| Закреплена за кафедрой | Кафедра информационной безопасности |
|---|---|
| Направление подготовки | 10.03.01. Информационная безопасность |
| Профиль | Безопасность автоматизированных систем (в сфере профессиональной деятельности) |
| Форма обучения | Очная |
| Общая трудоемкость | 4 ЗЕТ |
| Учебный план | 10_03_01_Информационная безопасность_БАС-2021 |
|
|
||||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 3 (5) | Итого | ||
|---|---|---|---|---|
| Недель | 16 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 24 | 24 | 24 | 24 |
| Лабораторные | 32 | 32 | 32 | 32 |
| Сам. работа | 48 | 48 | 48 | 48 |
| Консультации | 40 | 40 | 40 | 40 |
| 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 информационной безопасности
Протокол от 28.06.2023 г. № 11-2022/23
Заведующий кафедрой Поляков Виктор Владимирович
| 1.1. | Цель изучения дисциплины – изучение современных математических методов машинного обучения, предназначенных для анализа данных и построения предсказательных моделей. Задачи дисциплины: - изучение математических основ методов машинного обучения и соответствующих алгоритмов; - изучение современных программных сред и библиотек, позволяющих проводить анализ, визуализацию данных, применять современные математические методы машинного обучения; - развитие практических навыков использования методов машинного обучения в прикладных задачах, в том числе связанных с обеспечением информационной безопасности. |
|---|
| Цикл (раздел) ООП: Б1.О.05 |
| ОПК-3 | Способен использовать необходимые математические методы для решения задач профессиональной деятельности; |
| ОПК-3.1 | Знает необходимые математические методы и теоретический аппарат для решения задач обеспечения защиты информации. |
| ОПК-3.2 | Умеет применять совокупность необходимых математических методов и теоретических знаний для решения задач обеспечения защиты информации. |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | ОПК-3.1. Знает необходимые математические методы и теоретический аппарат для решения задач обеспечения защиты информации. алгоритмы машинного обучения, которые могут применяться в задачах обеспечения информационной безопасности принципы работы составных структур данных, способы векторизации вычислений для ускорения расчетов подходы к ускорению работы и улучшению сходимости методов машинного обучения информационные ресурсы, посвященные применению методов машинного обучения виды научных и научно-технических источников в сети Интернет, касающихся методов машинного обучения |
| 3.2. | Уметь: |
| 3.2.1. | ОПК-3.2. Умеет применять совокупность необходимых математических методов и теоретических знаний для решения задач обеспечения защиты информации. пользоваться средой Jupyter Notebook для быстрого применения алгоритмов машинного обучения работать с разнотипными данными, визуализировать их оценивать простые метрики качества работы алгоритмов классификации и восстановления регрессии осуществлять поиск по документации специализированных библиотек машинного обучения пользоваться открытыми базами статей по тематике машинного обучения |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | базовым инструментарием для коллективной разработки алгоритмов машинного обучения навыками создания интерактивных отчетов для задач машинного обучения навыками интеграции различных библиотек для решения комплексных задач обработки данных навыками работы с современными площадками для обмена знаниями в области машинного обучения навыками участия в коллаборативной работе над прикладными проектами в области машинного обучения |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Введение в методы машинного обучения | ||||||
