Закреплена за кафедрой | Кафедра дифференциальных уравнений |
---|---|
Направление подготовки | 01.03.02. Прикладная математика и информатика |
Профиль | Математическое моделирование и информационные технологии |
Форма обучения | Очная |
Общая трудоемкость | 4 ЗЕТ |
Учебный план | 01_03_02_Прикладная математика и информатика_ММиИТ-2021 |
|
|
Распределение часов по семестрам
Курс (семестр) | 3 (6) | Итого | ||
---|---|---|---|---|
Недель | 22,5 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 18 | 18 | 18 | 18 |
Лабораторные | 38 | 38 | 38 | 38 |
Сам. работа | 88 | 88 | 88 | 88 |
Итого | 144 | 144 | 144 | 144 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2023-2024 учебном году на заседании
кафедры
Кафедра дифференциальных уравнений
Протокол от 30.06.2023 г. № 7
Заведующий кафедрой д.ф.-м.н., профессор Папин А.А.
1.1. | Целью освоения дисциплины является получение компетенций, необходимых для создания математических моделей с применением машинного обучения, прототипирования и их реализации на больших данных. |
---|
Цикл (раздел) ООП: Б1.В.ДВ.01.02 |
ПК-2 | Способность применять новые методы исследования в области математического моделирования, проектирования, создания и поддержки информационно-коммуникационных систем и баз данных в сфере профессиональной деятельности |
ПК-2.1 | Знает новые методы исследования в области математического моделирования, проектирования, создания и поддержки информационно-коммуникационных систем и баз данных |
ПК-2.2 | Умеет применять новые методы исследования в области математического моделирования, проектирования, создания и поддержки информационно-коммуникационных систем и баз данных при решении профессиональных задач |
ПК-2.3 | Способен применять новые методы исследования в области математического моделирования, проектирования, создания и поддержки информационно-коммуникационных систем и баз данных в сфере профессиональной деятельности |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | основные технологии анализа данных; современные методы математического моделирования для анализа данных; специфику работы с большими объемами данных; модели для анализа данных; |
3.2. | Уметь: |
3.2.1. | работать с прикладными инструментами для анализа данных; применять для анализа данных библиотеки языка программирования Python; строить автоматизированные модели анализа данных; |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | навыками решения актуальных задач Data Science; навыками анализа данных (на примере решения задач кластеризации,классификации, прогнозирования); базовыми методами и востребованными на рынке технологиями машинного обучения; |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение в анализ данных | ||||||
1.1. | Введение в интеллектуальный анализ данных: основные понятия, области применения современных технологий обработки и интеллектуального анализа больших данных | Лекции | 6 | 2 | Л2.1, Л2.6, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
1.2. | Большие данные. Организация сбора и хранения больших наборов данных. Hadoop | Лабораторные | 6 | 2 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
1.3. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных | Лекции | 6 | 2 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3, Л1.4 | |
1.4. | Восстановление пропущенных значений в массивах данных | Лабораторные | 6 | 4 | Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
1.5. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных | Сам. работа | 6 | 8 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
1.6. | Большие данные. Организация сбора и хранения больших наборов данных.Hadoop | Сам. работа | 6 | 8 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
Раздел 2. Очистка, интеграция и преобразование данных | ||||||
2.1. | Библиотека pandas. Структуры данных в pandas, работа со структурами данных. Операции над данными. Комбинирование данных из разных источников. Обработка пропущенных значений | Лекции | 6 | 2 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
2.2. | Работа с данными в pandas | Лабораторные | 6 | 4 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
2.3. | Восстановление пропущенных значений в массивах данных | Сам. работа | 6 | 10 | Л2.1, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
