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

Цифровая культура в профессиональной деятельности

рабочая программа дисциплины
Закреплена за кафедройКафедра социальной психологии и педагогического образования
Направление подготовки44.03.05. Педагогическое образование (с двумя профилями подготовки)
ПрофильАнглийский язык. Китайский язык
Форма обученияЗаочная
Общая трудоемкость6 ЗЕТ
Учебный планz44_03_05_Педобразование_АК-2022
Часов по учебному плану 216
в том числе:
аудиторные занятия 14
самостоятельная работа 193
контроль 9
Виды контроля по курсам
экзамены: 1

Распределение часов по курсам

Курс 1 Итого
Вид занятий УПРПДУПРПД
Практические 14 14 14 14
Сам. работа 193 193 193 193
Часы на контроль 9 9 9 9
Итого 216 216 216 216

Программу составил(и):
к.п.н., доцент, Кравченко Г.В.

Рецензент(ы):
к.п.н., доцент, Петухова Е.А.

Рабочая программа дисциплины
Цифровая культура в профессиональной деятельности

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - бакалавриат по направлению подготовки 44.03.05 Педагогическое образование (с двумя профилями подготовки) (приказ Минобрнауки России от 22.02.2018 г. № 125)

составлена на основании учебного плана:
44.03.05 Педагогическое образование (с двумя профилями подготовки)
утвержденного учёным советом вуза от 27.04.2021 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра социальной психологии и педагогического образования

Протокол от 23.05.2022 г. № 9
Срок действия программы: 2022-2023 уч. г.

Заведующий кафедрой
Ральникова Ирина Александровна


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 социальной психологии и педагогического образования

Протокол от 23.05.2022 г. № 9
Заведующий кафедрой Ральникова Ирина Александровна


1. Цели освоения дисциплины

1.1.овладение вопросами цифровой культуры в профессиональной деятельности

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.02

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-2 Способен участвовать в разработке основных и дополнительных образовательных программ, разрабатывать отдельные их компоненты (в том числе с использованием информационно-коммуникационных технологий)
ОПК-9 Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.методы и технологии разработки основных и дополнительных образовательных программ;
принципы работы современных ИКТ для решения задач профессиональной деятельности
3.2.Уметь:
3.2.1.разрабатывать основные и дополнительные образовательные программы, отдельные их компоненты с использованием ИКТ;
понимать принципы работы современных ИКТ для решения задач профессиональной деятельности;
применять современные ИКТ для решения задач профессиональной деятельности
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.методами и технологиями разработки основных и дополнительных образовательных программ и их компонентов с использованием ИКТ;
современными ИКТ для решения задач профессиональной деятельности

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Курс 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 Практические 1 2 ОПК-2, ОПК-9 Л2.3, Л1.2, Л2.4, Л2.6
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 1 16 ОПК-2, ОПК-9 Л2.3, Л1.2, Л2.4, Л2.6
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 Практические 1 2 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, 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 1 32 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 Практические 1 2 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, 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 1 30 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 Практические 1 2 ОПК-2, ОПК-9 Л1.1, Л2.5, 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 1 24 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 Практические 1 2 ОПК-9 Л1.1, Л2.5, 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 1 24 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 Практические 1 2 ОПК-2, ОПК-9 Л1.1, Л2.5, 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 1 36 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 7. Сервисы, использующих технологии искусственного интеллекта
7.1. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Практические 1 2 ОПК-2, ОПК-9 Л1.1, Л2.5, 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 1 31 ОПК-2, ОПК-9 Л1.1, Л2.5, 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
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

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 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. — 382 с.: М.: ДМК Пресс, 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 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
107Л 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 18 посадочных мест; компьютеры: марка HP, модель ProOne 400 - 18 единиц; проектор: марка SMART, модель UF70 - 1 единица; интерактивная доска: марка SMART Board модель SMB680 - 1 единица
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;
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

8. Методические указания для обучающихся по освоению дисциплины

см. приложение