Закреплена за кафедрой | Кафедра информатики |
---|---|
Направление подготовки | 09.04.03. Прикладная информатика |
Профиль | Информационные технологии в управлении социальными и экономическими процессами |
Форма обучения | Очная |
Общая трудоемкость | 5 ЗЕТ |
Учебный план | 09_04_03_ПИ-1-2019 |
|
|
Распределение часов по семестрам
Курс (семестр) | 1 (1) | Итого | ||
---|---|---|---|---|
Недель | 19 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 18 | 18 | 18 | 18 |
Практические | 18 | 18 | 18 | 18 |
Сам. работа | 144 | 144 | 144 | 144 |
Итого | 180 | 180 | 180 | 180 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2019-2020 учебном году на заседании
кафедры
Кафедра информатики
Протокол от 22.06.2019 г. № 8
Заведующий кафедрой к.ф.-м.н., доцент Жариков А.В.
1.1. | сформировать теоретические знания по основам машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования; выработать умения по практическому применению методов машинного обучения для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных прикладных областях; выработать умения и навыки использования различных программных инструментов анализа баз данных и систем машинного обучения. |
---|
Цикл (раздел) ООП: Б1.В.ДВ.02.03 |
ОПК-3 | Способен анализировать профессиональную информацию, выделять в ней главное, структурировать, оформлять и представлять в виде аналитических обзоров с обоснованными выводами и рекомендациями; |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | возможности, условия применимости и свойства наиболее распространенных методов машинного обучения при построении, проверке качества и эксплуатации формальных математических моделей; наиболее значимые отечественные и зарубежные журналы в области машинного обучения; электронные ресурсы, связанные с машинным обучением, анализом данных, извлечением знаний из баз данных; основные положения теории обучения по прецедентам; методы предварительной обработки данных (переформатирования, устранения выбросов, заполнения пропусков, шкалирования, агрегации); методы анализа многомерных данных; методы снижения размерности данных и отбора информативных признаков; методы кластеризации; методы классификации; методы регрессионного анализа; иноязычную терминологию в области машинного обучения; международные стандарты в области машинного обучения; |
3.2. | Уметь: |
3.2.1. | производить поиск и отбор публикаций по машинному обучению в различных источниках; анализировать, обобщать и формировать сравнительные обзоры функциональных возможностей и технологических характеристик программных инструментов машинного обучения; планировать исследование, основывающееся на анализе прецедентов и направленное на предсказательное моделирование; применять методы машинного обучения при решении задач построения формальных математических моделей в различных прикладных областях; использовать различные программные системы для построения и эксплуатации моделей машинного обучения; использовать формальные математические модели для имитационного моделирования в режиме "что-если"; анализировать многомерные данные и преодолевать вычислительные проблемы связанные с высокой размерностью данных; пользоваться иноязычной литературой и электронными ресурсами в области машинного обучения; |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | навыками построения и проверки качества формальных математических моделей; навыками интерпретации формальных математических моделей в терминах прикладной области с целью получения новых нетривиальных знаний и выводов; навыками использования высокоуровневых программных стердств для предварительной обработки исходных данных ; навыками использования высокоуровневых программных средств для решения типичных задач машинного обучения: кластеризации, классификации, регрессии; |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение в машинное обучение | ||||||
