XXI век является веком высоких технологий. Технологии развиваются и усовершенствуются с каждым днем, появляются новые системы и приложения, устройства и функции.

В частности, технологии искусственного интеллекта становятся неотъемлемой частью жизни общества, человека:

- голосовые помощники (чат-боты) широко используются в различных сферах,

- разработки в области естественного языка позволяют быстро получить перевод текста на иностранный язык или преобразовать речь в текст

- технологии компьютерного зрения используются для обнаружения и отслеживания поведения объектов - в целях безопасности, для поиска пропавших людей, для реализации механизмов прокторинга и т.д.

- рекомендательные системы позволяют настроить контент цифрового ресурса на потребности конкретного пользователя и т.д.

В связи с этим актуальной, и в то же время недостаточно разработанной, является тематика, связанная с преподаванием искусственного интеллекта в школе, чтобы с раннего возраста человек мог быть вовлечен в данную тему [1]. Необходимо готовить будущих учителей информатики для профессиональной деятельности в этой области: разрабатывать подходы к обучению различным технологиям искусственного интеллект, методики, учебно-методические материалы, цифровые ресурсы, демонстрационные примеры, контрольно-измерительные материалы и т.д.

Рассмотрим разрабатываемые авторами подходы к обучению технологиям искусственного интеллекта на примере машинного обучения и компьютерного зрения.

Машинное обучение – это раздел теории искусственного интеллекта, предметом которого является поиск методов решения задач путем обучения в процессе решения сходных задач. Для построения таких методов используются средства алгебры, математической статистики, дискретной математики, теории оптимизации, численных методов, и других разделов математики.[5]

Основными задачами машинного обучения является кластеризация, классификация, поиск правил, уменьшение размерности, регрессия, нейронные сети. Классическое машинное обучения делится на обучение с учителем и обучение без учителя. Обучение «с учителем» подразумевает, что данные, на основе которых необходимо составить прогноз собраны. А обучение «без учителя» подразумевает, что есть данные, свойства которых нам необходимо определить.

В настоящий момент разработано и представлено большое количество цифровых образовательных ресурсов для обучения технологиям искусственного интеллекта. При создании любого курса необходимо проанализировать существующие курсы и на основе собранных материалов создавать собственный ресурс для обучения. Проведенный нами анализ таких ресурсов по машинному показал, что курс, представленный на открытой платформе Stepic, по нашему мнению, в наибольшей степени подходит для использования при обучении учителей информатики. В рамках данного исследования рассмотрим цифровой ресурс «ИИ Старт» [6].

Ресурс включает широкий набор тем, отражающий весь спектр теории машинного обучения. Курс разбит на лекции и практические задания. Тематическое планирование отражено на главной странице и включает двадцать шесть тем. Перечислим некоторые из них: «Циклы и работы со строками», «Библиотека Numpy», «Введение в машинное обучение», «Линейная регрессия» и др. Исходя из перечисленных тем, можно сделать вывод о том, что курс имеет достаточно обширное содержание, включает в себя основы программирования на языке Python.

Лекции, изучаемого ресурса, представлены в формате видео, сопровождаются интерактивной презентацией. Практические задания включают решение математических задач или задач по программированию на языке Python. Уровень сложности заданий сопоставим с уровнем знаний студентов старших курсов по таким предметам как «Дискретная математика», «Теория вероятностей и математическая статистика», «Математическая логика и формальные языки».

Изучения языка программирования, не является основным в рамках изучения темы «Машинное обучение». В связи с этим, считаем рациональным при создании авторского курса убрать данный раздел из содержания. Так как цели изучения двух направлений отличаются и изучение машинного обучения предполагает знание языка программирования. Перед началом изучения курса необходимо провести тестирование. Для того, чтобы определить уровень знаний обучающихся по программированию на Python. Оно состоит из блоков вопросов по темам: работа со строками и числами, циклы, функций, массивы, библиотеки Python.

В разрабатываемом нами курсом предлагается увеличить количество практических заданий. Они должны быть направлены на работу с фрагментами кода программ. Практические задания целесообразно разделить на уровни сложности. Данный принцип поможет ученикам выявить уровень своих знаний на начальном этапе и достигнуть желаемого результата. С помощью такого подхода к организации практических заданий будет реализован принцип индивидуализации и персонализации обучения.

Исходя из проанализированных нами курсов и литературы по машинному обучению составим тематическое планирование курса. Сложность его формирования состоит в том, что необходима фундаментальная математическая база для понимания идеи и смысла алгоритмов. В связи с этим необходимо отобрать математические модели такого уровня, который был бы доступен для понимания студентам, изучающим математику, учитывая, что математика не являлась первостепенным предметом изучения. Поэтому в рамках изучения курса рассматриваются следующие темы: классификация, кластеризация, линейная регрессия.

Рассмотрим демонстрационный вариант задачи кластеризации. Данными, на основе которых будет составлен прогноз будет классический набор данных ирисов Фишера. Он представлен в виде набора из 150 записей с пятью атрибутами. И класс, соответствующий одному из трех видов, обозначенных 0, 1, 2, соответственно. Наш алгоритм должен принимать четыре свойства одного конкретного цветка и предсказывать, к какому классу он принадлежит. Обучающимся предлагается текст программы с комментариями [7]: