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

Обработка и анализ изображений
рабочая программа дисциплины

Закреплена за кафедройКафедра информатики
Направление подготовки02.04.01. Математика и компьютерные науки
ПрофильМатематическая кибернетика и прикладной анализ
Форма обученияОчная
Общая трудоемкость4 ЗЕТ
Учебный план02_04_01_МКиПА-1-2020
Часов по учебному плану 144
в том числе:
аудиторные занятия 36
самостоятельная работа 108
Виды контроля по семестрам
зачеты: 2

Распределение часов по семестрам

Курс (семестр) 1 (2) Итого
Недель 15
Вид занятий УПРПДУПРПД
Лекции 18 18 18 18
Практические 18 18 18 18
Сам. работа 108 108 108 108
Итого 144 144 144 144

Программу составил(и):
ст.преп., Анисимов Д.С.

Рецензент(ы):
к.ф.-м.н., доцент, Пономарев И.В.

Рабочая программа дисциплины
Обработка и анализ изображений

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования по направлению подготовки 02.04.01 Математика и компьютерные науки (уровень магистратуры) (приказ Минобрнауки России от 23.08.2017 г. № 810)

составлена на основании учебного плана:
02.04.01 Математика и компьютерные науки
утвержденного учёным советом вуза от 30.06.2020 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра информатики

Протокол от 31.08.2020 г. № 1
Срок действия программы: 2020-2021 уч. г.

Заведующий кафедрой
к.ф.-м.н., доцент Козлов Д.Ю.

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 информатики

Протокол от 31.08.2020 г. № 1
Заведующий кафедрой к.ф.-м.н., доцент Козлов Д.Ю.

1. Цели освоения дисциплины

1.1.сформировать теоретические знания о математическом и алгоритмическом аппарате, используемом в современных системах обработки и анализа изображений;
выработать умения по практическому применению методов и технологий распознавания образов для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных областях;
выработка умений и навыков использования различных программных инструментов анализа изображений и построения формальных математических моделей:
выработка умений построения систем распознавания образов, решающих типичные задачи анализа изображений и машинного зрения, с использованием высокоуровневых программных средств;

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.02

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-3: Способен самостоятельно создавать прикладные программные средства на основе современных информационных технологий и сетевых ресурсов, в том числе отечественного производства
ПК-1: Способен демонстрировать базовые знания математических и естественных наук, основ программирования и информационных технологий при решении фундаментальных и прикладных задач в научно-исследовательской деятельности
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.о различных подходах к построению систем распознавания образов и анализа изображений;
о соотношении дисциплины «распознавание образов и анализ изображений», ее предмета и методов с такими областями как математическая статистика, интеллектуальный анализ данных, машинное обучение, компьютерное зрение, методы оптимизации, дискретная математика;
о прикладных областях и постановках прикладных задач, в которых применяются методы распознавания образов и анализа изображений;
3.2.Уметь:
3.2.1.способы представления цифровых изображений в пространственной и частотной областях;
методы предварительной подготовки изображений;
методы статистического анализа изображений;
методы сегментации изображений;
методы фильтрации изображений и особенности различных фильтров;
способы подавления шума на изображении;
способы поиска границ на изображении;
методы обнаружения объектов на изображении;
методы сжатия изображений;
методы анализа многомерных данных;
основные положения теории обучения по прецедентам,
методы снижения размерности данных и отбора информативных признаков,
методы кластеризации,
методы классификации,
методы регрессионного анализа;
возможности, условия применимости и свойства наиболее распространенных методов машинного обучения при построении, проверке качества и эксплуатации формальных математических моделей;
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.построения и интерпретации формальных математических моделей в терминах прикладной области;
решения прикладных задач с подбором подходящих методов и программных средств анализа изображений и распознавания образов;
конструирования систем распознавания образов на базе высокоуровневых программных средств;