1.1. | Основные понятия. Определение предмета машинного обучения. Примеры задач и областей приложения. Образы и признаки. Типы задач предсказания. Регрессия. Таксономия. Классификация. Типы ошибок классификации. Обобщающая способность классификатора. Принцип минимизации эмпирического риска. Недообучение. Переобучение. Статистический, нейросетевой и структурно-лигвистический подходы к распознаванию образов. Структура типичной системы распознавания образов. Цикл построения системы распознавания образов. | Лекции | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.1 |
1.2. | Классификация. Общие принципы. Этапы классификации. Алгоритмы обучения классификаторов с учителем и без учителя. Дискриминантный анализ. Геометрическая интерпретация задачи классификации. Проективный подход. Метрики в пространстве признаков. Евклидово расстояние. Расстояние Махалонобиса. Ошибки первого и второго рода. Чувствительность и избирательность. Кривая мощности критерия классификации. ROC-кривые. Проверка классификатора. Проверка тестовой выборкой. Перекрестная проверка. Оценка информативности признаков. | Лекции | 1 | 2 | ОПК-3 | Л1.1, Л2.5 |
Раздел 2. Основные методы машинного обучения | ||||||
2.1. | Байесовская классификация. Условная вероятность. Формула полной вероятности. Формула Байеса. Статистическое распознавание образов. Наивный байесовский классификатор. Задача классификации спама. Критерий отношения правдоподобия. Байесовский уровень ошибки. Байесовский риск. Критерий Байеса. Максимальный апостериорный критерий. Критерий максимального правдоподобия. Многоклассовые байесовские классификаторы. Байесовские классификаторы для нормально распределенных классов при различной структуре матрицы ковариации | Лекции | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.5 |
2.2. | Оценивание функций распределения. Параметрическое оценивание. Метод максимума правдоподобия. Байесовское оценивание. Непараметрическое оценивание. Оценивание ядерным сглаживанием. Окна Парзена. Гладкие ядра. Оценка многомерной плотности. Оценивание по K ближайшим соседям. Классификация по K ближайшим соседям. Взвешивание признаков. Повышение скорости поиска ближайших соседей. Метод k-D-дерева | Лекции | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.1 |
2.3. | Распознавание рукописных цифр с помощью наивного байесовского | Практические | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.1 |
2.4. | Деревья решений. Основные понятия. Классы решаемых задач: описание данных, классификация, регрессия. Общий алгоритм построения дерева решений. Критерии выбора наилучшего атрибута: прирост информации, относительный прирост информации, индекс Гини. Правила остановки разбиения дерева. Обрезание дерева. Алгоритм ID3. Переобучение деревьев решений. Обработка непрерывных атрибутов. Обучение на данных с пропусками. Программное обеспечение для построения деревьев решений | Лекции | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.2 |
2.5. | Распознавание спамовых писем с помощью деревьев решений | Практические | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.2 |
2.6. | Анализ многомерных данных. Корреляционные и причинно-следственные связи. Корреляция признаков и структура данных. Латентные структуры в данных. Формальная и эффективная размерность данных. Структура и шум в данных. Понижение размерности данных. Поиск латентных структур. Отделение структуры от шума. Метод главных компонент как декомпозиция матрицы данных. Матрица счетов. Матрица нагрузок. Матрица ошибок. Объясненная и остаточная вариация в данных. Предобработка данных. Графическая интерпретация метода главных компонент. Критерии выбора количества главных компонент | Лекции | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.7. | Понижение размерности признакового пространства методом главных компонент при диагностировании клеток опухоли по изображениям мазка крови | Практические | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.8. | Регрессия. Метод наименьших квадратов. Теорема Гаусса-Маркова. Обобщенный метод наименьших квадратов. Рекурсивный метод наименьших квадратов. Анализ регрессионных остатков. Графическая проверка линейности, гомоскедастичности. Объясненная и необъясненная вариация. Коэффициент детерминации. Неустойчивость МНК к выбросам. Робастная регрессия | Лекции | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.9. | Теоретико-множественный подход к регрессии. Ошибки регрессии: нормальность и ограниченность. Теоретико-множественное оценивание параметров регрессии и прогноза при интервальной ошибке. Статус образцов. ПИО-размах и ПИО-отклонение. Выбросы, инсайдеры, аутсайдеры и абсолютные выбросы. Эмпирическое оценивание интервальной ошибки. Планирование эксперимента при построении регрессии с интервальной ошибкой | Лекции | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.1 |
