МИНИСТЕРСТВО ПРОСВЕЩЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Министерство образования Свердловской области
Управление образования Березовского муниципального округа
БМАОУ СОШ №45
РАССМОТРЕНО
СОГЛАСОВАНО
УТВЕРЖДЕНО
руководитель предметной
кафедры
заместитель директора по
УВР
директор БМАОУ СОШ
№45
______________________
_______________________
______________________
А.С.Элрик
Протокол от «25» августа
2025 г. № 1
Т.Г. Вараксина
Л.В. Нохрина
«26» августа 2025 г.
Приказ от «29» августа
2025 г. № 102
РАБОЧАЯ ПРОГРАММА
(ID 6530638)
учебного предмета «Искусственный интеллект»
для обучающихся 10-11 классов
Березовский, 2025
ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
Рабочая программа учебного предмета «Искусственный интеллект» на уровне
среднего общего образования составлена на основе требований к результатам
освоения ФОП СОО, представленных в ФГОС СОО, а также федеральной рабочей
программы воспитания.
Курс «Искусственный интеллект» предназначен для преподавания в 10-11
классах и направлен на продолжение формирования знаний учащихся 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 данный курс включает два взаимосвязанных модуля (раздела)
Массивы в Python и Машинное обучение. Первый модуль (раздел) связан с
актуализацией и дальнейшим развитием знаний и умений по основам
программирования на Python. Сформированные у учащихся знания и умения по
этому модулю (разделу) будут в дальнейшем использованы при изучении второго
модуля (раздела), освоение которого направлено на развитие представлений о
многообразии подходов в разработке искусственного интеллекта, их возможностях
и ограничениях; на формирование знаний о машинном обучении и умений
проектирования и реализации модели машинного обучения на Python. При изучении
этих 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 с использованием образовательных
онлайн ресурсов.
Курс «Искусственный интеллект» (базовый) носит междисциплинарный и
комплексный характер. С одной стороны, в нем синтезируются знания и умения
учащихся, полученные ими 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
создания интеллектуальных систем.
Целью изучения курса «Искусственный интеллект» (базовый) является
развитие у учащихся устойчивого интереса к освоению данной области знаний и
формирование представления о многообразии подходов в разработке
искусственного интеллекта, об их возможностях и ограничениях, приобретение
базовых знаний и умений в сферах науки о данных, машинного обучения и
многообразии сфер их применения, а также формирование цифровой грамотности,
развитие компетенций в области искусственного интеллекта, востребованных на
отечественном рынке труда с учетом динамично развивающейся сферы ИИ.
Задачи курса: формирование у учащихся представлений о многообразии
подходов в разработке искусственного интеллекта, их возможностях и ограничениях
(обучение с учителем, обучение без учителя, нейросети); о машинном обучении,
сферах его применения; приобретение умений по решению задач МО (регрессия,
классификация, кластеризация), анализу данных и визуализации (на языке
программирования Python с использованием библиотек Pandas, Matplotlib, NumPy,
Seaborn); умений проектировать и реализовывать модели машинного обучения;
развитие коммуникационных навыков, умений работы в команде, самостоятельной
работы и организационной культуры.
На изучение курса «Искусственный интеллект» отводится 68 часов: в 10
классе - 34 часа (1 час в неделю), в 11 классе – 34 часа (1 час в неделю).
СОДЕРЖАНИЕ УЧЕБНОГО ПРЕДМЕТА «Искусственный интеллект»
10 КЛАСС
Модуль 1.Массивы в Python.
Тема 1.1. Этапы решения задачи на компьютере. Линейный алгоритм, блоксхема. Математические операторы, оператор присваивания, функции print(), input(),
float(). Этапы решения задач на компьютере. Модель, алгоритм, формализация,
линейный и разветвляющийся алгоритмы. Условный оператор в Python, полный и
неполный условные операторы.
Тема 1.2. Решение задач на компьютере. Повторение основных базовых
понятий Python, изученных ранее.
Тема 1.3. Одномерные массивы в Python - списки. Создание списков и вывод
элементов. Список, массив, элементы списка, индекс элемента списка. Методы
.append и .sort, положительные и отрицательные индексы, срезы.