| 1.1. | Общая постановка задачи машинного обучения. Обучение с учителем и без учителя, обучение с подкреплением. Задачи классификации, восстановления регрессии, предсказания. Модели алгоритмов. Признаки. Типы признаков. Понятие функционала качества. Вероятностная постановка задачи. Оценка обощающей способности. Проблема переобучения. Критерии оценки качества работы алгоритмов машинного обучения. ROC-кривые. Примеры практических задач машинного обучения | Лекции | 5 | 6 | ОПК-3.1, ОПК-3.2 | Л1.3, Л2.1, Л1.1, Л1.2 |
| 1.2. | Библиотека Numpy | Лабораторные | 5 | 8 | ОПК-3.2 | Л2.2, Л1.3, Л2.1, Л1.1 |
| 1.3. | Собственные значения и матричные разложения | Лабораторные | 5 | 4 | ОПК-3.2 | Л2.2, Л1.3, Л2.1, Л1.1, Л1.2 |
| 1.4. | Общая постановка задачи машинного обучения. Обучение с учителем и без учителя, обучение с подкреплением. Задачи классификации, восстановления регрессии, предсказания. Модели алгоритмов. Признаки. Типы признаков. Понятие функционала качества. Вероятностная постановка задачи. Оценка обощающей способности. Проблема переобучения. Критерии оценки качества работы алгоритмов машинного обучения. ROC-кривые. Примеры практических задач машинного обучения | Сам. работа | 5 | 12 | ОПК-3.1, ОПК-3.2 | Л2.2, Л2.1, Л1.2 |
| 1.5. | Общая постановка задачи машинного обучения. Обучение с учителем и без учителя, обучение с подкреплением. Задачи классификации, восстановления регрессии, предсказания. Модели алгоритмов. Признаки. Типы признаков. Понятие функционала качества. Вероятностная постановка задачи. Оценка обощающей способности. Проблема переобучения. Критерии оценки качества работы алгоритмов машинного обучения. ROC-кривые. Примеры практических задач машинного обучения | Консультации | 5 | 10 | ОПК-3.1, ОПК-3.2 | |
| Раздел 2. Метрические методы | ||||||
| 2.1. | Обобщенный метрический классификатор. Виды метрик. Метод ближайшего соседа. Алгоритм k-ближайших соседей. Взвешенная версия алгоритма k-ближайших соседей. Метод окна Парзена. Метод потенциальных функций. Понятие эталона. Отступы и классификация объектов. | Лекции | 5 | 4 | ОПК-3.1, ОПК-3.2 | Л2.3, Л1.3, Л2.1, Л1.1, Л1.2 |
| 2.2. | Первичный анализ данных с библиотекой Pandas | Лабораторные | 5 | 4 | ОПК-3.2 | Л1.3, Л2.1, Л1.1 |
| 2.3. | Метод ближайших соседей | Лабораторные | 5 | 4 | ОПК-3.2 | Л2.2, Л1.3, Л1.1 |
| 2.4. | Обобщенный метрический классификатор. Виды метрик. Метод ближайшего соседа. Алгоритм k-ближайших соседей. Взвешенная версия алгоритма k-ближайших соседей. Метод окна Парзена. Метод потенциальных функций. Понятие эталона. Отступы и классификация объектов. | Сам. работа | 5 | 12 | ОПК-3.1, ОПК-3.2 | Л2.2, Л2.1, Л1.2 |
| 2.5. | Обобщенный метрический классификатор. Виды метрик. Метод ближайшего соседа. Алгоритм k-ближайших соседей. Взвешенная версия алгоритма k-ближайших соседей. Метод окна Парзена. Метод потенциальных функций. Понятие эталона. Отступы и классификация объектов. | Консультации | 5 | 10 | ОПК-3.1, ОПК-3.2 | Л2.1, Л1.2 |
| Раздел 3. Линейные методы | ||||||
| 3.1. | Постановка задач линейной регрессии и линейной классификации. Метод наименьших квадратов в матричной форме. Аналитическое решение. Регуляризация в задач регрессии. Мультиколлинеарность и плохая обусловленность ковариационной матрицы. Гребневая регрессия. Метод лассо. Линейные классификаторы. Метод стохастического градиента. Улучшение сходимости метода SGD. Логистическая регрессия. Метод опорных векторов. Линейно разделимые выборки. Двойственная задача. Нелинейные обощения. Возможные виды ядер | Лекции | 5 | 10 | ОПК-3.1, ОПК-3.2 | Л2.3, Л1.3, Л2.1, Л1.1, Л1.2 |
| 3.2. | Линейные методы классификации | Лабораторные | 5 | 4 | ОПК-3.2 | Л2.2, Л1.3, Л1.1 |
| 3.3. | Постановка задач линейной регрессии и линейной классификации. Метод наименьших квадратов в матричной форме. Аналитическое решение. Регуляризация в задач регрессии. Мультиколлинеарность и плохая обусловленность ковариационной матрицы. Гребневая регрессия. Метод лассо. Линейные классификаторы. Метод стохастического градиента. Улучшение сходимости метода SGD. Логистическая регрессия. Метод опорных векторов. Линейно разделимые выборки. Двойственная задача. Нелинейные обощения. Возможные виды ядер | Сам. работа | 5 | 12 | ОПК-3.1, ОПК-3.2 | Л2.3, Л2.1, Л1.2 |