2.10. | Многомерная регрессия. Особенности построения регрессии по многомерным данным. Множественная линейная регрессия, ее преимущества и недостатки. Мультиколлинеарность данных. Регрессия на главные компоненты. Интерпретация РГК-моделей. Проверка регрессионных моделей. Ошибка обучения и ошибка прогноза. Критерий выбора количества главных компонент при построении РГК. Проекция на латентные структуры. ПЛС1 и ПЛС2. Алгоритм NIPALS. Интерпретация ПЛС-моделей. | Лекции | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.11. | Предсказание октанового числа бензина по инфракрасному спектру с помощью регрессии на главные компоненты и проекции на латентные структуры | Практические | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.12. | Кластеризация. Кластеризация как классификация без учителя. Меры сходства и меры различия образов. Критерии качества кластеризации. Итеративна оптимизация разбиения на кластеры. Плоские методы кластеризации. Метод K средних. Метод ISODATA. Метод FOREL. Графовые методы. Иерархическая кластеризация. Агломеративные и разделяющие алгоритмы кластеризации. Дендрограммы. | Практические | 1 | 2 | ОПК-3 | Л1.1, Л2.5 |
2.13. | Сегментация базы данных клиентов методами кластеризации и предсказание реакции клиента | Практические | 1 | 2 | ОПК-3 | Л1.2, Л1.1, Л2.5 |
2.14. | Комитетные методы распознавания образов. Теоретические предпосылки комитетных методов. Одиночные модели и ансамбли моделей. Последовательные методы комитетов: бустинг, AdaBoost. Ошибки классификации комитетными методами. Бустинг и переобучение. Параллельные методы комитетов: бутстреп, бэггинг. | Практические | 1 | 2 | ОПК-3 | Л2.3, Л1.1, Л2.5 |
2.15. | Нейронные сети. Предпосылки возникновения нейросетей. Перцептрон Розенблатта. Многослойный перцептрон. Карты Кохонена. Сети Хопфилда. Методы обучения нейросетей. Метод опорных векторов. Машинное обучение и теория Вапника-Червоненкиса. Принцип структурной минимизации риска. Метод опорных векторов. Политика назначения штрафов. Ядерные преобразования. Регрессия опорных векторов. | Практические | 1 | 2 | ОПК-3 | Л1.1, Л2.4 |
2.16. | Защита финальных проектов | Практические | 1 | 2 | ОПК-3 | Л2.3, Л1.2, Л1.1, Л2.5 |
2.17. | Понижение размерности признакового пространства методом главных компонент при диагностировании клеток опухоли по изображениям мазка крови | Сам. работа | 1 | 20 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.18. | Сегментация базы данных клиентов методами кластеризации и предсказание реакции клиента | Сам. работа | 1 | 24 | ОПК-3 | Л1.2, Л1.1, Л2.5 |
2.19. | Выполнение финального проекта | Сам. работа | 1 | 40 | ОПК-3 | Л1.2, Л1.1, Л2.5 |
2.20. | Предсказание октанового числа бензина по инфракрасному спектру с помощью регрессии на главные компоненты и проекции на латентные структуры | Сам. работа | 1 | 24 | ОПК-3 | Л1.2, Л1.1, Л2.2 |
2.21. | Распознавание рукописных цифр с помощью наивного байесовского | Сам. работа | 1 | 20 | ОПК-3 | Л2.3, Л1.1, Л2.1 |
2.22. | Распознавание спамовых писем с помощью деревьев решений | Сам. работа | 1 | 16 | ОПК-3 | Л2.3, Л1.1, Л2.2 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
Смотри приложение. |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
Не предусматривается. |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
Смотри приложение. |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Флах П. | Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных: | Издательство "ДМК Пресс", 2015 | e.lanbook.com |
