1. Цели освоения дисциплины
| 1.1. | Цель дисциплины: формирование цифровой и информационной грамотности студентов, освоение ими знаний и умений рационального поиска, отбора, обработки и использования информации и цифровых инструментальных средств в учебной и профессиональной деятельности, соблюдение цифровой этики, гигиены и информационной безопасности, формирование теоретических знаний и практических навыков работы с современными информационно-коммуникационными технологиями, ознакомление с принципами и методами функционирования мировых информационных ресурсов, а также с возможностями их использования в различных областях экономики и бизнеса,а также формирование навыков саморазвития в контексте современной информатизации общества и принципов образования в течение всей жизни. |
|---|
2. Место дисциплины в структуре ООП
| Цикл (раздел) ООП: Б1.О.02 |
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
| ОПК-7 | Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности; |
| ОПК-7.1 | Знает принципы анализа информации, основные справочные системы и профессиональные базы данных, требования информационной безопасности |
| ОПК-7.2 | Умеет использовать современные информационные технологии для саморазвития, профессиональной деятельности и делового общения |
| ОПК-7.3 | Владеет способами защиты персонального компьютера, культурой библиографических исследований и формирования библиографических списков, а также навыками применения современных информационных технологий для представления результатов научных исследований |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | Знать: - методы для решения поставленных задач в научном исследовании; - научную проблематику в сфере информатики и биологии; - способы обеспечения безопасности получения, хранения и обработки различных видов информации |
| 3.2. | Уметь: |
| 3.2.1. | Уметь: - вести научные дискуссии, не нарушая законов логики и правил аргументирования; - пользоваться методиками проведения научных исследований. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | Иметь навыки и (или) опыт деятельности: - формулировать научную проблематику в сфере информатики и биологии; - обосновывать выбранное научное направление, адекватно подбирать средства и методы для решения поставленных задач в научном исследовании; - владеть методами организации и проведения опытно-экспериментальной и исследовательской работы в сфере информатики и биологии; - владеть способами обеспечения информационной безопасности; - делать обоснованные заключения по результатам проводимых исследований; - владеть методами анализа и самоанализа, способствующих развитию личности научного работника |
4. Структура и содержание дисциплины
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| 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 | 6 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1 |
| 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 | 24 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1 |
| 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-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2 |
| 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 | 24 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2 |
| 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 | Сам. работа | 4 | 24 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2 |
| 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 | Лабораторные | 4 | 8 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2 |
| 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 | 12 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3 |
| 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 | 14 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3 |
| 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 | 12 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3 |
| 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 | 14 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3 |
| 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 | 12 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3, Л2.1 |
| 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 | 22 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3, Л2.1 |
| Раздел 7. Сервисы, использующих технологии искусственного интеллекта | ||||||
| 7.1. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Лабораторные | 4 | 10 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3, Л2.1 |
| 7.2. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Сам. работа | 4 | 22 | ОПК-7.1, ОПК-7.2, ОПК-7.3 | Л1.1, Л1.2, Л1.3, Л2.1 |
| Раздел 8. Зачет | ||||||
5. Фонд оценочных средств
| 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.) |
| не предусмотрены |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| См. Приложение |
| Приложения |
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 / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – 652 с.: | М: 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 | Ганегедара Т. | Обработка естественного языка с TensorFlow. — 382 с.: | М.: ДМК , 2020 | e.lanbook.com |
| 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 | Цифровая культура в профессиональной деятельности | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| Python 3.6 и выше Фреймворк Anaconda Google Colab Microsoft Office Microsoft Windows 7-Zip AcrobatReader 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 | ||||
| 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 |
|---|---|---|
| 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; |
| 207Л | 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 DEPO модель Neos 260, мониторы: марка Philips модель 227E3LHSU - 14 единиц |
| 202Л | 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 HP - 14 единиц; мониторы: марка ASUS модель VS197DE - 14 единиц |
8. Методические указания для обучающихся по освоению дисциплины
| Изучение учебной дисциплины студентами предусматривает два вида работ: - работа с преподавателем; - самостоятельная работа. Работа с преподавателем осуществляется при выполнении лабораторных работ. Последовательность проведения данных занятий, их содержание определяются настоящей программой. Посещение данных занятий является обязательным для всех студентов. Лабораторная работа требует подготовки студентов, предусматривающей изучение теоретического материала по теме занятия с использованием учебной литературы, перечень которой приведен в данной рабочей программе. При необходимости в процессе работы над заданием студент может получить индивидуальную консультацию у преподавателя. Лабораторная работа заканчивается составлением отчета, проверяется и оценивается преподавателем. |