Закреплена за кафедрой | Кафедра теоретической кибернетики и прикладной математики |
---|---|
Направление подготовки | 01.04.02. Прикладная математика и информатика |
Профиль | Биокибернетика, биоинформатика и программная инженерия |
Форма обучения | Очная |
Общая трудоемкость | 2 ЗЕТ |
Учебный план | 01_04_02_ББиПИ-1-2020-1 |
|
|
Распределение часов по семестрам
Курс (семестр) | 2 (3) | Итого | ||
---|---|---|---|---|
Недель | 19 | |||
Вид занятий | УП | РПД | УП | РПД |
Практические | 18 | 18 | 18 | 18 |
Сам. работа | 54 | 54 | 54 | 54 |
Итого | 72 | 72 | 72 | 72 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2020-2021 учебном году на заседании
кафедры
Кафедра теоретической кибернетики и прикладной математики
Протокол от 03.07.2020 г. № 8
Заведующий кафедрой к.т.н., доцент Л.А. Хворова
1.1. | Целями освоения дисциплины являются: - изучение методов и подходов интеллектуального анализа данных различного объема, включая предварительную обработку данных и статистический анализ, освоение различных моделей машинного обучения, предназначенных для решения задач классификации и регрессии; - применение полученных знаний для решения прикладных задач из областей биологии и медицины. |
---|
Цикл (раздел) ООП: Б1.В.ДВ.01.01 |
ОПК-3 | Способен разрабатывать математические модели и проводить их анализ при решении задач в области профессиональной деятельности |
ПК-2 | способность применять новые методы исследования в области биокибернетики, биоинформатики, медицины и проектирования комплексов программ в сфере профессиональной деятельности |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | - Основные определения и понятия предметной области; - Задачи, методы и подходы интеллектуального анализа данных; - Технологии интеллектуального анализа данных, применяемые для решения различных задач из областей биологии и медицины. |
3.2. | Уметь: |
3.2.1. | - Строить автоматизированные модели анализа данных; - Выполнять интерпретацию результатов. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | - Методами интеллектуального анализа данных для решения задач кластеризации,классификации, прогнозирования в биологии и медицине. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение в интеллектуальный анализ данных | ||||||
1.1. | Основные понятия и определения. Этапы анализа данных. Структурированные , неструктурированные и полуструктурированные данные. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
1.2. | Актуальные пример ы применения интеллектуального анализа данных в биологии и медицине | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
1.3. | Основные понятия и определения. Этапы анализа данных. Структурированные , неструктурированные и полуструктурированные данные. | Сам. работа | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
Раздел 2. Очистка, интеграция и преобразование данных | ||||||
2.1. | Библиотека pandas. Структуры данных в pandas, работа со структурами данных. Операции над данными. Комбинирование данных из разных источников. Обработка пропущенных значений. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
2.2. | Работа с данными в pandas. Анализ последовательности ДНК. | Сам. работа | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
2.3. | Визуализация данных. | Сам. работа | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
2.4. | Обработка пропущенных значений в массивах данных. | Сам. работа | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
Раздел 3. Теория вероятностей и математическая статистика | ||||||
3.1. | Теория вероятностей: условная вероятность, случайные величины, теорема Байеса, распределение вероятностей. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
3.2. | Статистика: описание одиночного набора данных, показатели центра распределения, показатели вариации, корреляция и причинная зависимость. Проверка статистических гипотез. | Практические | 3 | 0 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
3.3. | Статистический анализ медицинских данных людей, страдающих заболеваниями сердца. Поиск факторов риска. | Сам. работа | 3 | 6 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
Раздел 4. Машинное обучение | ||||||