4. Структура и содержание дисциплины

Код занятия Наименование разделов и тем Вид занятия Семестр Часов Компетенции Литература
Раздел 1. Обработка изображений
1.1. Введение в обработку и анализ изображений, соотношение с распознаванием образов. Примеры приложений обработки и анализа изображений. Изображение: способы оцифровки, описания и представления. Группы методов обработки изображений: улучшение изображений, восстановление изображений, анализ изображений, сжатие изображений. Основные параметры растровых изображений (разрешение, размер в пикселах). Цветовые модели (RGB, CMYK, CIE-XYZ, Lab, HSV) и режимы (полноцветный, в градациях серого, в индексированных цветах, бинарный). Форматы файлов и их особенности (RAW, BMP, GIF, JPG). Знакомство с Matlab Image Processing Toolbox (IPT). Основы Matlab. Переменные, операторы и выражения. Рабочее пространство. Работа с матрицами. Сценарии и функции. Основы IPT. Представление изображений. Цветовые режимы. Системы координат на изображении. Чтение и запись изображений. Функции преобразования типов изображений. Визуализация изображений Лекции 2 1 Л2.1, Л1.3, Л2.2
1.2. Знакомство с Matlab Image Processing Toolbox Практические 2 1 Л1.2, Л2.2
1.3. Знакомство с Matlab Image Processing Toolbox Сам. работа 2 10 Л1.2, Л2.2
1.4. Статистические характеристики изображений. Изображение как реализация случайной величины. Функция распределения и плотность распределения интенсивности пикселов изображения. Гистограмма изображения. Основные статистические характеристики и их вычисление по гистограммам: вариация, моменты, математическое ожидание, стандартное отклонение, отношение сигнал/шум, коэффициент асимметрии, коэффициент эксцесса, энтропия. Статистические функции в Matlab и IPT. Лекции 2 1 Л1.1, Л2.1
1.5. Статистический анализ изображений Практические 2 1 Л1.1, Л2.1, Л1.3
1.6. Статистический анализ изображений Сам. работа 2 10 Л1.1, Л2.1, Л1.3
1.7. Попиксельные преобразования изображений. Классы попиксельных преобразований: степенные, логарифмические, кусочно-линейные. Прямая и обратная задачи статистического анализа изображений. Преобразования, основанные на гистограммах. Контрастирование. Гамма-корреекция изображений. Эквализация гистограмм. Бинаризация изображений. Арифметика над изображениями. Табличный метод реализации попиксельных преобразований. Функции попиксельных преобразований в IPT. Лекции 2 1 Л1.3, Л2.2
1.8. Предварительная подготовка изображений. Попиксельные операции Практические 2 1 Л1.3, Л2.2
1.9. Предварительная подготовка изображений. Попиксельные операции Сам. работа 2 10 Л1.3, Л2.2
1.10. Геометрические преобразования изображений. Особенности геометрических преобразований растра. Линейные геометрические преобразования: евклидовы, аффинные, проективные. Нелинейные преобразования: кусочно-линейные, полиномиальные, функции радиального базиса, функции Грина, мультиквадрики Харди. Методы интерполяции цвета пикселов при передискретизации изображений: по ближайшему соседу, билинейная, бикубическая, Ланцоша, Митчелла. Геометрические искажения на изображениях и их коррекция. Методы построения трансформирующих преобразований: наименьших квадратов, центра неопределенности. Измерения на изображениях. Функции геометрических преобразований в IPT. Лекции 2 2 Л2.1, Л1.3, Л2.2
1.11. Геометрические преобразования изображений Практические 2 2 Л2.1, Л1.3, Л2.2
1.12. Геометрические преобразования изображений Сам. работа 2 12 Л2.1, Л1.3, Л2.2
1.13. Сегментация изображений. Сегментация изображений: цель, возможные подходы и требования к результирующим областям. Пороговая сегментация. Способы выбора порога: фиксированный, алгоритм Изодата, алгоритм треугольника, алгоритм симметрии фона. Многоклассовая пороговая сегментация. Рекурсивный алгоритм Оландера. Сегментация наращиванием/декомпозицией областей. Алгоритм Харалика. Сегментация как задача классической кластеризации. Метод K средних. Метод Изодата. Представление сегментов изображения: разметка, описание контуров, квадродеревья, Функции кластеризации и сегментации в Matlab и IPT. Лекции 2 2 Л1.3, Л2.2
