Закреплена за кафедрой | Кафедра теоретической кибернетики и прикладной математики |
---|---|
Направление подготовки | 01.04.02. Прикладная математика и информатика |
Профиль | Наука о данных и компьютерные технологии в биологии и медицине |
Форма обучения | Очная |
Общая трудоемкость | 5 ЗЕТ |
Учебный план | 01_04_02_Прикладная математика и информатика_НДиКТБМ-2022 |
|
|
Распределение часов по семестрам
Курс (семестр) | 2 (4) | Итого | ||
---|---|---|---|---|
Недель | 6 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 18 | 18 | 18 | 18 |
Лабораторные | 36 | 36 | 36 | 36 |
Сам. работа | 99 | 99 | 99 | 99 |
Часы на контроль | 27 | 27 | 27 | 27 |
Итого | 180 | 180 | 180 | 180 |
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 теоретической кибернетики и прикладной математики
Протокол от г. №
Заведующий кафедрой Понькина Елена Владимировна
1.1. | Целями освоения дисциплины являются: - изучение методов и алгоритмов по обработке данных различного объёма, статистических методов, методов интеллектуального анализа данных и машинного обучения для работы с данными; - применение полученных знаний для решения прикладных задач из областей биологии и медицины. |
---|
Цикл (раздел) ООП: Б1.О.03 |
ПК-2 | Способен разрабатывать и применять новые инструменты, методы, модели, алгоритмы и технологии для работы с большими данными |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | Алгоритмы, методы и подходы для извлечения знаний из данных. |
3.2. | Уметь: |
3.2.1. | Строить автоматизированные модели анализа и обработки данных, выполнять интерпретацию результатов. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | Методами и алгоритмами для обработки данных различного объёма, статистическими методов, методами интеллектуального анализа данных и машинного обучения для решения прикладных задач в биологии и медицине. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение в науку о данных | ||||||
1.1. | Основные понятия и определения. Процесс Data Science. Актуальные примеры применения Data Science в биологии и медицине. Структурированные, неструктурированные и полуструктурированные данные. Источники получения данных. | Лекции | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
1.2. | Введение в науку о данных. Установка сред разработки | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
1.3. | Введение в науку о данных. Установка сред разработки | Сам. работа | 4 | 4 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
Раздел 2. Обработка, преобразование и визуализация данных | ||||||
2.1. | Библиотека pandas. Структуры данных в pandas. Основные функции и методы обработки структурированных данных в pandas. | Лекции | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.2. | Работа с данными в pandas | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.3. | Обработка медицинских данных с помощью pandas | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.4. | Работа с библиотекой pandas | Сам. работа | 4 | 6 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.5. | Визуализация данных с помощью matplotlib и seaborn. Разведочный анализ данных с помощью графических методов. | Лекции | 4 | 4 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.6. | Визуализация данных инструментами matplotlib и seaborn | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
2.7. | Визуализация данных c помощью matplotlib и seaborn | Сам. работа | 4 | 10 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
Раздел 3. Основы теории вероятностей и математической статистики (выравнивающий модуль) | ||||||
3.1. | Основы теории вероятностей: вероятность, условная вероятность, случайные величины, распределение вероятностей, теорема Байеса, проверка статистических гипотез. | Сам. работа | 4 | 10 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
3.2. | Описательная статистика: меры центральной тенденции, меры разброса данных, диаграммы размаха. | Сам. работа | 4 | 10 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
3.3. | Корреляционный анализ. | Сам. работа | 4 | 10 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
Раздел 4. Методы машинного обучения | ||||||
4.1. | Задачи машинного обучения. Обучение с учителем и без учителя. Библиотека scikit-learn. | Лекции | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.2. | Задачи машинного обучения. Обучение с учителем и без учителя. Библиотека scikit-learn. | Сам. работа | 4 | 13 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.3. | Обучение с учителем: алгоритмы машинного обучения для решения задач классификации и регрессии и их тонкая настройка, метрики оценки качества, переобучение и недообучение. | Лекции | 4 | 4 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.4. | Задача регрессии. Линейная регрессия, полиномиальная регрессия. Прогнозирование динамики роста с помошью регресионой модели. | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.5. | Задача