4.1. | Задачи машинного обучения. Обучение с учителем и без учителя. Библиотека Scikit-Learn. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.2. | Задачи машинного обучения. Обучение с учителем и без учителя.Библиотека Scikit-Learn. | Сам. работа | 3 | 4 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.3. | Задача классификации. Постановка задачи. Классификационные модели. Классификация типов лесного покрова по данным окружающей среды. Задача постановки диагноза по набору медицинских данных. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.4. | Построение модели классификации типов лесного покрова по данным окружающей среды. | Сам. работа | 3 | 6 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.5. | Построение модели постановки диагноза по набору медицинских данных. | Сам. работа | 3 | 8 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.6. | Задача регрессии. Постановка задачи. Предсказательные модели. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.7. | Построение модели прогнозирования темпов роста растений. | Сам. работа | 3 | 6 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.8. | Построение модели прогнозирования заживления органа по постоперационным показателям. | Сам. работа | 3 | 6 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.9. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.10. | Оптимизация гиперпараметров построенных моделей. Оценка качества. | Сам. работа | 3 | 6 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.11. | Введение в компьютерное зрение. Решение задачи диагностики диабетической ретинопатии с помощью компьютерного зрения. | Практические | 3 | 2 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 | |
4.12. | Введение в компьютерное зрение. Решение задачи диагностики диабетической ретинопатии с помощью компьютерного зрения. | Сам. работа | 3 | 4 | Л2.1, Л1.1, Л2.2, Л1.2, Л1.3 |
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. |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Маккинни У. | Python и анализ данных: | Москва: ДМК Пресс, 2020 | https://e.lanbook.com/book/131721 |
Л1.2 | 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 |
Л1.3 | Шарден Б., Массарон Л., Боскетти А. | Крупномасштабное машинное обучение вместе с Python: Учебные пособия | Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» | e.lanbook.com |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Дронов, Сергей Вадимович | Математическая статистика: учеб. пособие | Барнаул : Изд-во АлтГУ, 2016 | elibrary.asu.ru |
Л2.2 | С. В. Дронов | Теория вероятностей: элементарные методы, случайные величины, предельные теоремы: учеб. пособие для мат. спец. | Изд-во АлтГУ, 2014 | elibrary.asu.ru |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Электронная библиотека АлтГУ. | www.lib.asu.ru | ||
Э2 | Электронная библиотечная система "Лань" . | e.lanbook.com | ||
Э3 | Научная электронная библиотека "Elibrary". | elibrary.ruhttp | ||
Э4 | Электронная библиотечная система издательства "Юрайт". | biblio-online.ru | ||
Э5 | Издательство МЦНО (свободно-распространяемые книги). | www.mccme.ru/free-books | ||
Э6 | Методы анализа и обработки данных | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Microsoft Windows Дистрибутив Anaconda Microsoft Office 7-Zip AcrobatReader | ||||
6.4. Перечень информационных справочных систем | ||||
1. Издательство «Лань» - электронно-библиотечная система [Электронный ресурс]: http://e.lanbook.com 2. Издательство МЦНМО. Свободно распространяемые книги издательства Московского центра непрерывного математического образования [Электронный ресурс]: www.mccme.ru/free-books 3. Электронная библиотечная система Алтайского государственного университета [Электронный ресурс]: http://elibrary.asu.ru 4. Электронная база данных ZBMATH: https://zbmath.org/ |
Аудитория | Назначение | Оборудование |
---|---|---|
408Л | лаборатория математического моделирования - 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; доска меловая 1 шт.; компьютер Depo - 10 шт., 5 шт. с мониторами LG и 5 шт. с мониторами Philips; мультимедиа-проектор Sony - 1 шт.; МФУ Canon - 1 шт.; стационарный экран: марка Digis Optima C - 1 шт. |
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 |
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; |
Для успешного освоения дисциплины студент должен посещать все занятия, вовремя выполнять задания, пользоваться основной и дополнительной литературой, рекомендованной настоящей программой. Во время занятий рекомендуется вести краткий конспект. Для выполнения заданий каждому студенту необходимо: - получить вариант задания у преподавателя; - скачать документ с описанием задания с образовательного портала; - внимательно прочитать задание. Вопросы, возникающие в процессе выполнения заданий, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии; - разработать, отладить и оттестировать программы, решающие поставленные задачи. Для каждого задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий. При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными Интернет-ресурсами. 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. |