1.14. Математическая морфология и анализ бинарных изображений. Бинарные изображения. Связность на растре. Разметка связных областей на бинарных изображениях. Объекты на бинарных изображениях, их моменты и свойства. Основные понятия математической морфологии. Базовые морфологические операции: дилатация, эрозия. Производные морфологические операции: закрытие, раскрытие, утончение, утолщение, скелетизация, поиск границы объекта, заливка контуров и дыр. Морфологические операции как булева свертка. Морфологические операции для изображений в градациях серого. Приложения морфологических операций. Подавление структурного шума. Обнаружение объектов на изображении. Функции обработки и анализа бинарных изображений в IPT. Лекции 2 2 Л1.3, Л2.2
1.15. Методы математической морфологии при анализе изображений Практические 2 2 Л1.3, Л2.2
1.16. Методы математической морфологии при анализе изображений Сам. работа 2 12 Л1.3, Л2.2
1.17. Фильтрация изображений. Свертка: содержательный смысл, непрерывный и дискретный варианты, двумерная свертка. Свертка и фильтры. Маска и ядро фильтра. Типы фильтров: линейные и нелинейные, рекурсивные и нерекурсивные, стационарные и нестационарные. Схемы перемещения маски фильтра по изображению. Шумы на изображениях и шумоподавляющие фильтры: усредняющие фильтры, гауссов фильтр, медианный фильтр. Фильтры увеличения резкости. Сепарабельность линейных фильтров. Лекции 2 2 Л2.1, Л1.2, Л1.3
1.18. Поиск границ на изображении. Методы выделения границ 1-го и 2-го порядка. Градиент изображения. Модуль и ориентация градиента. Дифференциальные фильтры и их свойства. Фильтры Собеля, Робертса, Превитта. Лапласиан изображения. Дифференциальный оператор LoG. Гауссова фильтрация и LoG. Метод Марра-Хильдрета. Метод Канни. Функции поиска границ в IPT. Лекции 2 1 Л2.1, Л1.3
1.19. Свертка и фильтрация Практические 2 2 Л2.1, Л1.2, Л1.3
1.20. Свертка и фильтрация Сам. работа 2 4 Л2.1, Л1.2, Л1.3
1.21. Преобразование Фурье. Пространственно-временное и частотное представление одномерных и двумерных цифровых сигналов. Преобразование Фурье. Модуль и фаза Фурье-образа. Приложения преобразования Фурье. Примеры преобразований. Фильтрация в частотной области. Высоко- и низкочастотные фильтры. Полосная фильтрация. Сглаживание и подавление периодического шума. Скоростная свертка и вычисление корреляционных полей. Поиск объектов на изображении. Функции дискретного преобразования Фурье в Matlab. Лекции 2 1 Л2.1, Л1.3
1.22. Вейвлет-преобразование. Вейвлет-базис и вейвлет-разложение. Базис Хаара. Вейвлеты Добеши. Частотно-временная интерпретация вейвлет-образа сигнала. Использование вейвлет-образа сигнала для выявления локальных особенностей сигнала и динамики локальных частот. Многомасштабный анализ. Скейлинг-функция. Алгоритм Малла. Одномерное дискретное вейвлет-преобразование. Вейвлет-фильтрация шума. Жесткий и мягкий порог. Двумерное дискретное вейвлет-преобразование. Примеры вейвлет-разложения изображений. Приложения вейвлет-анализа в обработке изображений: подавление шумов, сжатие изображений, содержательный поиск изображений. Функции вейвлет-преобразований в Matlab. Лекции 2 1 Л1.2, Л2.2
1.23. Комплексное решение прикладных задач обработки и анализа изображений Практические 2 2 Л2.1, Л1.2, Л1.3
1.24. Комплексное решение прикладных задач обработки и анализа изображений Сам. работа 2 14 Л2.1, Л1.2, Л1.3
Раздел 2. Анализ изображений
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. 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 2 2 Л1.1, Л2.2
2.2. Распознавание рукописных цифр с помощью наивного байесовского классификатора Практические 2 2 Л1.1, Л2.2
2.3. Распознавание рукописных цифр с помощью наивного байесовского классификатора Сам. работа 2 10 Л1.1, Л2.2
2.4. 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 2 1 Л1.1, Л2.2
2.5. Понижение размерности признакового пространства методом главных компонент при диагностировании клеток опухоли по изображениям мазка крови Практические 2 2 Л1.1, Л2.2
2.6. Понижение размерности признакового пространства методом главных компонент при диагностировании клеток опухоли по изображениям мазка крови Сам. работа 2 6 Л1.1, Л2.2
2.7. 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. Лекции 2 1 Л1.1, Л2.2
2.8. Сегментация базы данных клиентов методами кластеризации и предсказание реакции клиента Практические 2 2 Л1.1, Л2.2
2.9. Сегментация базы данных клиентов методами кластеризации и предсказание реакции клиента Сам. работа 2 8 Л1.1, Л2.2
2.10. Распознавание лиц методом собственных лиц Практические 2 1 Л1.1, Л2.2
2.11. Распознавание лиц методом собственных лиц Сам. работа 2 12 Л1.1, Л2.2

