難以追蹤，足跡識別技術(shù)提供了一種非侵入性方法監(jiān)測珍貴的野生動物。

課程設(shè)計

課程目標(biāo)

針對足跡識別問題，能選用合適的方式，收集和整理數(shù)據(jù)；理解圖像邊緣特征和圖像方向梯度直方圖特征（HOG特征）；掌握K 最近鄰算法。通過親歷監(jiān)督學(xué)習(xí)實現(xiàn)圖像分類的完整過程，理解數(shù)據(jù)和特征對模型性能的重要性，提升應(yīng)用人工智能思維解決問題的能力。

課程內(nèi)容

通過創(chuàng)設(shè)真實情境，引導(dǎo)學(xué)生分析問題，設(shè)計解決方案。圍繞監(jiān)督學(xué)習(xí)解決問題的技術(shù)路線為：采集動物足跡數(shù)據(jù)—提取圖像特征—訓(xùn)練模型—測試模型—評價模型—迭代優(yōu)化，最終實現(xiàn)動物足跡的識別和遷移應(yīng)用。本單元圍繞監(jiān)督學(xué)習(xí)有三大核心概念：數(shù)據(jù)、特征、模型。將三大核心概念從前到后順次連接，體現(xiàn)了采用監(jiān)督學(xué)習(xí)解決問題的過程。模型評價后，如性能不滿意，則反向連接至數(shù)據(jù)端，體現(xiàn)了監(jiān)督學(xué)習(xí)迭代優(yōu)化的過程。

課時安排

本單元共計6 課時，內(nèi)容環(huán)環(huán)相扣，層層遞進。課時安排見表1。

教學(xué)準(zhǔn)備

在本單元的教學(xué)中，采用了上海人工智能實驗室浦育平臺提供的動物足跡數(shù)據(jù)集、AI 體驗工具、Python 運行環(huán)境和算力資源。

實施過程

體驗足跡分類

在實踐任務(wù)3 中，將通過體驗足跡分類歸納機器學(xué)習(xí)的一般過程。首先，教師利用浦育平臺的AI 體驗工具演示老虎和鹿的足跡識別過程。從浦育平臺獲取該足跡數(shù)據(jù)集，并分別上傳多張圖像樣本，標(biāo)記上對應(yīng)老虎和鹿的類別標(biāo)簽，進行圖像分類模型的訓(xùn)練和測試。在自主體驗環(huán)節(jié)，學(xué)生可選擇任一足跡圖像進行測試。實驗結(jié)果顯示，該模型能夠準(zhǔn)確識別出老虎的腳印，且其分類置信度，即分類為老虎類別的可信程度非常高。盡管這個過程沒有明確展示足跡特征和模型的具體表達方式，但教師可引導(dǎo)學(xué)生提出這些關(guān)鍵信息和步驟，并在后續(xù)的任務(wù)中逐步學(xué)習(xí)和實踐。

足跡特征的提取

圖像數(shù)據(jù)在人類眼中通常具有具象性和語義概念。看到一張圖片，我們能直接識別出其中的內(nèi)容。然而，對于計算機來說，圖像通常被表示為0—255 之間的數(shù)字組成的三維矩陣。要理解圖像中包含的信息，需要借助機器學(xué)習(xí)等方法提取其中的語義信息。特征提取就是這樣一個過程，它通過壓縮圖像的冗余信息并提取關(guān)鍵特征，從而形成有意義的語義信息。

在實踐任務(wù)6 中，教師將引導(dǎo)學(xué)生觀察一張笑臉的像素畫圖像（圖1）。通過對照圖像與其底層數(shù)據(jù)表達，學(xué)生能發(fā)現(xiàn)圖像的關(guān)鍵信息主要集中在笑臉輪廓邊緣。為了進一步探究這個問題，可鼓勵學(xué)生嘗試用數(shù)學(xué)方法尋找圖像的邊緣。接下來，學(xué)生借助網(wǎng)絡(luò)資源自主學(xué)習(xí)提取圖像邊緣特征的方法。最后，學(xué)生在實驗平臺上使用邊緣卷積核，通過程序自動提取圖像邊緣特征（圖2、圖3）。在這個過程中，學(xué)生有機會觀察和感知提取的邊緣特征維度與原始數(shù)據(jù)大小之間的關(guān)系。

在理解卷積運算原理的基礎(chǔ)上，教師將在實踐任務(wù)7中引導(dǎo)學(xué)生探索進一步壓縮信息的方向梯度直方圖方法。首先，學(xué)生在實驗平臺上直接采用方向梯度直方圖方法提取特征，并探究不同的檢測單元大小對圖像HOG 特征提取的影響。接著，學(xué)生觀察和分析特征維度隨參數(shù)變化的情況，從而更深入地理解這一過程。

實現(xiàn)動物足跡分類

在理解K 最近鄰算法原理后，在任務(wù)9 中，運用該算法實現(xiàn)動物足跡分類。先將數(shù)據(jù)集按一定比例拆分為訓(xùn)練集和測試集，確定檢測單元大小，分別提取訓(xùn)練集和測試集的HOG特征，訓(xùn)練KNN 模型，確定K 值，最后進行模型測試，并記錄結(jié)果。如果分類準(zhǔn)確率不理想，可引導(dǎo)學(xué)生從數(shù)據(jù)集規(guī)模、數(shù)據(jù)質(zhì)量、數(shù)據(jù)分布、特征數(shù)據(jù)維度、檢測單元大小等多方面分析并優(yōu)化模型。在任務(wù)12 的遷移應(yīng)用中，提供了Python代碼模板，可實現(xiàn)行人識別、手寫數(shù)字識別等多種任務(wù)（圖4）。

學(xué)習(xí)成果

本課程在江蘇省常州市的部分高中進行了教學(xué)，并多次迭代優(yōu)化。學(xué)生在學(xué)習(xí)和實踐過程中感受如下：如果背景太雜，不利于HOG 特征提取和識別；本單元的方法適合區(qū)分輪廓邊緣特征比較明顯的事物；K 最近鄰算法對高維特征的分類準(zhǔn)確率不高。

在遷移應(yīng)用中，有學(xué)生收集了更多的真實足跡圖、手繪足跡圖、野生動物圖像等進行分類。在選擇分類方法時，除了K 最近鄰算法，還選擇了決策樹、支持向量機、感知器等方法進行測試比較。

反思與提高

本單元的教學(xué)設(shè)計展現(xiàn)出了機器學(xué)習(xí)中監(jiān)督學(xué)習(xí)的每一個關(guān)鍵過程，使得學(xué)生能理解其工作原理及作出決策的依據(jù)，能更好地信任監(jiān)督學(xué)習(xí)的結(jié)果。教學(xué)設(shè)計中選用的邊緣特征和方向梯度直方圖，以及K 最近鄰算法，因為要兼顧學(xué)生認知階段需要更好的可解釋性和可具象性的內(nèi)容，在模型性能測試上不太理想，后續(xù)可設(shè)計用深度神經(jīng)網(wǎng)絡(luò)提取特征，或直接采用深度神經(jīng)網(wǎng)絡(luò)進行端到端的訓(xùn)練學(xué)習(xí)。本單元涉及較多的人工智能學(xué)科術(shù)語，以及Python 環(huán)境下的探究實踐，需要一些編程和人工智能的通識了解等前置知識作鋪墊。