| 3.4. | Постановка задач линейной регрессии и линейной классификации. Метод наименьших квадратов в матричной форме. Аналитическое решение. Регуляризация в задач регрессии. Мультиколлинеарность и плохая обусловленность ковариационной матрицы. Гребневая регрессия. Метод лассо. Линейные классификаторы. Метод стохастического градиента. Улучшение сходимости метода SGD. Логистическая регрессия. Метод опорных векторов. Линейно разделимые выборки. Двойственная задача. Нелинейные обощения. Возможные виды ядер | Консультации | 5 | 10 | ОПК-3.1, ОПК-3.2 | Л2.1, Л1.2 |
| Раздел 4. Обучение без учителя | ||||||
| 4.1. | Методы кластериации. Типы кластерных структур. Функционал качества кластеризации. EM-алгоритм. Метод k-средних. Иерархическая кластеризация. Формула Ланса-Уильямса. Быстрая агломеративная кластеризация. | Лекции | 5 | 4 | ОПК-3.1, ОПК-3.2 | Л2.3, Л1.3, Л2.1, Л1.1, Л1.2 |
| 4.2. | Деревья принятия решений | Лабораторные | 5 | 8 | ОПК-3.2 | Л2.3, Л1.3, Л2.1, Л1.1 |
| 4.3. | Методы кластериации. Типы кластерных структур. Функционал качества кластеризации. EM-алгоритм. Метод k-средних. Иерархическая кластеризация. Формула Ланса-Уильямса. Быстрая агломеративная кластеризация. | Сам. работа | 5 | 12 | ОПК-3.1, ОПК-3.2 | Л2.3, Л2.1, Л1.2 |
| 4.4. | Методы кластериации. Типы кластерных структур. Функционал качества кластеризации. EM-алгоритм. Метод k-средних. Иерархическая кластеризация. Формула Ланса-Уильямса. Быстрая агломеративная кластеризация. | Консультации | 5 | 10 | ОПК-3.1, ОПК-3.2 | Л2.1, Л1.2 |
| 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/course/view.php?id=2326 ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК-3: Способен использовать необходимые математические методы для решения задач профессиональной деятельности Индикаторы достижения компетенции: ОПК-3.1. Знает необходимые математические методы и теоретический аппарат для решения задач обеспечения защиты информации ОПК-3.2. Умеет применять совокупность необходимых математических методов и теоретических знаний для решения задач обеспечения защиты информации ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Определение объекта, изображённого на фотографии является... А. Задачей регрессии Б. Задачей классификации В. Задачей кластеризации Ответ: Б Вопрос 2. Наиболее распространенным видом функции потерь при решении регрессионных задач является А. Квадрат отклонения предсказания от целевого значения Б. Модуль отклонения предсказания от целевого значения В. 0-1 индикаторная функция неравенства предсказания и целевого значения Ответ: А Вопрос 3. "Род занятий человека" относится к... А. Количественным признакам Б. Порядковым признакам В. Бинарным признакам Г. Номинальным признакам Ответ: Г Вопрос 4. Параметризованное семейство функций (алгоритмов), отображающих вектора признаков в вещественные значения является А. Классификационной моделью Б. Регрессионной моделью В. Математической моделью Ответ: Б Вопрос 5. Если наборы обучающих примеров и примеров для валидации пересекаются, то оценки ошибок модели могут оказаться ... А. Одинаковыми Б. Заниженными В. Завышенными Ответ: Б Вопрос 6. Выбор гиперпараметров модели осуществляется, как правило, с помощью... А. Обучающей подвыборки Б. Валидационной подвыборки В. Тестовой подвыборки Ответ: Б Вопрос 7. Классический метод обучения, основывающийся на выборе алгоритма, минимизирующего функционал качества при заданной обучающей подвыборке называется А. Минимизация эмпирического риска Б. Минимизация взаимной энтропии В. Минимизация функции потерь Г. Минимизация вариации данных Ответ: А Вопрос 8. При максимизации правдоподобия параметры модели подбирают так, чтобы... А. Максимизировать функцию правдоподобия Б. Максимизировать вероятности всех наблюдений из обучающей подвыборки В. Минимизировать негативное логарифмическое правдоподобие Г. Максимизировать