Тема 1.4. Исследование и генерация списков. Вычисление суммы элементов
списка. Методы .append и .sort, функции min(), max() и метод .count. Суммирование
элементов списка, цикл с заданным числом повторений, оператор for. Генерация
списка, операторы for и if.
Тема 1.5. Словари и их описание. Поиск по словарю. Списки, генерация
списков, суммирование элементов списка, функция len(), сложение списков.
Словари, элементы словаря, ключ и значение, вывод элементов словаря, поиск
элементов в словаре.
Тема 1.6. Перебор элементов словаря. Словарь, список, операторы for и if,
элемент словаря, ключ, значение, перебор словаря по ключам, перебор словаря по
значениям, методы .keys, .values, .items, операторы for и if.
Тема 1.7. Решение задач с использованием списков и словарей. Список, срез,
положительная и отрицательная индексация элементов списка, метод .append.
Генерация списка, операторы for и if. Словарь, элементы словаря, ключи и значения,
вложенные словари, метод .items.
Тема 1.8. Повторение. Итоговая работа «Массивы в Python». Основные
понятия модуля 1: списки и словари».
11 КЛАСС
Модуль 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 skleam, этапы построения модели машинного
обучения на Python.
Тема 2.4. Линейная регрессия. Понятие линейной регрессии, целевая функция,
линейное уравнение, гомоскедастичность данных. Создание модели линейной
регрессии на Python с помощью библиотек pandas, numpy и sklearn.
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.
Тема 2.7. Классификация. Логистическая регрессия. Матрица ошибок,
метрики качества логистической регрессии, модель логистической регрессии на
Python.
Тема 2.8. Деревья решений. Часть 1. Дерево решений, элементы деревьев:
корень, листья; глубина дерева, жадный алгоритм, атрибут разбиения; энтропия,
формула Шеннона, вероятность, критерий Джини.
Тема 2.9. Деревья решений. Часть 2. Методы решения проблемы
переобучения деревьев. Модели дерева решений. Реализация дерева решения на
Python.
Тема 2.10. Проект «Решение задачи классификации». Машинное обучение с
учителем, задача классификации. Метрики оценки качества классификации. Этапы
разработки модели машинного обучения, анализ данных, создание и обучение
модели, оценка эффективности работы модели.
ПЛАНИРУЕМЫЕ ОБРАЗОВАТЕЛЬНЫЕ РЕЗУЛЬТАТЫ
Личностные результаты отражают готовность и способность обучающихся
руководствоваться сформированной внутренней позицией личности, системой
ценностных ориентаций, позитивных внутренних убеждений, соответствующих
традиционным ценностям российского общества, расширение жизненного опыта и
опыта деятельности в процессе реализации средствами учебного предмета основных
направлений воспитательной деятельности. В результате изучения информатики на
уровне среднего общего образования у обучающегося будут сформированы
следующие личностные результаты:
1) гражданского воспитания:
осознание своих конституционных прав и обязанностей, уважение закона и
правопорядка, соблюдение основополагающих норм информационного права и
информационной безопасности;
готовность противостоять идеологии
экстремизма, национализма,
ксенофобии, дискриминации по социальным, религиозным, расовым, национальным
признакам в виртуальном пространстве;
2) патриотического воспитания:
ценностное отношение к историческому наследию, достижениям России в
науке, искусстве, технологиях, понимание значения информатики как науки в жизни
современного общества;
3) духовно-нравственного воспитания:
сформированность нравственного сознания, этического поведения;
способность оценивать ситуацию и принимать осознанные решения,
ориентируясь на морально-нравственные нормы и ценности, в том числе в сети
Интернет;
4) эстетического воспитания:
эстетическое отношение к миру, включая эстетику научного и технического
творчества;
способность воспринимать различные виды искусства, в том числе
основанные на использовании информационных технологий;
5) физического воспитания:
сформированность здорового и безопасного образа жизни, ответственного
отношения к своему здоровью, в том числе и за счёт соблюдения требований
безопасной эксплуатации средств информационных и коммуникационных
технологий;
6) трудового воспитания:
готовность к активной деятельности технологической и социальной
направленности, способность инициировать, планировать и самостоятельно
выполнять такую деятельность;
интерес к сферам профессиональной деятельности, связанным с
информатикой, программированием и информационными технологиями,
основанными на достижениях информатики и научно-технического прогресса,
умение совершать осознанный выбор будущей профессии и реализовывать
собственные жизненные планы;
готовность и способность к образованию и самообразованию на протяжении
всей жизни;
7) экологического воспитания:
осознание глобального характера экологических проблем и путей их решения,
в том числе с учётом возможностей информационно-коммуникационных
технологий;
8) ценности научного познания:
сформированность мировоззрения, соответствующего современному уровню
развития информатики, достижениям научно - технического прогресса и
общественной практики, за счёт понимания роли информационных ресурсов,
информационных процессов и информационных технологий в условиях цифровой
трансформации многих сфер жизни современного общества;
осознание ценности научной деятельности, готовность осуществлять
проектную и исследовательскую деятельность индивидуально и в группе.