Раздел 3. Программные модули и пакеты для работы с многомерными массивами данных. Визуализация данных | ||||||
3.1. | Библиотеки NumPy, SciPy: основные функции. Визуализация данных с matplotlib и pandas | Лекции | 6 | 2 | Л1.1, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3 | |
3.2. | Работа с библиотеками NumPy и SciPy | Лабораторные | 6 | 6 | Л1.1, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3 | |
3.3. | Работа с библиотеками NumPy и SciPy | Сам. работа | 6 | 8 | Л1.1, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3 | |
3.4. | Визуализация данных | Лабораторные | 6 | 4 | Л1.1, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3 | |
3.5. | Визуализация данных | Сам. работа | 6 | 8 | Л1.1, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3 | |
Раздел 4. Теория вероятностей и математическая статистика | ||||||
4.1. | Теория вероятностей: условная вероятность, случайные величины, теорема Байеса, распределение вероятностей | Лекции | 6 | 2 | Л2.3, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
4.2. | Статистика: описание одиночного набора данных, показатели центра распределения, показатели вариации, корреляция и причинная зависимость. Проверка статистических гипотез | Лекции | 6 | 2 | Л2.3, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
4.3. | Теория вероятностей и статистика | Лабораторные | 6 | 6 | Л2.3, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
4.4. | Теория вероятностей и статистика | Сам. работа | 6 | 20 | Л2.3, Л1.1, Л2.4, Л1.2, Л2.2, Л1.3 | |
Раздел 5. Методы машинного обучения | ||||||
5.1. | Задачи машинного обучения. Применение машинного обучения в Data Science. Алгоритмы машинного обучения. Библиотека Scikit-Learn | Лекции | 6 | 4 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л2.5, Л1.3, Л1.4 | |
5.2. | Алгоритмы машинного обучения.Способы и типы машинного обучения.Библиотека Scikit-Learn | Лабораторные | 6 | 6 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л1.3 | |
5.3. | Алгоритмы машинного обучения. Способы и типы машинного обучения | Сам. работа | 6 | 10 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л1.3 | |
5.4. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление. | Лекции | 6 | 2 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л1.3 | |
5.5. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление | Лабораторные | 6 | 6 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л1.3 | |
5.6. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление | Сам. работа | 6 | 16 | Л2.6, Л2.3, Л2.4, Л1.2, Л2.2, Л1.3 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ» – https://portal.edu.asu.ru/enrol/index.php?id=9731 ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-2: Способность применять новые методы исследования в области математического моделирования, проектирования, создания и поддержки информационно-коммуникационных систем и баз данных в сфере профессиональной деятельности ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА 1. Для машинного обучения подходят данные а) предварительно подготовленные, очищенные от ошибок, пропусков и выбросов, а также нормализованные и представленные в виде числовых векторов б) любых форматов в цифровом виде в) числовые типа int г) бинарные 2. Для распределенного глубокого машинного обучения (Deep Learning) больше подходит фреймворк а) PyTorch б) TensorFlow в) Flask г) Scikit-learn 3. Перечислите четыре основных характеристики Big Data: а) Variety, Velocity, Volume, Value б) Virtualization, Volume, Variability, Vehicle в) Verification, Volume, Velocity, Visualization г) Video, Value, Variety, Volume 4. Клиент покупает билет на самолет через интернет. В момент покупки, он хочет знать насколько может упасть стоимость этого билета в ближайшем будущем и когда. К какому типу относится эта задача анализа данных? а) прогнозирование б) кластеризация в) классификация г) интерполяция 5. В кардиологическом центре проводятся операции. До и во время операционного вмешательства с пациента снимаются определённые показания. Известны случаи осложнений во время проведения операций, эти случаи описаны тем же набором данных. Ранее были определены три группы риска среди пациентов. Все предыдущие случаи осложнений отнесены к определённым группам риска. Стоит задача определить группу риска для нового пациента, прошедшего