энтропию модели Ответ: А, Б, В Вопрос 9. При недостаточном объёме собранных данных и необходимости выбора лучшей модели/выборе гиперпараметров возможными стратегиями являются... А. Кросс-валидация Б. Метод leave-one-out В. Выбор модели на основе тестовой подвыборки Г. Случайный выбор гиперпараметров / модели Ответ: А, Б Вопрос 10. Вероятностная постановка задачи классификации может рассматриваться как минимизация... А. Среднего риска Б. Функции потерь В. Функционала качества Г. Среднеквадратичного отклонения Ответ: А Вопрос 11. Разделяющая поверхность между двумя классами с нормальными функциями правдоподобия с одинаковым матрицами ковариации и разными векторами математических ожиданий представляет собой А. Гиперплоскость Б. Гиперболоид В. Гиперсферу Ответ: А Вопрос 12. Что является основным предположением (гипотезой) в модели наивного байесовского классификатора? А. Отсутствие пересечений обучающей и валидационной выборок Б. Наличие связей между случайными переменными-признаками объектов В. Независимость случайных переменных-признаков объектов Ответ: В Вопрос 13. Расстояния между объектами одного и того же класса и объектами разных классов с точки зрения гипотезы компактности... А. Приближенно равны Б. Различны, объекты одного класса ближе друг к другу В. Различны, объекты разных классов ближе друг к другу Г. Различны, могут быть произвольными Ответ: Б Вопрос 14. Почему при использовании метода k-ближайших соседей предпочтительно осуществлять перебор числа k? А. Это позволяет уменьшить влияние "шума" в данных Б. Это позволяет упростить алгоритм принятия решения по сравнению с методом ближайшего соседа В. Это уменьшает эффект переобучения Г. Это позволяет сэкономить память на хранение обучающей выборки Ответ: А, В Вопрос 15. Объект со значением отступа -5.1 классифицируется А. Верно Б. Неверно В. Неопределенно (находится на разделяющей поверхности классов) Ответ: Б КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание выполненных заданий в целом: - «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий; - «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. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. Суть какой гипотезы заключается в том, что схожие объекты гораздо чаще лежат в одном классе, чем в разных, а классы образуют компактно локализованные подмножества в пространстве объектов? Ответ: гипотезы компактности Вопрос 2. Какие виды задач обучения с учителем вы знаете? Ответ: классификация (бинарная, с двумя классами, и множественная, когда число классов больше 2) и регрессия. Вопрос 3. Метод классификации, в котором классифицируемый объект относят к тому классу, элементов которого больше среди k наиболее близких к нему объектов называется _ Ответ: метод k ближайших соседей Вопрос 4. Основным методом обучения при решении задачи регрессии/классификации является _ Ответ: метод минимизации эмпирического риска Вопрос 5. На какие группы можно разделить все объекты обучающей выборки на основании величины отступа в задаче классификации? Ответ: шумы (шумовые объекты), ошибки (ошибочно классифицируемые), пограничные, надежно классифицируемые, эталонные Вопрос 6. Вероятность P(y) принадлежности объекта к заданному классу y называется _ Ответ: априорной вероятностью класса y Вопрос 7. При решении задачи классификации в вероятностной постановке при условии, что заданы распределение P(y) и плотность вероятности p(x|y) наиболее эффективной является минимизация _ Ответ: функционала среднего риска Вопрос 8. Наиболее распространенным параметризованным распределением p(x|y) в задачах классификации является _ Ответ: нормальное (гауссово) распределение Вопрос 9. Что можно отнести к недостаткам метода ближайшего соседа? Ответ: неустойчивость к погрешностям (шумам/выбросам) в данных, отсутствие настраиваемых гиперпараметров Вопрос 10. Почему 0-1-функция (индикаторная функция) ошибок редко напрямую используется в качестве функции потерь при