В процессе достижения личностных результатов освоения программы по
информатике у обучающихся совершенствуется эмоциональный интеллект,
предполагающий сформированность:
саморегулирования, включающего самоконтроль, умение принимать
ответственность за своё поведение, способность адаптироваться к эмоциональным
изменениям и проявлять гибкость, быть открытым новому;
внутренней мотивации, включающей стремление к достижению цели и
успеху, оптимизм, инициативность, умение действовать исходя из своих
возможностей;
эмпатии, включающей способность понимать эмоциональное состояние
других, учитывать его при осуществлении коммуникации, способность к
сочувствию и сопереживанию;
социальных навыков, включающих способность выстраивать отношения с
другими людьми, заботиться, проявлять интерес и разрешать конфликты.
МЕТАПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ
В результате изучения курса «Искусственный интеллект» на уровне среднего
общего образования у обучающегося будут сформированы метапредметные
результаты, отражённые в универсальных учебных действиях, а именно:
познавательные
универсальные
учебные
действия,
коммуникативные
универсальные учебные действия, регулятивные универсальные учебные действия,
совместная деятельность.
Познавательные универсальные учебные действия
1) базовые логические действия:
самостоятельно формулировать и актуализировать проблему, рассматривать
её всесторонне;
устанавливать существенный признак или основания для сравнения,
классификации и обобщения; определять цели деятельности, задавать параметры и
критерии их достижения; выявлять закономерности и противоречия в
рассматриваемых явлениях;
разрабатывать план решения проблемы с учётом анализа имеющихся
материальных и нематериальных ресурсов; вносить коррективы в деятельность,
оценивать соответствие
результатов целям, оценивать риски последствий деятельности;
координировать и выполнять работу в условиях реального, виртуального и
комбинированного взаимодействия; развивать креативное мышление при решении
жизненных проблем.
2) базовые исследовательские действия:
владеть навыками учебно-исследовательской и проектной деятельности,
навыками разрешения проблем, способностью и готовностью к самостоятельному
поиску методов решения практических задач, применению различных методов
познания;
овладеть видами деятельности по получению нового знания, его
интерпретации, преобразованию и применению в различных учебных ситуациях, в
том числе при создании учебных и социальных проектов;
формирование научного типа мышления, владение научной терминологией,
ключевыми понятиями и методами; ставить и формулировать собственные задачи в
образовательной деятельности и жизненных ситуациях; выявлять причинноследственные связи и актуализировать задачу, выдвигать гипотезу её решения,
находить аргументы для доказательства своих утверждений, задавать параметры и
критерии решения;
анализировать полученные в ходе решения задачи результаты, критически
оценивать их достоверность, прогнозировать изменение в новых условиях;
давать оценку новым ситуациям, оценивать приобретённый опыт;
осуществлять целенаправленный поиск переноса средств и способов действия в
профессиональную среду; переносить знания в познавательную и
практическую области жизнедеятельности; интегрировать знания из разных
предметных областей;
выдвигать новые идеи, предлагать оригинальные подходы и решения, ставить
проблемы и задачи, допускающие альтернативные решения.
3) работа с информацией:
владеть навыками получения информации из источников разных типов,
самостоятельно осуществлять поиск, анализ, систематизацию и интерпретацию
информации различных видов и форм представления;
создавать тексты в различных форматах с учётом назначения информации и
целевой аудитории, выбирая оптимальную форму представления и визуализации;
оценивать достоверность, легитимность информации, её соответствие
правовым и морально-этическим нормам; использовать средства информационных
и коммуникационных технологий в решении когнитивных, коммуникативных и
организационных задач с соблюдением требований эргономики, техники
безопасности, гигиены, ресурсосбережения, правовых и этических норм, норм
информационной безопасности;
владеть навыками распознавания и защиты информации, информационной
безопасности личности.