классификации. Линейный классификатор. Логистическая регрессия. Метод k-ближайших соседей. Постановка диагноза как задача классификации. | Лабораторные | 4 | 4 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.6. | Метод опорных векторов, деревья решений, ансамблевые методы машинного обучения для решения задач классификации и регрессии. Оптимизация моделей. | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.7. | Обучение с учителем | Сам. работа | 4 | 18 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.8. | Обучение без учителя: алгоритмы кластеризация и снижения размерности данных. | Лекции | 4 | 4 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.9. | Алгоритмы кластеризации: k-средних, иерархическая кластеризация, DBSCAN. Кластерный анализ для решения задачи оценки растительных ресурсов. | Лабораторные | 4 | 2 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
4.10. | Обучение без учителя | Сам. работа | 4 | 18 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
Раздел 5. Современные исследования в области применения искусственного интеллекта в биологи и медицине | ||||||
5.1. | Обзор современных исследований в области применения машинного обучения и технологий искусственного интеллекта в биологии и медицине | Лабораторные | 4 | 8 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
Раздел 6. Кейс-задания | ||||||
6.1. | Решение кейсов: актуальные задачи из биологии и медицины | Лабораторные | 4 | 10 | ПК-2 | Л1.2, Л2.3, Л2.1, Л2.2, Л1.1 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
См. приложение |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
См. приложение |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. приложение |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | ВандерПлас Дж. | Python для сложных задач. Наука о данных и машинное обучение. : | “Питер”, 2017 | |
Л1.2 | П. Флах | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: Учебник | ДМК Пресс, 2015//ЭБС издательства «Лань» | e.lanbook.com |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Джоши, Пратик. | Искусственный интеллект с примерами на Python. : Пер. с англ. - 448 с.: | СПб. : ООО "Диалектика", 2019 | |
Л2.2 | Мюллер А., Гвидо С. | Введение в машинное обучение с помощью Python.: Руководство для специалистов по работе с данными | , 2017 | |
Л2.3 | Маккинни У. | Python и анализ данных: | Москва: ДМК Пресс, 2020 | https://e.lanbook.com/book/131721 |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Наука о данных в биологии и медицине | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Дистрибутив Anaconda Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); Chrome (http://www.chromium.org/chromium-os/licenses), (бессрочно); 7-Zip (http://www.7-zip.org/license.txt), (бессрочно); AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); LibreOffice (https://ru.libreoffice.org/), (бессрочно); Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); Okular (https://okular.kde.org/ru/download/), (бессрочно); Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) | ||||
6.4. Перечень информационных справочных систем | ||||
1. Издательство «Лань» - электронно-библиотечная система [Электронный ресурс]: http://e.lanbook.com 2. Издательство МЦНМО. Свободно распространяемые книги издательства Московского центра непрерывного математического образования [Электронный ресурс]: www.mccme.ru/free-books 3. Электронная библиотечная система Алтайского государственного университета [Электронный ресурс]: http://elibrary.asu.ru 4. Global Biodiversity Information Facility [Электронный ресурс]: https://www.gbif.org/ru/ 5. Medical Information Mart for Intensive Care [Электронный ресурс]: https://mimic.mit.edu/ |
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. |
320Л | медиатека, читальный зал – помещение для самостоятельной работы | Учебная мебель на 15 посадочных мест; персональные компьютеры с выходом в информационно-телекоммуникационную сеть Интернет и электронную информационно-образовательную среду; |
Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска, мультимедийное оборудование стационарное или переносное) |
Для успешного освоения дисциплины студент должен посещать все занятия, вовремя выполнять лабораторные задания, пользоваться основной и дополнительной литературой, рекомендованной настоящей программой. Во время лекционных занятий рекомендуется вести краткий конспект. Для выполнения лабораторных заданий каждому студенту необходимо: - скачать документ с описанием задания с образовательного портала АлтГУ; - внимательно прочитать задание. Вопросы, возникающие в процессе выполнения заданий, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии; - разработать, отладить и оттестировать программы, решающие поставленные задачи. Для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий. При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными Интернет-ресурсами. |