дооперационные обследования. К какому типу относится эта задача анализа данных? а) классификация б) поиск информативных признаков в) кластеризация г) прогнозирование 6. Базовая библиотека для data science на Python – … а) Scipy stack (NumPy & SciPy) б) Theano в) MDP г) Mahout 7. Какая библиотека Python подходит для самостоятельной реализации вычисления главных компонент? а) NumPy б) Matplotlib в) Pandas г) Seaborn 8. Как называется метод определения оптимального числа кластеров с использованием анализа инерции? а) метод Локтя б) метод Плеча в) метод правой руки г) метод прогонки 9. В библиотеке sklearn как называется метод для обучения моделей машинного обучения? а) .fit() б) .train() в) .predict() г) .score() 10. Как называется параметр объекта LinearRegression() библиотеки sklearn, с помощью которого определяется, добавляется ли константа (смещение) в модель или нет? а) fit_intercept б) intercept в) bias г) fit 11. Как называется визуализация связей иерархической кластеризации? а) дендрограмма б) скатерограмма в) скалограмма г) дерево связей 12. Укажите тип данных категориальных столбцов в библиотеке Pandas. а) object б) int64 в) string г) float64 13. К какому типу задач машинного обучения относится задача отличить кошек от собак по фотографии? а) классификация б) кластеризация в) регрессия г) обучение с подкреплением 14. Укажите функцию для построения гистограммы в библиотеке Seaborn. а) sns.histplot б) plt.figure в) plt.subplot г) sns.pairplot 15. К какому типу машинного обучения относится задача регрессии? а) обучение с учителем б) обучение без учителя в) смешанное обучение г) обучение с подкреплением В каждом представленном задании первый ответ является верным. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА 1. Класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Ответ: машинное обучение 2. Данные неоднородны и поступают в разных форматах: текст, картинки, голосовые сообщения, транзакции. Они могут быть неупорядоченными, структурированными полностью или частично. Какая характеристика Big Data отвечает за разнообразие данных? Ответ: Variety 3. Одним из основных методов и техники работы с большими данными является … .–построение графиков и визуальных моделей. Ответ: визуализация 4. Для какого типа задач машинного обучения применяются алгоритмы K-Means, DBSCAN? Ответ: кластеризация 5. Пусть выполнено One-hot кодирование категориальной переменной со следующими возможными значениями (red, blue, pink, yellow, green). Сколько новых столбцов данных для этого потребуется? Ответ: 5 6. Решается задача регрессии. Целевая переменная изменяется в диапазоне [0,1]. Какая из метрик MAE или MSE будет выше для модели? Ответ: MAE 7. Вычислите MSE для следующих данных: реальные значения y{1, 2, 3, 4}, предсказания модели y_pred{2, 1, 4, 6}. Ответ округлить до сотых. Ответ: 1.75 8. Вычислите значение функции сигмоиды σ(z) для z=0.25. Ответ округлить до сотых. Ответ: 0.56 9. Вычислите значение производной функции сигмоиды σ’(z) для z=-3 Ответ округлить до тысячных. Ответ: 0.045 10. Пусть есть три центроида C1{1,0,0}, C2{0,1,1}, C3{1,0,1}. К какому кластеру следует отнести точку с координатами (2, 0, 2) при использовании евклидовой метрики расстояния? Ответ: С3 11. Метод определения оптимального числа кластеров с использованием анализа инерции называется методом … Ответ: Локтя 12. … – задача контролируемого машинного обучения, которая прогнозирует значение метки по набору связанных компонентов. Ответ: Регрессия 13. … – задача контролируемого машинного обучения, которая прогнозирует значение метки по набору связанных компонентов. Ответ: Кластеризация 14. К какому типу задач машинного обучения относится прогнозирование цен на дома по таким атрибутам, как количество комнат, расположение и размер? Ответ: регрессия 15. В библиотеке Pandas есть две основные высокоуровневые структуры данных. Как называется двумерная табличная структура данных? Ответ: DataFrame 16. В библиотеке Pandas есть две основные высокоуровневые структуры данных. Как называется одномерная маркированная структура данных, состоящая из индексов и соответствующих значений. Ответ: Series 17. Что будет выведено на экран результате выполнения следующего кода: import pandas as pd datafrane = pd.Dataframe({“Завтрак”: [100, 20, 35], “Обед”: [40, 50, 65], “Ужин”: [20, 150, 75]}) print(dataframe.shape) Ответ: (3, 3) 18. Сколько первых строк DataFrame по умолчанию отображает функция head()? Ответ: 5 19. Какая библиотека Python служит для обработки и анализа структурированных данных? Ответ: Pandas 20. Укажите библиотеку для создания статистических графиков на Python. Ответ: Seaborn КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом: «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий. |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