решении задачи классификации? Ответ: подобную функцию нельзя корректно дифференцировать при численном решении задачи минимизации эмпирического риска Вопрос 11. Какой метод линейной классификации автоматически производит выбор подмножества объектов, значимых для построения разделяющей поверхности? Ответ: метод опорных векторов (машина опорных векторов) Вопрос 12. К какому типу задач обучения с учителем можно отнести задачу определения цены недвижимости на основании ее характеристик (удаленности от транспортных артерий, площади, этажа и других)? Ответ: к задаче регрессии Вопрос 13. Если плотность распределения случайной величины симметрична, то что можно сказать о математическом ожидании и медиане данной величины? Ответ: они совпадают Вопрос 14. Каким методом в библиотеке numpy можно изменить форму массива? Ответ: методом reshape Вопрос 15. Каким вызовом можно сгенерировать в библиотеке numpy двумерный массив размера 5 на 4, заполненный единицами? Ответ: np.ones((5,4)) Вопрос 16. Что за значение будет располагаться в массиве y после выполнения следующего кода? import numpy as np W = np.array([[1, 2], [2, 1]]) b = np.array([-1, 1]) x = np.array([2, 3]) y = W @ x + b Ответ: numpy-массив со значением [7, 8], так как первая операция (@) вычислит произведение двумерной матрицы W на одномерный вектор x, равное [8, 7], а затем будет выполнено поэлементное сложение результата с одномерным вектором b Вопрос 17. Дано количество детей из 5 различных семей: [1, 0, 6, 2, 1]. Вычислите среднее и медианное значение детей на каждую семью Ответ: среднее равно 2, медианное значение равно 1 Вопрос 18. Заполните пропуск в коде: import numpy as np print(np._(data, 60)) при этом необходимо получить 60й перцентиль набора данных. Ответ: нужно использовать метод percentile Вопрос 19. Как импортировать библиотеку Pandas c синонимичным именем pd? Ответ использовать код вида: import pandas as pd Вопрос 20. Как получить значение (в виде массива numpy) из колонки 'Age' набора данных, находящегося в pandas-датафрейме c именем df? Ответ: использовать код вида: df[‘Age’].values КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ. «Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет. «Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны. «Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны. «Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан. |
| 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 |
| Промежуточная аттестация заключается в проведении в конце семестра экзамена по всему изученному курсу. Экзамен проводится в устной форме по билетам. В билет входит 2 вопроса: как правило, 1 вопрос теоретического характера и 1 вопрос практико-ориентированного характера. ВОПРОСЫ ТЕОРЕТИЧЕСКОГО ХАРАКТЕРА: 1. Постановка задачи машинного обучения. Обучение с учителем и без учителя. Типы признаков 2. Типы задач. Линейные модели 3. Функционал качества. Минимизация эмпирического риска 4. Переобучение. Методы валидации моделей. Кросс-валидация 5. Метрические методы классификации. Виды расстояний 6. Отбор эталонных объектов. Понятие отступа. Классификация объектов 7. Линейная регрессия. Постановка задачи. Матричная формулировка. Точное решение 8. Регуляризация в линейной регрессии. Виды регуляризаторов 9. Вероятностная модель данных. Максимум правдоподобия 10. Линейный классификатор. Отступы. Функционал качества 11. Метод стохастического градиента (SGD). Преимущества и недостатки 12. Логистическая регрессия. Простой байесовский классификатор. Сигмоидальная функция 13. Метод опорных векторов (SVM). Постановка задачи для линейно разделимой выборки без выбросов 14. Отступы в SVM. Учет выбросов. Формулировка теоремы Куна-Таккера. Двойственная задача 15. Классификация объектов в SVM. Постановка задачи через двойственные переменные λ ВОПРОСЫ ПРАКТИКО-ОРИЕНТИРОВАННОГО ХАРАКТЕРА: 1. Примеры задач обучения без учителя (3-5 примеров) 2. Примеры задач обучения с учителем (3-5 