МИНОБРНАУКИ РОССИИ
федеральное государственное бюджетное образовательное учреждение высшего образования
«Алтайский государственный университет»

Цифровая культура в профессиональной деятельности

рабочая программа дисциплины
Закреплена за кафедройКафедра органической химии
Направление подготовки04.05.01. специальность Фундаментальная и прикладная химия
СпециализацияАналитическая химия; Органическая химия; Физическая химия и технологии материалов
Форма обученияОчная
Общая трудоемкость6 ЗЕТ
Учебный план04_05_01_Фундаментальная и прикладная химия_Профили-2021
Часов по учебному плану 216
в том числе:
аудиторные занятия 72
самостоятельная работа 59
индивидуальные консультации 58
контроль 27
Виды контроля по семестрам
экзамены: 4

Распределение часов по семестрам

Курс (семестр) 2 (4) Итого
Недель 22
Вид занятий УПРПДУПРПД
Лабораторные 72 72 72 72
Сам. работа 59 59 59 59
Консультации 58 58 58 58
Часы на контроль 27 27 27 27
Итого 216 216 216 216

Программу составил(и):
к.ф.-м.н., Доцент, Терентьева Ю.В.

Рецензент(ы):
д.ф.-м.н., Зав. каф., Безносюк С.А.

Рабочая программа дисциплины
Цифровая культура в профессиональной деятельности

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - специалитет по специальности 04.05.01 Фундаментальная и прикладная химия (приказ Минобрнауки России от 13.07.2017 г. № 652)

составлена на основании учебного плана:
04.05.01 Фундаментальная и прикладная химия
утвержденного учёным советом вуза от 27.04.2021 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра органической химии

Протокол от г. №
Срок действия программы: 2022-2023 уч. г.

Заведующий кафедрой
Безносюк Сергей Александрович


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 органической химии

Протокол от г. №
Заведующий кафедрой Безносюк Сергей Александрович


1. Цели освоения дисциплины

1.1.

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.02

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-3 Способен применять расчетно-теоретические методы для изучения свойств веществ и процессов с их участием, используя современное программное обеспечение и базы данных профессионального назначения
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.
3.2.Уметь:
3.2.1.
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1. Раздел 1. Введение в программирование на языке Python, знакомство со средами разработки Jupyter Notebook и GoogleColab
1.1. Установка фреймворка Anaconda. Настройка рабочего окружения. Знакомство со средой программирования Jupyther Notebook. Знакомство с облачной средой разработки Google Colab. Преимущества и особенности Python. Лабораторные 4 4 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
1.2. Установка фреймворка Anaconda. Настройка рабочего окружения. Знакомство со средой программирования Jupyther Notebook. Знакомство с облачной средой разработки Google Colab. Преимущества и особенности Python. Сам. работа 4 4 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 2. Раздел 2. Загрузка данных в рабочую среду. Визуализация данных и описательная статистика. Корреляционно-регрессионный анализ
2.1. Библиотека Pandas для обработки и анализа данных. Считывание больших данных чанками (порциями). Библиотека NumPy. Визуализация с помощью библиотек Matplotlib и Seaborn. Типы данных. Кросс-таблицы, группировка, сортировка и агрегирование данных. Корреляционный анализ. Линейная регрессия. Основы работы с библиотекой scikit-learn Лабораторные 4 12 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
2.2. Библиотека Pandas для обработки и анализа данных. Считывание больших данных чанками (порциями). Библиотека NumPy. Визуализация с помощью библиотек Matplotlib и Seaborn. Типы данных. Кросс-таблицы, группировка, сортировка и агрегирование данных. Корреляционный анализ. Линейная регрессия. Основы работы с библиотекой scikit-learn Сам. работа 4 12 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 3. Раздел 3. Типовые задачи машинного обучения: кластеризация, классификация и регрессия
3.1. Избранные методы кластеризации данных (k-means, иерархическая и спектральная кластеризация, DBSCAN). Задачи обучения с учителем. Понятие переобучения. Деревья решений для задач классификации и регрессии. Методы, основанные на деревьях решений: Random Forest, XGBoost и CatBoost. Метрики качества обучения и валидация Лабораторные 4 12 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
3.2. Избранные методы кластеризации данных (k-means, иерархическая и спектральная кластеризация, DBSCAN). Задачи обучения с учителем. Понятие переобучения. Деревья решений для задач классификации и регрессии. Методы, основанные на деревьях решений: Random Forest, XGBoost и CatBoost. Метрики качества обучения и валидация Сам. работа 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 4. Раздел 4. Введение в нейронные сети и глубокое обучение
4.1. Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. Лабораторные 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
4.2. Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. Сам. работа 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 5. Раздел 5. Сверточные нейронные сети в задачах анализа изображений
5.1. Идеи, лежащие в основе сверточной нейронной сети, ее преимущество в сравнении с полносвязной нейронной сетью в задачах обработки изображений. Инструментарий Keras для построения сверточных нейронных сетей. Предобученные нейронные сети и перенос обучения. Примеры задач компьютерного зрения Лабораторные 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
5.2. Идеи, лежащие в основе сверточной нейронной сети, ее преимущество в сравнении с полносвязной нейронной сетью в задачах обработки изображений. Инструментарий Keras для построения сверточных нейронных сетей. Предобученные нейронные сети и перенос обучения. Примеры задач компьютерного зрения Сам. работа 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 6. Раздел 6. Нейронные сети в задачах анализа текста. Конструирование чат-ботов
6.1. Особенности обработки естественных языков. Векторная модель текста и классификация длинных текстов. Базовые нейросетевые методы работы с текстами. Языковые модели и генерация текста. Прикладные задачи обработки текста. Конструирование чат-ботов. Лабораторные 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
6.2. Особенности обработки естественных языков. Векторная модель текста и классификация длинных текстов. Базовые нейросетевые методы работы с текстами. Языковые модели и генерация текста. Прикладные задачи обработки текста. Конструирование чат-ботов. Сам. работа 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 7. Раздел 7. Сервисы, использующих технологии искусственного интеллекта
7.1. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Лабораторные 4 4 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
7.2. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Сам. работа 4 4 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 8. Раздел 8. Цифровые технологии в профессиональной деятельности
8.1. Применение облачной среды разработки Google Colab для обработки и графического представления результатов компьютерного эксперимента по процессу релаксации полупроводниковой наноэлектромеханической системы Лабораторные 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
8.2. Создание библиотеки данных физико-химических величин и применение облачной среды разработки Google Colab для решения расчетных задач. Лабораторные 4 8 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
8.3. Создание библиотеки данных физико-химических величин и применение облачной среды разработки Google Colab для решения расчетных задач. Сам. работа 4 7 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
8.4. консультация Консультации 4 58 ОПК-3 Л1.1, Л2.5, Л2.3, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.)
5.3. Фонд оценочных средств для проведения промежуточной аттестации