Коммуникативные универсальные учебные действия
1) общение:
осуществлять коммуникации во всех сферах жизни;
распознавать невербальные средства общения, понимать значение
социальных знаков, распознавать предпосылки конфликтных ситуаций и уметь
смягчать конфликты;
владеть
различными
способами
общения
и
взаимодействия,
аргументированно вести диалог; развёрнуто и логично излагать свою точку зрения.
2) совместная деятельность:
понимать и использовать преимущества командной и индивидуальной
работы; выбирать тематику и методы совместных действий с учётом общих
интересов и
возможностей каждого члена коллектива; принимать цели совместной
деятельности, организовывать и координировать действия по её достижению:
составлять план действий, распределять роли с учётом мнений участников,
обсуждать результаты совместной работы; оценивать качество своего вклада и
каждого участника команды в общий результат по
разработанным критериям; предлагать новые проекты, оценивать идеи с
позиции новизны, оригинальности, практической значимости; осуществлять
позитивное стратегическое поведение в различных ситуациях, проявлять творчество
и воображение, быть инициативным.
Регулятивные универсальные учебные действия
1) самоорганизация:
самостоятельно осуществлять познавательную деятельность, выявлять
проблемы, ставить и формулировать собственные задачи в образовательной
деятельности и жизненных ситуациях;
самостоятельно составлять план решения проблемы с учётом имеющихся
ресурсов, собственных возможностей и предпочтений;
давать оценку новым ситуациям;
расширять рамки учебного предмета на основе личных предпочтений;
делать осознанный выбор, аргументировать его, брать ответственность за
решение; оценивать приобретённый опыт;
способствовать формированию и проявлению широкой эрудиции в разных
областях знаний, постоянно повышать свой образовательный и культурный уровень.
2) самоконтроль:
давать оценку новым ситуациям, вносить коррективы в деятельность,
оценивать соответствие результатов целям;
владеть навыками познавательной рефлексии как осознания совершаемых
действий и мыслительных процессов, их результатов и оснований;
использовать приёмы рефлексии для оценки ситуации, выбора верного
решения; оценивать риски и своевременно принимать решения по их снижению;
принимать мотивы и аргументы других при анализе результатов
деятельности.
3) принятия себя и других:
принимать себя, понимая свои недостатки и достоинства;
принимать мотивы и аргументы других при анализе результатов
деятельности; признавать своё право и право других на ошибку;
развивать способность понимать мир с позиции другого человека.
ПРЕДМЕТНЫЕ РЕЗУЛЬТАТЫ
Иметь представления о многообразии подходов в разработке искусственного
интеллекта, их возможностях и ограничениях; о машинном обучении и сферах его
применения;
Уметь объяснять разницу между машинным обучением с учителем и без
учителя.
Выявлять и формулировать задачи машинного обучения для различных сфер
жизни человека и в соответствии с реальными потребностями.
Иметь представления о создании модели классификации на сервисе Teachable
Machine.
Иметь представления о недообученных и переобученных моделях машинного
обучения, уметь выявлять проблемы по характерным признакам и знать способы
борьбы с переобучением и недообучением моделей. Получить практический опыт
тестирования готовой модели машинного обучения
Иметь представления о сущности работы модели логистической регрессии и
возможностях ее применения для классификации объектов; об использовании
деревьев решений в машинном обучении.
Уметь создавать модели линейной регрессии на Python с помощью библиотек
pandas, numpy и sklearn
Уметь проектировать и реализовывать модели машинного обучения на Python
с помощью инструментов библиотеки sklearn
ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ
10 КЛАСС
№
п/п
Наименование
разделов и тем
программы
Всего
1
Этапы решения задачи
на компьютере
7
2
Решение задач на
компьютере.
3
3
Одномерные массивы в
Python - списки.
4
4
Исследование и
генерация списков.
5
6
7
Словари и их описание.
Перебор элементов
словаря.
Решение задач с
использованием списков
и словарей.