Л1.2 | Айвазян С. А. , Мхитарян В. С. , Зехин В. А. | Практикум по многомерным статистическим методам : | М.: МГУЭСИ, 2003 | biblioclub.ru |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Рашка С. | Python и машинное обучение: крайне необходимое пособие по новейшей предсказательной аналитике, обязательное для более глубокого понимания методологии машинного обучения: Самоучители и руководства | Издательство "ДМК Пресс", 2017 | e.lanbook.com |
Л2.2 | Коэльо Л.П., Ричарт В. | Построение систем машинного обучения на языке Python: | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л2.3 | Крянев А. В., Лукин Г. В. | Математические методы обработки неопределенных данных : | М.: Физматлит, 2006 | biblioclub.ru |
Л2.4 | Яхъяева Г. Э. | Основы теории нейронных сетей: Учебная литература для ВУЗов | Национальный Открытый Университет «ИНТУИТ», 2016 | biblioclub.ru |
Л2.5 | Шарден Б., Массарон Л., Боскетти А. | Крупномасштабное машинное обучение вместе с Python: Учебные пособия | Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» | e.lanbook.com |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Журавлев Ю. И., Рязанов В. В., Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. - http://ntb.dp5.ru/index.php/-2/130668-zhuravlev-yu-i-ryazanov-v-v-senko-o-v.html | |||
Э2 | Система РАСПОЗНАВАНИЕ (Демо-версия) - http://www.solutions-center.ru/ | |||
Э3 | Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004.-http://irtc.org.ua/image/Files/Schles/esh10_full.pdf | |||
Э4 | Ng. A. Machine Learning. - http://coursera.org | |||
Э5 | Биометрика. Журнал для медиков и биологов, сторонников доказательной биомедицины. - http://www.biometrica.tomsk.ru. | |||
Э6 | Нелинейный метод главных компонент - http://pca.narod.ru | |||
Э7 | Зиновьев А.Ю. Визуализация многомерных данных. - http://pca.narod.ru/ZinovyevBook.pdf | |||
Э8 | BaseGroup Labs. Технологии анализа данных. - http://basegroup.ru/library. | |||
Э9 | Золотых Н.Ю. MATLAB в научной и исследовательской работе - http://www.uic.unn.ru/~zny/matlab/ | |||
Э10 | Золотых Н.Ю. Учебные материалы по машинному обучению - http://www.uic.unn.ru/~zny/ml/ | |||
Э11 | The technical note «How Do I Vectorize My Code?» – [Электронный ресурс]. – http://www.mathworks.com/support/tech-notes/1100/1109.html | |||
Э12 | Система анализа данных RapidMiner - http://www.rapidminer.com/, http://rapid-i.com | |||
Э13 | Система анализа данных KNIME - knime.org | |||
Э14 | Лекции Д.П. Ветрова и Д.А. Кропотова «Байесовские методы машинного обучения» – [Электронный ресурс]. –http://www.machinelearning.ru/wiki/images/e/e1/BayesML-2007-textbook-1.pdf, http://www.machinelearning.ru/wiki/images/4/43/BayesML-2007-textbook-2.pdf | |||
Э15 | Местецкий Л.М. Математические методы распознавания образов. – Курс лекций, ВМиК МГУ, кафедра ММП. – 2002. - http://www.ccas.ru/frc/ papers/mestetskii04course.pdf | |||
Э16 | Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. - http://machinelearning.ru | |||
Э17 | Портал по интеллектуальному анализу данных, поддерживаемый Григорием Пятецким-Шапиро - http://www.kdnuggets.com/ | |||
Э18 | UCI Machine Learning Repository — репозиторий наборов данных для машинного обучения - http://archive.ics.uci.edu/ml/ | |||
Э19 | IAPR Education Committee & 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 | |||
Э20 | Портал Хемометрика в России - http://chemometrics.ru | |||
Э21 | Интернет-университет информационных технологий - http://www.intuit.ru | |||
Э22 | Курс в Moodle "Методы машинного обучения" | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Scilab R STUDIO Python c расширениями PIL, Py OpenGL Microsoft Office Microsoft Windows 7-Zip AcrobatReader | ||||
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 |
---|---|---|
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) |
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 |
203Л | 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 ASUS модель i5-6500 - 14 единиц |
206Л | 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 |
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 |
204Л | 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 - 14 единиц; Интерактивная доска Smart board 680 IV со встроенным проектором v25 |
