Ниже voorstel темы проекта для 7–8 класса, с простым кодом и понятным объяснением того, как работают нейросети. Цель — понять основы создания нейросети, применить её к задачам путешествий и отпрактикувать лёгкий уровень программирования. Название проекта - Нейросеть-помощник для путешественников (для 7–8 класса) Краткое описание - Ученики создают простую нейросеть, которая по введённым пожеланиям пользователя подсказывает тип направления отдыха (пляж, городская экскурсия или природа/горы). Модель обучается на небольшом примере данных и даёт рекомендации. В процессе проекта дети узнают, как подбираются данные, как работает нейрон и как «учится» нейросеть на примере. Цель проекта (для понятия) - Понять, как устроена нейросеть и как она принимает решения. - На практике увидеть, как подготавливать данные, строить простую модель и оценивать её работу. - Узнать, как небольшие настройки модели влияют на результат. Что внутри проекта - Простая задача: на входе две характеристики пользователя (пример: бюджет, длительность поездки) и тип отдыха (пляж, город, природа) — модель учится находить связь между характеристиками и рекомендуемым типом направления. - Небольшой набор данных (пример)^. - Минимальный код на Python с использованием простого слоя нейронной сети. - Пояснение по шагам: от данных до вывода и простая трактовка того, как работает нейросеть. Пример набора данных (для иллюстрации) - Фичи: бюджет в условных единицах (0–1, где 0 = минимальный бюджет, 1 = высокий бюджет), длительность в днях (нормализована, 0–1). - Метка: 0 — пляж, 1 — город, 2 — природа/горы. - Пример строк набора: - бюджет 0.2, длительность 0.3 → пляж (0) - бюджет 0.8, длительность 0.8 → город (1) - бюджет 0.5, длительность 0.6 → природа (2) - В реальном задании можно использовать больше примеров, можно даже заполнить их простыми историями ученика, но для начала достаточно небольшой симуляции. Как будет выглядеть решение - Этап 1. Определение задачи и сбор данных (минимальный набор примеров). - Этап 2. Преобразование данных в числовой вид (нормализация, кодирование категорий). - Этап 3. Создание простой нейросети (несколько слоёв, линейная связка, активации). - Этап 4. Обучение и тестирование на небольшом наборе примеров. - Этап 5. Объяснение, как работает сеть: нейроны, веса, активации, обучение. - Этап 6. Применение: как поменять условия и получить новые рекомендации. Минимальный код (практически готовый шаблон) - Требуется Python и TensorFlow/Keras. Установите: pip install tensorflow # Пример кода (минимальная сложность, для новичков) import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.utils import to_categorical # Пример набора данных: 6 примеров # Фичи: [бюджет_norm, длительность_norm] X = np.array([ [0.2, 0.3], # недорого, коротко [0.8, 0.8], # дорого, долго [0.5, 0.6], # средне [0.1, 0.7], # очень дешевый, долго [0.9, 0.2], # дорогой, коротко [0.4, 0.9], # средний бюджет, очень долго ], dtype=float) # Метки: 0 = пляж, 1 = город, 2 = природа y = np.array([0, 1, 2, 2, 1, 0]) # Преобразуем метки в категориальную форму y_cat = to_categorical(y, num_classes=3) # Построение простой нейронной сети model = Sequential([ Dense(8, input_dim=2, activation='relu'), # скрытый слой Dense(6, activation='relu'), # ещё один скрытый слой Dense(3, activation='softmax') # выходной слой: 3 класса ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # Обучение на небольшом наборе model.fit(X, y_cat, epochs=200, verbose=0) # Тестовое примение def predict_destination(budget_norm, duration_norm): X_test = np.array([[budget_norm, duration_norm]]) probs = model.predict(X_test) pred_class = np.argmax(probs, axis=1)[0] classes = {0: 'пляж', 1: 'город', 2: 'природа/горы'} return classes[pred_class], float(np.max(probs)) # Пример использования print(predict_destination(0.25, 0.25)) # пример запроса пользователя print(predict_destination(0.7, 0.4)) Примечание по коду - Это упрощённый пример, чтобы ученики увидели принцип. В реальном задании данные можно собрать из открытых таблиц, сформировать больше примеров и корректнее нормализовать. - Цель кода — "легко меняем настройки": можно изменить количество слоёв, количество нейронов, эпохи обучения, чтобы увидеть, как это влияет на точность. Как работают нейросети — простое объяснение для новичков - Нейрон: маленькая вычислительная единица, которая получает числа (входы), умножает их на веса и пропускает через функцию активации, чтобы получить выход. - Слои: группы нейронов. Вход проходит через один слой, выходит в следующий слой. Каждый слой учится преобразовывать данные в более полезное представление. - Веса: параметры, которые сеть «обучает» и подстраивает в процессе обучения, чтобы лучше соответствовать данным. - Активации: функции, которые делают выход не просто числом, а пригодной для задачи. Часто используются ReLU (возвращает максимум от 0 и входа) или softmax на выходе для выбора класса. - Обучение: процесс настройки весов с помощью алгоритма оптимизации (например, Adam) и функции потерь (например, categorical_crossentropy), чтобы модель давала максимально вероятные правильные ответы. - Прогноз: после обучения модель принимает новые данные и возвращает вероятности для каждого класса, из которых выбирают наиболее вероятный. Пошаговый план для урока (1–2 занятия) - Занятие 1: Введение - Объяснить, что такое нейросеть и зачем она нужна. - Обсудить примеры нейросетей в жизни (распознавание изображений, голосовых помощников). - Рассмотреть простой аналогия с мозгами: нейроны и связи между ними. - Занятие 2: Практика с кодом - Пройтись по набору данных и показать, как «перевод» пожеланий в цифры работает. - Построить простую модель (как в примере кода) и обучить её. - Посмотреть результаты на тестовых примерах и обсудить, что значит точность. - Занятие 3: Разбор и обсуждение - Объяснить, как изменяют настройки модели (число слоёв, количество нейронов, эпохи) и как это влияет на результат. - Обсудить, как можно расширить проект: добавить новые направления, учитывать климат, сезонность и т.д. Возможные варианты расширения - Добавить больше классов направлений: пляж, город, природа/горы, кроссовер (культура и кухня). - Добавить новые фичи: сезон (лето/зима), расстояние, безопасность, язык общения. - Применение простого веб-интерфейса или консольного приложения для ввода данных учениками и вывода рекомендации. - Объяснить базовые идеи проверки качества модели: разделение данных на обучающие и тестовые наборы, простые методы оценки точности. Полезные советы - Действуйте по принципу маленьких шагов: начинайте с 2 фич и 3 классов, потом добавляйте. - Уделяйте время объяснению концепций нейронов и веса — это поможет ученикам понять зачем нужны настройки. - Используйте визуальные примеры: нарисуйте схему слоёв и связи, чтобы увидеть, как данные проходят через модель. Если нужно, могу адаптировать этот план под конкретный формат занятия (вечерний кружок, олимпиада на школьном уровне, домашнее задание) или подготовить ещё более простой/более детализированный вариант кода.