5
4
3
4
Количество часов
Контрольные Практические
работы
работы
Электронные (цифровые)
образовательные ресурсы
https://www.yaklass.ru/p/informatika/11klass/algoritmizatciia-i-osnovyprogrammirovanii a7279408/reshenie-zadach-na-kompiutere6889619
/re- fe45d29d-6c45-4739-ba3a-7e00dee54924
https://infourok.ru/urok-po-informatike-klassna-te mu-reshenie-zadach-na-kompyutere-etapiresheniy a-zadachi-3912778.html
https ://pythoninfo. ru/osnovy/massivy-python
https://python-teach.ru/uroki-popython/generatory
- spiskov-v-python/
https://skillbox.ru/
https://codebra.ru/ru/lessonspython/hellopython/7/ 4
https://infourok.ru/konspekt-rabota-sospiskami-v- python-reshenie-zadach6440132.html
Повторение. Итоговая
работа.
ОБЩЕЕ КОЛИЧЕСТВО
ЧАСОВ ПО ПРОГРАММЕ
8
4
34
11 КЛАСС
№
п/п
1
2
3
Наименование
разделов и тем
программы
Всего
6
7
Электронные (цифровые)
образовательные ресурсы
Понятие и виды
машинного
обучения.
Анализ и визуализация
данных.
Библиотеки машинного
обучения.
Линейная регрессия.
4
https://academy.yandex.ru/
4
https://infourok.ru/konspekt-rabota-so-spiskamiv- python-reshenie-zadach-6440132.html
https://habr. com/ru/articles/264241/
Нелинейные
зависимости.
Классификация.
5
4
3
4
5
Количество часов
Контрольные Практические
работы
работы
Деревья решений.
Повторение. Проект
8
«Решение задачи
классификации».
ОБЩЕЕ КОЛИЧЕСТВО
ЧАСОВ ПО ПРОГРАММЕ
4
6
4
34
https://academy.yandex.ru/handbook/dataanalysis/article/pandan-linejnaya-regressiya-vpy thon
https://www.codecamp.ru/blog/nonlinearrelation ship- examples/
https://nagornyy.me/it/modeli-klassifikatsii-vpyt
hon/
https://dev-gang.ru/
ПОУРОЧНОЕ ПЛАНИРОВАНИЕ
10 КЛАСС
№
Тема урока
п/п
1
2
3
4
5
6
Введение в курс
«Искусственный
интеллект».
Этапы решения
задачи на
компьютере.
Линейный
алгоритм,
блок-схема.
Математические
операторы,
оператор
присваивания,
функции print(),
input(), float().
Этапы решения
задач на
компьютере.
Модель, алгоритм,
формализация,
Количество часов
Дата
Электронные цифровые
Контрольные Практические
изучения образовательные ресурсы
Всего
работы
работы
https://4brain.ru/aibasics/intro.php
1
1
1
1
1
1
https://infourok.ru/metodicheskayarazrabotka
-uroka-tema-iskusstvenniy- intellekt3112186.html
https://resh.edu.ru/subject/lesson/5457/cons
pect/166580/
https://academy.yandex.ru/handbook/python/a
rticle/vvod-i-vyvod-dannykh-operatsii-schisla mi-strokami-formatirovaniye
https://academy.yandex.ru/handbook/python/a
rticle/vvod-i-vyvod-dannykh-operatsii-schisla mi-strokami-formatirovaniye
https://urok.1sept.ru/articles/563253
7
8
9
10
11
12
13
линейный и
разветвляющийся
алгоритмы.
Условный
оператор в Python,
полный и
неполный
условные
операторы.
Решение задач на
компьютере.
Повторение
основных базовых
понятий Python,
изученных ранее.
Повторение
основных базовых
понятий Python,
изученных ранее.
Одномерные
массивы в
Python - списки.
Создание списков
и вывод
элементов.
Список, массив,
элементы списка,
https://devpractice.ru/python-lesson-5-ifwhile-for-operators/
1
1
https://devpractice.ru/python-lesson-5-ifwhile-for-operators/
1
1
https://nsportal.ru/shkola/informatika-i-ikt/libr
ary/2018/07/22/yazyk-programmirovaniyapyt hon-konspekt- uroka-no1
https://labs-org.ru/python-4/
1
1
1
https://devpractice.ru/python-lesson-7- workwith-list/
https://devpractice.ru/python-lesson-7- workwith-list/
14
15
16
17
18
19
20
21
индекс элемента
списка.