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 |
1. Лекция. - На лекционных занятиях необходимо конспектировать изучаемый материал. - Для систематизации лекционного материала, который будет полезен при подготовке к итоговому контролю знаний, записывайте на каждой лекции тему, вопросы для изучения, рекомендуемую литературу. - В каждом вопросе выделяйте главное, обязательно запишите ключевые моменты (определение, факты, законы, правила и т.д.), подчеркните их. - Если по содержанию материала возникают вопросы, не нужно выкрикивать, запишите их и задайте по окончании лекции или на семинарском занятии. - Перед следующей лекцией обязательно прочитайте предыдущую, чтобы актуализировать знания и осознанно приступить к освоению нового содержания. 2.Семинарское (практическое) занятие – это форма работы, где студенты максимально активно участвуют в обсуждении темы. - Для подготовки к семинару необходимо взять план семинарского занятия (у преподавателя, на кафедре или в методическом кабинете). - Самостоятельную подготовку к семинарскому занятию необходимо начинать с изучения понятийного аппарата темы. Рекомендуем использовать справочную литературу (словари, справочники, энциклопедии), целесообразно создать и вести свой словарь терминов. - На семинар выносится обсуждение не одного вопроса, поэтому важно просматривать и изучать все вопросы семинара, но один из вопросов исследовать наиболее глубоко, с использованием дополнительных источников (в том числе тех, которые вы нашли самостоятельно). Не нужно пересказывать лекцию. - Важно запомнить, что любой источник должен нести достоверную информацию, особенно это относится к Internet-ресурсам. При использовании Internet - ресурсов в процессе подготовки не нужно их автоматически «скачивать», они должны быть проанализированы. Не нужно «скачивать» готовые рефераты, так как их однообразие преподаватель сразу выявляет, кроме того, они могут быть сомнительного качества. - В процессе изучения темы анализируйте несколько источников. Используйте периодическую печать - специальные журналы. - Полезным будет работа с электронными учебниками и учебными пособиями в Internet-библиотеках. Зарегистрируйтесь в них: университетская библиотека Онлайн (http://www.biblioclub.ru/) и электронно-библиотечная система «Лань» (http://e.lanbook.com/). - В процессе подготовки и построения ответов при выступлении не просто пересказывайте текст учебника, но и выражайте свою личностно-профессиональную оценку прочитанного. - Принимайте участие в дискуссиях, круглых столах, так как они развивают ваши навыки коммуникативного общения. - Если к семинарским занятиям предлагаются задания практического характера, продумайте план их выполнения или решения при подготовке к семинару. - При возникновении трудностей в процессе подготовки взаимодействуйте с преподавателем, консультируйтесь по самостоятельному изучению темы. 3. Самостоятельная работа. - При изучении дисциплины не все вопросы рассматриваются на лекциях и семинарских занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения. - Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее. - Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса. - При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру. - Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции. 4. Итоговый контроль. - Для подготовки к зачету/экзамену возьмите перечень примерных вопросов у методиста кафедры. - В списке вопросов выделите те, которые были рассмотрены на лекции, семинарских занятиях. Обратитесь к своим записям, выделите существенное. Для более детального изучения изучите рекомендуемую литературу. - Если в списке вопросов есть те, которые не рассматривались на лекции, семинарском занятии, изучите их самостоятельно. Если есть сомнения, задайте вопросы на консультации перед экзаменом. - Продумайте свой ответ на экзамене, его логику. Помните, что ваш ответ украсит ссылка на источник литературы, иллюстрация практики применения теоретического знания, а также уверенность и наличие авторской аргументированной позиции как будущего субъекта профессиональной деятельности. |