Не предусмотрено. |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
Промежуточная аттестация заключается в проведении в конце семестра зачета по всему изученному за семестр материала. Зачет проводится в устной форме по билетам. В билет входит 2 вопроса теоретического характера. 1. Основные понятия: большие данные, наука о данных, анализ данных, машинное обучение. Основные этапы извлечения знаний из данных. Примеры задач анализа данных. 2. Структурированные и неструктурированные данные. Категориальные и непрерывные переменные. Методы отбора признаков (переменных). Библиотека pandas: объекты Series и DataFrame. 3. Обработка данных: поиск пропущенных значений, основные методы обработки пропущенных значений, обработка пропущенных значений с помощью pandas, поиск и удаление дублирующихся значений в pandas. 4. Обработка данных: описательные статистики, поиск аномалий (включая гистограммы, ящиковые диаграммы, ядерные оценки плотности), анализ выбросов и шумов. Нормализация и стандартизация данных. 5. Визуализация данных: виды графиков и диаграмм. Основные инструменты визуализации данных в Python. 6. Кластерный анализ: иерархический кластерный анализ, построение дендрограмм, методы k-средних. Кластерный анализ в Python. 7. Машинное обучение: основные понятия, задачи, которые можно решить с помощью машинного обучения. Алгоритмы машинного обучения с учителем и без учителя (перечислить). Инструменты Python, используемые в машинном обучении. 8. Машинное обучение: этапы моделирования. Отбор признаков на основе модели. Оценка качества построенных моделей. 9. Задача классификации: постановка задачи, пример моделей, понятие переобучения, оценка качества классификации, тонкая настройка модели. 10. Задача регрессии: постановка задачи, пример моделей, понятие переобучения, оценка качества классификации, тонкая настройка модели. КРИТЕРИИ ОЦЕНИВАНИЯ: «Отлично» (зачтено): студентом дан полный, в логической последовательности развернутый ответ на поставленные вопросы, где он продемонстрировал знания предмета в полном объеме учебной программы, достаточно глубоко осмысливает дисциплину, самостоятельно, и исчерпывающе отвечает на дополнительные вопросы, приводит собственные примеры по проблематике поставленного вопроса, решил предложенные практические задания без ошибок. «Хорошо» (зачтено): студентом дан развернутый ответ на поставленный вопрос, где студент демонстрирует знания, приобретенные на лекционных и семинарских занятиях, а также полученные посредством изучения обязательных учебных материалов по курсу, дает аргументированные ответы, приводит примеры, в ответе присутствует свободное владение монологической речью, логичность и последовательность ответа. Однако допускаются неточности в ответе. Решил предложенные практические задания с небольшими неточностями. «Удовлетворительно» (зачтено): студентом дан ответ, свидетельствующий в основном о знании процессов изучаемой дисциплины, отличающийся недостаточной глубиной и полнотой раскрытия темы, знанием основных вопросов теории, слабо сформированными навыками анализа явлений, процессов, недостаточным умением давать аргументированные ответы и приводить примеры, недостаточно свободным владением монологической речью, логичностью и последовательностью ответа. Допускается несколько ошибок в содержании ответа и решении практических заданий. «Неудовлетворительно» (не зачтено): студентом дан ответ, который содержит ряд серьезных неточностей, обнаруживающий незнание процессов изучаемой предметной области, отличающийся неглубоким раскрытием темы, незнанием основных вопросов теории, неумением давать аргументированные ответы. Выводы поверхностны. Решение практических заданий не выполнено. Студент не способен ответить на вопросы даже при дополнительных наводящих вопросах преподавателя. |
Приложения |
Приложение 1.