Методы .append и
.sort,
положительные и
отрицательные
индексы,
срезы.
Исследование и
генерация списков.
Вычисление суммы
элементов списка.
Методы .append и
.sort, функции
min(), max() и
метод .count.
Суммирование
элементов списка,
цикл с заданным
числом
повторений,
оператор for.
Генерация списка,
ператоры for и if.
Словари и их
описание.
Поиск по словарю.
https://devpractice.ru/python-lesson-7- workwith-list/
1
1
1
1
https://python-teach.ru/
https://python-teach.ru/
https://pythonru.com/osnovy/spiski-pythonfunkcii-i-metody-python-list
https://bobbyhadz.com/blog/python-sum- infor-loop
1
1
1
1
https://pythonist.ru/generatory-spiskov-vpython-dlya-nachinayushhih/
22
23
24
25
26
Списки, генерация
списков,
суммирование
элементов списка,
функция len(),
сложение списков.
Словари, элементы
словаря, ключ и
значение, вывод
элементов словаря,
поиск элементов в
словаре.
Перебор элементов
словаря.
Словарь, список,
операторы for и if,
элемент словаря,
ключ, значение,
перебор словаря по
ключам, перебор
словаря по
значениям, методы
.keys, .values,
.items, операторы
for и if.
Словарь, список,
операторы for и if,
элемент словаря,
ключ, значение,
https://metanit.com/python/tutorial/3.1.php
1
1
1
https://proproprogs.ru/python_base/python3m etody-slovarya-perebor-elementovslovarya-v- cikle
1
1
27
28
29
30
31
перебор словаря по
ключам, перебор
словаря по
значениям, методы
.keys, .values,
.items,
операторы for и if.
Решение задач с
использованием
списков и
словарей.
Список, срез,
положительная и
отрицательная
индексация
элементов
списка, метод
.append.
Генерация списка,
операторы
for и if.
Словарь, элементы
словаря, ключи и
значения,
вложенные
словари, метод
.items.
Повторение.
1
1
1
1
1
https://pythonru.com/osnovy/spiski-pythonfunkcii-i-metody-python-list
Итоговая работа
32 «Массивы в
Python».
Основные понятия
33 модуля 1: списки и
словари.
Основные понятия
34 модуля 1: списки и
словари.
ОБЩЕЕ КОЛИЧЕСТВО
ЧАСОВ ПО
ПРОГРАММЕ
1
1
1
34
11 КЛАСС
№
п/п
1
2
3
4
5
Тема урока
Понятие и виды
машинного обучения.
Искусственный интеллект,
подход, основанный на
правилах, машинное
обучение.
История развития
искусственного интеллекта
в играх, сферы применения
машинного обучения.
Обучение с учителем,
обучение без учителя,
задача регрессии, задача
классификации, задача
кластеризации, отбор
данных для модели
машинного обучения.
Анализ и визуализация
данных.
Количество часов
Контроль
Практическ
Всего ные
ие работы
работы
1
1
1
Дата
изучени
я
Электронные цифровые
образовательные ресурсы
https://4brain.ru/aibasics/machine.php
https://multiurok.ru/index.php/files/rabocha
ia-programma-iskusstvennyi-intellekt.html
https://nsportal.ru/shkola/informatika-iikt/library/2023/03/27/zanyatie-1 -istoriyaiskusstvennogo-intellekta-osnovnye
http://cs.mipt.ru/advanced_python/lessons/l
ab25.html
1
1
https://resh.edu.ru/subject/lesson/3053/start/
6
7
8
9
10
11
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.
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.
1
http://cs.mipt.ru/advanced_python/lessons/l
ab25.html
https://4brain.ru/aibasics/machine.php
1
https://python-scripts.com/plot-with-pandas
1
1
1
https://neurohive.io/ru/osnovy-datascience/obuchenie-s-uchitelem-bezuchitelja-s-podkrepleniem/
1
https://new.dop.mosreg.ru/program/115061
-iskusstvennyi-intellekt
12
13
14
15
16
17
18
19
20
21
Библиотека sklearn, этапы
построения модели
машинного обучения на
Python.
Понятие линейной
регрессии.
