Закреплена за кафедрой | Кафедра социальной психологии и педагогического образования |
---|---|
Направление подготовки | 44.03.05. Педагогическое образование (с двумя профилями подготовки) |
Профиль | Английский язык. Китайский язык |
Форма обучения | Заочная |
Общая трудоемкость | 6 ЗЕТ |
Учебный план | z44_03_05_Педобразование_АК-2022 |
|
|
Распределение часов по курсам
Курс | 1 | Итого | ||
---|---|---|---|---|
Вид занятий | УП | РПД | УП | РПД |
Практические | 14 | 14 | 14 | 14 |
Сам. работа | 193 | 193 | 193 | 193 |
Часы на контроль | 9 | 9 | 9 | 9 |
Итого | 216 | 216 | 216 | 216 |
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
1.1. | овладение вопросами цифровой культуры в профессиональной деятельности |
---|
Цикл (раздел) ООП: Б1.О.02 |
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 |
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 |
5.1. 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 |
6.1. 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/ |
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 |
см. приложение |