ФОС Big data2023.docx
|
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Маккинни У. | Python и анализ данных: | Москва: ДМК Пресс, 2020 | https://e.lanbook.com/book/131721 |
Л1.2 | Рашка С. | Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения: Самоучители и руководства | Издательство "ДМК Пресс", 2017 | e.lanbook.com |
Л1.3 | Железнов М. М. | Методы и технологии обработки больших данных: учебно-методическое пособие: Уровень образования: Магистратура | Московский государственный строительный университет, 2020 | e.lanbook.com |
Л1.4 | Д. С. Кокорев, Е. В. Корнеева, В. Г. Сидоренко, А. М. Шаш | Математические методы интеллектуального управления: учебное пособие | Москва : Российский университет транспорта (РУТ (МИИТ), 2021 | biblioclub.ru |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. | Анализ данных и процессов: учеб. пособие: Учебная литература для вузов | СПб.: БХВ-Петербург, 2009 | kist.ntu.edu.ua |
Л2.2 | Шарден Б., Массарон Л., Боскетти А. | Крупномасштабное машинное обучение вместе с Python: Учебные пособия | Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» | e.lanbook.com |
Л2.3 | П. Флах | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: Учебник | ДМК Пресс, 2015//ЭБС издательства «Лань» | e.lanbook.com |
Л2.4 | Лучано Рамальо | Python. К вершинам мастерства: Самоучители и руководства | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л2.5 | Бонцанини М. | Анализ социальных медиа на Python. Извлекайте и анализируйте данные из всех уголков социальной паутины на Python: Другое | Издательство "ДМК Пресс", 2018 | e.lanbook.com |
Л2.6 | Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. | Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP : Учебное пособие | БХВ-Петербург, 2007 | |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Электронный курс на Едином образовательном портале АлтГУ | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
1. MicrosoftOffice 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); 2. Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); 3. Chrome (http://www.chromium.org/chromium-os/licenses ), (бессрочно); 4. 7-Zip (http://www.7-zip.org/license.txt ), (бессрочно); 5. AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); 6. ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); 7. LibreOffice (https://ru.libreoffice.org/), (бессрочно); 8. Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); 9. Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); 10. Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); 11. Okular (https://okular.kde.org/ru/download/), (бессрочно); 12. Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) 13. Дистрибутив Anaconda | ||||
6.4. Перечень информационных справочных систем | ||||
Единый образовательный портал http://portal.edu.asu.ru/ 1. Электронная база данных «Scopus» (http://www.scopus.com); 2. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 3. Научная электронная библиотекаelibrary (http://elibrary.ru) |
Аудитория | Назначение | Оборудование |
---|---|---|
408Л | лаборатория математического моделирования - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доска меловая 1 шт.; компьютер Depo - 10 шт., 5 шт. с мониторами LG и 5 шт. с мониторами Philips; мультимедиа-проектор Sony - 1 шт.; МФУ Canon - 1 шт.; стационарный экран: марка Digis Optima C - 1 шт. |
Учебная аудитория | для проведения занятий всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проекта (работы), проведения практики | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
203Л | лаборатория информационных технологий - компьютерный класс - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 14 посадочных мест; компьютеры: марка ASUS модель i5-6500 - 14 единиц |
Для допуска к сдаче зачета студенты должны выполнить все практические и самостоятельные задания, пройти итоговое тестирование. На зачете студенты должны ответить правильно на два вопроса. Зачет проводится в устной форме. На подготовку студенту отводится 20 минут. За правильный ответ на вопросы студент может получить максимально 40 баллов. При неправильном или неполном ответе может быть задан дополнительный вопрос. За работу на практических занятиях в течении всего семестра студент может максимально набрать 20 баллов. В ходе самостоятельной работы студенты выполняют индивидуальные задания к практическим работам, знакомятся с предложенной литературой. За своевременное и верное выполнение самостоятельных заданий студент максимально может получить 20 баллов. Итоговое тестирование проводится в системе дистанционного обучения Moodle. На тестирование отводится 20 минут. Каждый вариант тестовых заданий включает 20 вопросов. За каждый правильно отвеченный вопрос дается 1 балл. Зачет студенту ставится, если сумма баллов за все виды работ больше 49. |