примеров) 3. Метод ближайшего соседа. Метод k ближайших соседей. Взвешенный метод k ближайших соседей 4. Регрессия по соседним объектам. Окно Парзена 5. Гребневая регрессия. Лассо-регрессия 6. Итеративная версия решения задачи линейной регрессии без регуляризации и с регуляризацией. Метод градиентного спуска 7. Методы улучшения сходимости SGD (метод моментов, метод Нестерова) 8. Методы улучшения сходимости SGD (AdaGrad, RMSProp, Adam) 9. Нелинейные ядра в методе SVM. Примеры ядер. Способы их построения 10. Основные метрики качества алгоритмов. ROC-кривые 11. Методы кластеризации. Типы кластерных структур 12. Функционал качества кластеризации. 13. EM-алгоритм в кластерном анализе 14. Метод k-средних 15. Иерархическая кластеризация. Формула Ланса-Уильямса 16. Быстрая агломеративная кластеризация. 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. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Л. Рамальо | Python. К вершинам мастерства: | ДМК Пресс, 2016//ЭБС издательства «Лань» | e.lanbook.com |
| Л1.2 | Е.А. Черткова | Статистика. Автоматизация обработки информации: Учебное пособие | Юрайт, 2018//ЭБС Юрайт | www.biblio-online.ru |
| Л1.3 | Хахаев И. А. | Практикум по алгоритмизации и программированию на Python: курс | М.: Национальный Открытый Университет «ИНТУИТ», 2016//ЭБС «Университетская библиотека online» | biblioclub.ru |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | П. Флах | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: Учебник | ДМК Пресс, 2015//ЭБС издательства «Лань» | e.lanbook.com |
| Л2.2 | Бессмертный И.А., Нугуманова А.Б., Платонов А.В. | Интеллектуальные системы: Учебник и практикум для академического бакалавриата | Юрайт, 2018 // ЭБС "Юрайт" | urait.ru |
| Л2.3 | Крутиков В. Н., Мешечкин В. В. | Анализ данных: учебное пособие | Кемеровский государственный университет, 2014 // ЭБС "Университетская библиотека online" | biblioclub.ru |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Основы машинного обучения | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| Windows 7 Professional, № 60674416 от 17.07.2012 (бессрочная); Office 2010 Professional, № 49464762 от 14.12.2011 (бессрочная); Open Office, http://www.openoffice.org/license.html Python c расширениями PIL, Py OpenGL, https://docs.python.org/3/license.html FAR, http://www.farmanager.com/license.php?l=ru 7-Zip, http://www.7-zip.org/license.txt AcrobatReader, http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf Chrome; http://www.chromium.org/chromium-os/licenses DjVu reader, http://djvureader.org/ 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 | ||||
| Профессиональные базы данных: 1. Электронная база данных «Scopus» (http://www.scopus.com); 2. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 3. Научная электронная библиотека elibrary (http://elibrary.ru) | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| 408К | лаборатория программно-аппаратных средств обеспечения информационной безопасности; лаборатория криптографических методов защиты информации - 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; компью-теры: модель Компьютер Парус 945 MSI PDualCore E2140/512Mb+1024/HDD80Gb/DVD-ROM/LCD17" LG/KM - 11 единиц; мо-ниторы: марка Samsung - 3 единицы; системный блок CTR Office Celeron 2533 MHz - 3 шт.; Аппаратные средства аутентификации пользователя: элек-тронные ключи Guardant Code (4 шт.); электронный ключ Guardant Time (1 шт.); электронные ключи Guardant Stealth (3 шт.); электронные ключи Alad-din eToken PRO (10 шт.). Программно-аппаратные комплексы защиты инфор-мации: Программно-аппаратный ком-плекс «Соболь» Версия 3.0 RU.403008570.501410.001; Программно-аппаратный комплекс «Соболь» Версия 2.1 УВАЛ 00030-58-01; система защиты информации «Secret Net 2000» версии 4.0 (автономный вариант). Комплекс проекционного оборудования для препо-давателя - проектор мультимедийный "Optoma W402", проектор мультимедиа "BenQ MP626 DLP". |