5. Фонд оценочных средств

5.1. Контрольные вопросы и задания
Смотри приложение.
5.2. Темы письменных работ (эссе, рефераты, курсовые работы и др.)
Не предусматриваются
5.3. Фонд оценочных средств
Смотри приложение.
Приложения

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 Айвазян С. А. , Мхитарян В. С. , Зехин В. А. Практикум по многомерным статистическим методам : М.: МГУЭСИ, 2003 http://biblioclub.ru/index.php?page=book&id=90409
Л1.2 Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB: Учебные пособия Издательство "ДМК Пресс", 2014 https://e.lanbook.com/book/66474
Л1.3 Глория Буэно Гарсия, Оскар Дениз Суарес, Хосе Луис Эспиноса Аранда Обработка изображений с помощью OpenCV: Издательство "ДМК Пресс", 2016 https://e.lanbook.com/book/90116
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Ю.В. Визильтер, С.Ю. Желтков, В.А. Князь, А.Н. Ходарев. Обработка и анализ цифровых изображений с примерами на LabVIEW.: М. : ДМК Пресс, 2009 http://e.lanbook.com/book/1093
Л2.2 Р. Гонсалес, Р. Вудс ; пер. П.А. Чочиа, Л.И. Рубанова Цифровая обработка изображений : практические советы [Электронный ресурс]: научная литература Москва : Техносфера, 2012 http://biblioclub.ru/index.php?page=book_red&id=233465&sr=1
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 Лаборатория компьютерной графики при ВМК МГУ - http://graphics.cs.msu.ru
Э23 Сжатие данных - http://www.compression.ru
Э24 Теоретический минимум по информатике - http://teormin.ifmo.ru/
Э25 efg’s Image Processing Page - http://www.efg2.com/Lab/Library/ImageProcessing/
Э26 The Computer Vision Home Page - www.cs.cmu.edu/~cil/vision.html
Э27 Image Proccesing Learning Resources - http://homepages.inf.ed.ac.uk/rbf/HIPR2/
Э28 Журавель И.М. Краткий курс теории обработки изображений - http://matlab.exponenta.ru/imageprocess/book2/index.php
Э29 Курс в Moodle "Обработка и анализ изображений" https://portal.edu.asu.ru/course/view.php?id=806
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

7. Материально-техническое обеспечение дисциплины

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)
202Л 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 HP - 14 единиц; мониторы: марка ASUS модель VS197DE - 14 единиц
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
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
205Л 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 9 посадочных мест; компьютеры: марка КламаС Офис, мониторы: марка ACER модель V223HQL - 8 единиц; доска интерактивная Triumph MULTI TOUCH 78 + проектор NEC UM280X в комплекте
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
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
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

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.