Закреплена за кафедрой | Кафедра теоретической кибернетики и прикладной математики |
---|---|
Направление подготовки | 01.03.02. Прикладная математика и информатика |
Профиль | Прикладной анализ данных и компьютерное моделирование |
Форма обучения | Очная |
Общая трудоемкость | 4 ЗЕТ |
Учебный план | 01_03_02_Прикладная математика и информатика_ПАДиКМ-2022 |
|
|
Распределение часов по семестрам
Курс (семестр) | 3 (5) | Итого | ||
---|---|---|---|---|
Недель | 15 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 16 | 16 | 16 | 16 |
Лабораторные | 26 | 26 | 26 | 26 |
Сам. работа | 75 | 75 | 75 | 75 |
Часы на контроль | 27 | 27 | 27 | 27 |
Итого | 144 | 144 | 144 | 144 |
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 теоретической кибернетики и прикладной математики
Протокол от 29.06.2022 г. № 11
Заведующий кафедрой к.т.н., доцент Понькина Е.В.
1.1. | Целями изучения дисциплины являются изучение методов и подходов к анализу данных различного объема, включая предварительную обработку данных и статистический анализ, освоение различных моделей машинного обучения, предназначенных для решения задач кластеризации, классификации и регрессии и применение их для решения прикладных задач из различных сфер человеческой деятельности. |
---|
Цикл (раздел) ООП: Б1.О.05 |
ПК-1 | Способность осуществлять научно-исследовательскую деятельность с использованием современных информационно-коммуникационных систем и достижений науки и техники |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | Основные технологии анализа данных. |
3.2. | Уметь: |
3.2.1. | Строить автоматизированные модели анализа данных. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | Навыками анализа данных на примере решения задач кластеризации, классификации, прогнозирования. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение в анализ данных | ||||||
1.1. | Введение в интеллектуальный анализ данных: основные понятия, области применения современных технологий обработки и интеллектуального анализа больших данных. | Лекции | 5 | 2 | ПК-1 | Л1.2, Л1.1, Л2.2 |
1.2. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных. | Лекции | 5 | 2 | ПК-1 | Л1.2, Л1.1, Л2.2 |
1.3. | Большие данные. Организация сбора и хранения больших наборов данных. Hadoop. | Лабораторные | 5 | 2 | ПК-1 | Л1.2, Л1.1, Л2.2 |
1.4. | Этапы анализа данных. Структурированные и неструктурированные данные. Сбор и подготовка данных. | Сам. работа | 5 | 6 | ПК-1 | Л1.2, Л1.1, Л2.2 |
1.5. | Большие данные. Организация сбора и хранения больших наборов данных.Hadoop. | Сам. работа | 5 | 6 | ПК-1 | Л1.2, Л1.1, Л2.2 |
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. | Лекции | 5 | 2 | ПК-1 | Л1.2, Л1.1, Л2.2 |
2.2. | Работа с данными в pandas. | Лабораторные | 5 | 2 | ПК-1 | Л1.2, Л1.1, Л2.2 |
2.3. | Работа с данными в pandas. | Сам. работа | 5 | 6 | ПК-1 | Л1.2, Л1.1, Л2.2 |
2.4. | Восстановление пропущенных значений в массивах данных. | Сам. работа | 5 | 6 | ПК-1 | Л1.2, Л1.1, Л2.2 |
Раздел 3. Программные модули и пакеты для работы с многомерными массивами данных. Визуализация данных | ||||||
3.1. | Библиотеки NumPy, SciPy: основные функции. Визуализация данных с matplotlib и pandas. | Лабораторные | 5 | 4 | ПК-1 | Л1.1, Л2.3 |
3.2. | Работа с библиотеками NumPy и SciPy. | Сам. работа | 5 | 7 | ПК-1 | Л1.1, Л2.3 |
3.3. | Визуализация данных. | Лабораторные | 5 | 4 | ПК-1 | Л1.1, Л2.3 |
3.4. | Визуализация данных. | Сам. работа | 5 | 8 | ПК-1 | Л1.1, Л2.3 |
Раздел 4. Теория вероятностей и математическая статистика | ||||||
4.1. | Теория вероятностей: условная вероятность, случайные величины, теорема Байеса, распределение вероятностей. | Лекции | 5 | 2 | ПК-1 | Л2.1, Л1.1 |
4.2. | Статистика: описание одиночного набора данных, показатели центра распределения, показатели вариации, корреляция и причинная зависимость. Проверка статистических гипотез. | Лекции | 5 | 2 | ПК-1 | Л2.1, Л1.1 |
4.3. | Теория вероятностей и статистика. | Лабораторные | 5 | 2 | ПК-1 | Л2.1, Л1.1 |
4.4. | Теория вероятностей и статистика. | Сам. работа | 5 | 12 | ПК-1 | Л2.1, Л1.1 |
Раздел 5. Методы машинного обучения | ||||||