| 106Л | помещение для хранения и профилактического обслуживания учебного оборудования | Стеллажи – 3 шт. осциллограф, паяльная станция, источник тока, переносные ноутбуки |
| 001вК | склад экспериментальной мастерской - помещение для хранения и профилактического обслуживания учебного оборудования | Акустический прибор 01021; виброизмеритель 00032; вольтметр Q1202 Э-500; вольтметр универсальный В7-34А; камера ВФУ -1; компьютер Турбо 86М; масспектрометр МРС -1; осциллограф ЕО -213- 2 ед.; осциллограф С1-91; осциллограф С7-19; программатор С-815; самописец 02060 – 2 ед.; стабилизатор 3218; терц-октавный фильтр 01023; шкаф вытяжной; шумомер 00026; анализатор АС-817; блок 23 Г-51; блок питания "Статрон" – 2 ед.; блок питания Ф 5075; вакуумный агрегат; весы; вольтметр VM -70; вольтметр В7-15; вольтметр В7-16; вольтметр ВУ-15; генератор Г-5-6А; генератор Г4-76А; генератор Г4-79; генератор Г5-48; датчик колебаний КВ -11/01; датчик колебаний КР -45/01; делитель Ф5093; измеритель ИМП -2; измеритель параметров Л2-12; интерферометр ИТ 51-30; источник "Агат" – 3 ед.; источник питания; источник питания 3222; источник питания ЭСВ -4; лабораторная установка для настройки газовых лазеров; лазер ЛГИ -21; М-кальк-р МК-44; М-калькул-р "Электроника"; магазин сопротивления Р4075; магазин сопротивления Р4077; микроскоп МБС -9; модулятор МДЕ; монохроматор СДМС -97; мост переменного тока Р5066; набор цветных стекол; насос вакумный; насос вакуумный ВН-01; осциллограф С1-31; осциллограф С1-67; осциллограф С1-70; осциллограф С1-81; осциллоскоп ЕО -174В – 2 ед.; пентакта L-100; пирометр "Промень"; пистонфон 05001; преобразователь В9-1; прибор УЗДН -2Т; скамья оптическая СО 1м; спектограф ДФС -452; спектограф ИСП -51; стабилизатор 1202; стабилизатор 3217 – 4 ед.; стабилизатор 3218; стабилизатор 3222 – 3 ед.; станок токарный ТВ-4; усилитель мощности ЛВ -103 – 4 ед.; усилитель У5-9; центрифуга ВЛ-15; частотомер Ч3-54А; шкаф металлический; эл.двигатель; электродинамический калибратор 11032 |
| Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
| 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) |
| Рекомендации по подготовке к лекционным занятиям - перед очередной лекцией необходимо просмотреть по конспекту материал предыдущей лекции. - бегло ознакомиться с содержанием очередной лекции по основным источникам литературы в соответствии с рабочей программой дисциплины; - обратить особое внимание на сущность и графическое сопровождение основных рассматриваемых теоретических положений. Рекомендации по подготовке к лабораторным работам - руководствоваться графиком лабораторных работ РПД; - накануне перед очередной работой необходимо по конспекту или в методических указаниях к работе просмотреть теоретический материал работы; - на лабораторном занятии, выполнив разработку алгоритма и реализовав задание на языке высокого уровня, необходимо проанализировать окончательные результаты и убедится в их достоверности; - обратить внимание на оформление отчета, в котором должны присутствовать: цель работы, описание алгоритма, журнал опытных данных, реализация в опыте, цели работы, необходимые графические зависимости (при их наличии) и их анализ, результаты работы и выводы; - при подготовке к отчету руководствоваться вопросами, приведенными в методических указаниях к данной работе, тренажерами программ на ЭВМ по отчету работ и компьютерным учебником. Рекомендации по подготовке к самостоятельной работе - руководствоваться графиком самостоятельной работы; - выполнять все плановые задания, выдаваемые преподавателем для самостоятельного выполнения, и разбирать на семинарах и консультациях неясные вопросы; - подготовку к экзамену необходимо проводить по экзаменационным теоретическим вопросам - при подготовке к экзамену параллельно прорабатываете соответствующие теоретические и практические разделы курса, все неясные моменты фиксируйте и выносите на плановую консультацию. |