Целевая функция,
линейное уравнение,
гомоскедастичность
данных.
Создание модели линейной
регрессии на Python с
помощью библиотек
pandas, numpy и sklearn.
Нелинейные зависимости.
Создание, обучение и
оценка модели линейной
регрессии.
Визуализация данных на
Python.
Нелинейный функции,
графики функций.
Полиномиальное
преобразование линейной
регрессии.
Классификация,
логистическая
1
1
1
1
https://skillbox.ru/media/code/sozdayem_p
ervuyu_model_mashinnogo_obucheniya_is
polzuem colab_pandas i sklearn/
https://habr.com/ru/articles/514818/
https://www.evkova.org/linejnoeprogrammirovanie
https://nagornyy.me/it/regressionnyemodeli-v-python/
1
1
1
1
1
1
https://nagornyy.me/it/osnovnymashinnogo-o bucheniia-i-lineinoi-regressiv-python/
https://academy.yandex.ru/
https://fadeevlecturer.github.io/python_lect
ure
s/notebooks/scipy/nonlinear_equations.html
https://www.codecamp.ru/blog/polynomialregression-python/
https://machinelearningmastery.ru/
22
23
24
25
26
27
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.
Деревья решений.
Дерево решений, элементы
деревьев: корень, листья;
глубина дерева, жадный
алгоритм, атрибут
разбиения.
Энтропия, формула
Шеннона, вероятность,
критерий Джини.
http://itrobo.ru/programmirovanie/python/r
eshenie-lineinogo-uravnenija-v-python.html
1
1
1
1
1
1
https://academy.yandex.ru/handbook/dataanalysis/article/logisticheskaya-regressiyav-python
https://acade my.yandex.ru/ handbook/dat aanalysis/articl e/logistichesk aya-regressiyav-python
Методы решения
28
проблемы переобучения
деревьев.
29
Модели дерева решений.
Реализация дерева
30
решения на Python.
Проект «Решение задачи
31
классификации».
Проект «Решение задачи
32
классификации».
Машинное обучение с
33
учителем, задача
классификации.
Машинное обучение с
34
учителем, задача
классификации.
ОБЩЕЕ КОЛИЧЕСТВО ЧАСОВ
ПО ПРОГРАММЕ
1
1
1
1
1
1
1
34
http://cs.mipt. ru/advanced_ python/lesson
s/l ab25.html
УЧЕБНО-МЕТОДИЧЕСКОЕ
ОБЕСПЕЧЕНИЕ
ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА
ОБЯЗАТЕЛЬНЫЕ УЧЕБНЫЕ МАТЕРИАЛЫ ДЛЯ УЧЕНИКА
Калинин И.А., Самылкина Н.Н., Салахова А.А. Искусственный интеллект.
10-11 классы. Просвещение, 2024
МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ ДЛЯ УЧИТЕЛЯ
1. Материалы проекта «Академия искусственного интеллекта для
школьников». https://ai-academy-ddelo.vbudushee.ru/;
2. Практикум по искусственному интеллекту для 10–11 классов в авторской
мастерской Н. Н. Самылкиной и И. А. Калинина.
ЦИФРОВЫЕ ОБРАЗОВАТЕЛЬНЫЕ РЕСУРСЫ И РЕСУРСЫ СЕТИ
ИНТЕРНЕТ
1. http://school-collektion.edu/ru,
«Единая
коллекция
цифровых
образовательных ресурсов»
2. http://windows.edu/ru, «Единое окно доступа к образовательным
ресурсам»
3. http://fcior.edu.ru,
http://eor.edu.ru,
«Федеральный
центр
информационных образовательных ресурсов»
4. http://www.ndce.edu.ru, Каталог учебных изданий, электронного
оборудования и электронных образовательных ресурсов для общего образования
5. http://www.portalschool.ru, Школьный портал
6. http://www.ict.edu.ru,
Федеральный портал «Информационнокоммуникационные технологии в образовании»
7. https://media.prosv.ru/content/?subject=22&klass=1,
Медиатека
Просвещения
8.
https://marketplace.obr.nd.ru/library/lessons?filter_class=1&filter_subject=
14, Образовариум
9. https://resh.edu.ru/subject/7/1/, Российская электронная школа
10. https://myschool.edu.ru/, ЦОС «Моя школа»
