Закреплена за кафедрой | Кафедра искусств |
---|---|
Направление подготовки | 53.03.02. Музыкально-инструментальное искусство |
Профиль | Музыкально-инструментальное искусство в сфере музыкального исполнительства |
Форма обучения | Заочная |
Общая трудоемкость | 6 ЗЕТ |
Учебный план | z53_03_02_Музыкально-инструментальное искусство_МИИ-2022 |
|
|
Распределение часов по курсам
Курс | 1 | Итого | ||
---|---|---|---|---|
Вид занятий | УП | РПД | УП | РПД |
Лабораторные | 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 искусств
Протокол от 16.05.2022 г. № 6
Заведующий кафедрой Нехвядович Лариса Ивановна
1.1. | Формирование базовых компетенций в области цифровых технологий и их применения в сфере цифрового дизайна и проектирования информационных систем, включая технологии машинного обучения, нейронных сетей. |
---|
Цикл (раздел) ООП: Б1.О.02 |
УК-6 | Способен управлять своим временем, выстраивать и реализовывать траекторию саморазвития на основе принципов образования в течение всей жизни |
ОПК-5 | 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. | Современные информационные технологии и программные средства, в том числе отечественного производства при решении задач профессиональной деятельности |
3.2. | Уметь: |
3.2.1. | Выбирать современные информационные технологии и программные средства, в том числе отечественного производства при решении задач профессиональной деятельности |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | Навыками применения современных информационных технологий и программных средств, в том числе отечественного производства, при решении задач профессиональной деятельности |
Код занятия | Наименование разделов и тем | Вид занятия | Курс | 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 | 1 | 2 | УК-6 | Л2.1, Л1.2, 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 | 1 | 12 | УК-6 | Л2.1, Л1.2, Л2.2 |
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 | 1 | 2 | УК-6 | Л2.1, Л1.2, 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 | 20 | УК-6 | Л2.1, Л1.2, 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 | Лабораторные | 1 | 2 | УК-6 | Л2.1, Л1.2, 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 | 22 | УК-6 | Л2.1, Л1.2, 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 | Лабораторные | 1 | 1 | УК-6 | Л2.1, Л1.2, 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 | 16 | УК-6 | Л2.1, Л1.2, 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 | Лабораторные | 1 | 2 | УК-6 | Л2.1, Л1.2, 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 | 18 | УК-6 | Л2.1, Л1.2, 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. | Лабораторные | 1 | 1 | УК-6 | Л2.1, Л1.2, 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 | 32 | УК-6 | Л2.1, Л1.2, Л2.2 |
Раздел 7. Сервисы, использующих технологии искусственного интеллекта | ||||||
7.1. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Лабораторные | 1 | 2 | УК-6 | Л2.1, Л1.2, Л1.3, Л1.1, Л2.2 |
7.2. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Сам. работа | 1 | 27 | УК-6 | Л2.1, Л1.2, Л2.2 |
Раздел 8. Технологии искусственного интеллекта в проектировании информационных ресурсов | ||||||
8.1. | Применение машинного обучения для аналитики трендов веб-дизайна.Генеративный дизайн | Лабораторные | 1 | 1 | УК-6 | Л2.2 |
8.2. | Применение машинного обучения для аналитики трендов веб-дизайна.Генеративный дизайн | Сам. работа | 1 | 26 | УК-6 | Л2.2 |
Раздел 9. Цифровая среда проектной работы дизайнера | ||||||
9.1. | Ключевые инструменты и принципы организации работы дизайнера в цифровой среде | Лабораторные | 1 | 1 | УК-6 | Л2.2 |
9.2. | Ключевые инструменты и принципы организации работы дизайнера в цифровой среде | Сам. работа | 1 | 20 | УК-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.) |
см. приложение |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
см. приложение |
Приложения |
Приложение 1.
fosdcp53_03_02Музыкально-инструментальное искусство.docx
|
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Гласснер, Э. | Глубокое обучение без математики. Том 2. Практика : | , 2020 | e.lanbook.com |
Л1.2 | Гудфеллоу Я., Бенджио И., Курвилль А. | Глубокое обучение: | Издательство "ДМК Пресс", 2018 | e.lanbook.com |
Л1.3 | Гласснер, Э. | Глубокое обучение без математики. Том 1: | ДМК Пресс, 2019 | https://e.lanbook.com/book/131696 |
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 | Ганегедара, Т. | Обработка естественного языка с TensorFlow: | , 2020 | e.lanbook.com |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Андрей Созыкин Учебный курс «Программирование нейросетей на Python» https://www.asozykin.ru/courses/nnpython | www.asozykin.ru | ||
Э2 | Цифровая культура в профессиональной деятельности | portal.edu.asu.ru | ||
Э3 | IAPREducationCommittee&Resources — коллекция ссылок на образовательные ресурсы по распознаванию образов, машинному обучению, обработке сигналов, обработке изображений и компьютерному зрению, поддерживаемая Международной ассоциацией распознавания образов - http://homepages.inf.ed.ac.uk/rbf/IAPR/index.php | homepages.inf.ed.ac.uk | ||
Э4 | UCIMachineLearningRepository — репозиторий наборов данных для машинного обучения - http://archive.ics.uci.edu/ml/ | archive.ics.uci.edu | ||
Э5 | Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. - http://machinelearning.ru | machinelearning.ru | ||
Э6 | Нейронные сети и обработка текстa https://stepik.org/lesson/225309 | stepik.org | ||
Э7 | Нейронные сети и компьютерное зрение https://stepik.org/lesson/223828/ | stepik.org | ||
Э8 | Ng. A. Machine Learning. - http://coursera.org | coursera.org | ||
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 |
Аудитория | Назначение | Оборудование |
---|---|---|
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 всех видов (дисциплинарной, междисциплинарной и модульной подготовки), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проекта (работы), проведения практики | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска, мультимедийное оборудование стационарное или переносное) |
При изучении дисциплины целесообразно выполнять следующие рекомендации: а) изучение должно быть систематическим, в течение всего семестра; для формирования устойчивых навыков и знаний эффективнее следовать логике построения курса и осваивать учебный материал небольшими порциями; б)после изучения темы на занятии следует выполнить самостоятельную работу по данной теме, если она предполагается, а также изучить дополнительные ресурсы, рекомендованные преподавателем, а также найденные самостоятельно в сети Интернет, в фондах научной библиотеки университета; в)особое внимание следует уделять выполнению заданий на практических занятиях и завершению работы над ними в рамках самостоятельной работы. Выполнение практических заданий предусмотрено как на практических занятиях, так и в форме самостоятельной работы. При выполнении самостоятельной работы учащийся может задавать уточняющие вопросы преподавателю, используя электронные средства коммуникации на Едином образовательном портале АлтГУ, а также при непосредственном общении с преподавателем в часы консультаций. |