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение: Издательство "ДМК Пресс", 2018 e.lanbook.com
Л1.2 Гласснер Э. Глубокое обучение без математики. Т. 1: Основы. – 578 с.: М.: ДМК , 2019 e.lanbook.com
Л1.3 Гласснер Э. Глубокое обучение без математики. Том 2. Практика. – 610 с.: М.: ДМК , 2020 e.lanbook.com
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Шакла Нишант Машинное обучение и TensorFlow. - 336 с.: ил. - (Серия «Библиотека программиста»). : СПб.: Питер, 2019
Л2.2 Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — 480 с.: ил. — (Серия «Библиотека программиста»).: СПб.: Питер, 2018
Л2.3 Ын Анналин, Су Кеннет Теоретический минимум по Big Data. Всё, что нужно знать о больших данных: Спб.: Питер, 2019
Л2.4 Джоши, Пратик. Искусственный интеллект с примерами на Python. : Пер. с англ. - 448 с.: СПб. : ООО "Диалектика", 2019
Л2.5 Ганегедара, Т. Обработка естественного языка с TensorFlow: , 2020 e.lanbook.com
Л2.6 Дейтел Пол, Дейтел Харви Python: Искусственный интеллект, большие данные и облачные вычисления. — 864 с.: СПб.: Питер, 2020
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Ng. A. Machine Learning coursera.org
Э2 Нейронные сети и компьютерное зрение stepik.org
Э3 Нейронные сети и обработка текста stepik.org
Э4 Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных machinelearning.ru
Э5 UCIMachineLearningRepository — репозиторий наборов данных для машинного обучения archive.ics.uci.edu
Э6 IAPREducationCommittee&Resources — коллекция ссылок на образовательные ресурсы по распознаванию образов, машинному обучению, обработке сигналов, обработке изображений и компьютерному зрению, поддерживаемая Международной ассоциацией распознавания образов homepages.inf.ed.ac.uk
Э7 Андрей Созыкин Учебный курс «Программирование нейросетей на Python» www.asozykin.ru
Э8 Курс в Moodle portal.edu.asu.ru
6.3. Перечень программного обеспечения
Python 3.6 и выше
Фреймворк Anaconda
Google Colab
Microsoft Office
Microsoft Windows
7-Zip
AcrobatReaderMicrosoft 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
Сайт библиотеки АлтГУ: www.lib.asu.ru;
Электронно-библиотечная система издательства "Лань": www.e.lanbook.com;
Электронно-библиотечная система "Университетская библиотека online": www.biblioclub.ru;
Свободная энциклопедия "Википедия": http://ru.wikipedia.org;
Единый образовательный портал http://portal.edu.asu.ru
Электронная база данных ZBMATH: https://zbmath.org/

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
417К 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 12 посадочных мест; рабочее место преподавателя; доска маркерная - 1 шт.; шкаф с учебно-наглядными пособиями - 1 шт.; компьютеры: марка Клама С Офис – 12; проектор, экран с мультимедиа Smart - 1 ед.; учебно-наглядные пособия.
419К 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 17 посадочных мест; рабочее место преподавателя; доска маркерная - 1 шт.; компьютеры: NAIO Corp Z520, НЭТА - 4 in - 13 ед.

8. Методические указания для обучающихся по освоению дисциплины