5.1. | Задачи машинного обучения. Применение машинного обучения в Data Science. Алгоритмы машинного обучения. Библиотека Scikit-Learn. | Лекции | 5 | 6 | ПК-1 | Л1.3, Л2.4, Л2.3 |
5.2. | Алгоритмы машинного обучения.Способы и типы машинного обучения.Библиотека Scikit-Learn. | Лабораторные | 5 | 4 | ПК-1 | Л2.2, Л1.3, Л2.4 |
5.3. | Алгоритмы машинного обучения. Способы и типы машинного обучения. | Сам. работа | 5 | 12 | ПК-1 | Л2.2, Л1.3, Л2.4 |
5.4. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление. | Лабораторные | 5 | 6 | ПК-1 | Л2.2, Л1.3, Л2.4 |
5.5. | Оценка и улучшение качества моделей машинного обучения: перекрестная проверка, поиск по сетке, метрики качества моделей и их вычисление. | Сам. работа | 5 | 12 | ПК-1 | Л2.2, Л1.3, Л2.4 |
5.6. | Защита индивидуальных проектов. | Лабораторные | 5 | 2 | ПК-1 | Л2.2, Л1.3, Л2.4 |
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 предусмотрено |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. приложение |
Приложения |
Приложение 1.
ФОС_МАОД_ПМИ_2020.docx
|
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 | А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. | Анализ данных и процессов: учеб. пособие: Учебная литература для вузов | СПб.: БХВ-Петербург, 2009 | kist.ntu.edu.ua |
Л1.3 | 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 |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Энатская Н.Ю. | Математическая статистика и случайные процессы: учебное пособие для прикладного бакалавриата | М. : Издательство Юрайт // ЭБС «Юрайт», 2018 | www.biblio-online.ru/book/E7144E93-751A-44FD-A63F-B50F18195681 |
Л2.2 | Лучано Рамальо | Python. К вершинам мастерства: Самоучители и руководства | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л2.3 | Бонцанини М. | Анализ социальных медиа на Python. Извлекайте и анализируйте данные из всех уголков социальной паутины на Python: Другое | Издательство "ДМК Пресс", 2018 | e.lanbook.com |
Л2.4 | 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 | Дисциплина на образовательном портале | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Microsoft Windows Microsoft Office Дистрибутив Anaconda 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 | ||||
1. Основы алгоритмизации и программирования на языке Python [Электронный ресурс]: https://portal.edu.asu.ru/course/view.php?id=3237 2. Издательство «Лань» - электронно-библиотечная система [Электронный ресурс]: http://e.lanbook.com 3. Издательство МЦНМО. Свободно распространяемые книги издательства Московского центра непрерывного математического образования [Электронный ресурс]: www.mccme.ru/free-books 4. Электронная библиотечная система Алтайского государственного университета [Электронный ресурс]: http://elibrary.asu.ru 5. 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. |
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) |
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 |
Для успешного освоения дисциплины студент должен посещать лекции и лабораторные занятия, вовремя выполять все задания и тесты, пользоваться основной и полнительноцй литературой, рекомендованной настоящей программой. Во время лекции рекомендуется вести краткий конспект. Навыки программирования на языке Python студент преобретает на лабораторных занятиях. Для выполнения лабораторных заданий каждому студенту необходимо: - получить вариант задания у преподавателя; - скачать документ с описанием задания с образовательного портала; - внимательно прочитать задание. Вопросы, возникающие в процессе выполненпия лабораторных работ, необходимо грамотно сформулировать и обратиться за помощью к преподавателю на консультации или ближайшем занятии; - разработать, отладить и оттестировать программы, решающие поставленные задачи. Для каждого лабораторного задания предусмотрена процедура защиты, в ходе которой преподаватель проводит устный опрос студентов для контроля понимания выполненных ими заданий. Тестовые задания на образовательном портале предназначены для контроля усвоения теоретического материала, а также умения читать и понимать программный код. Тесты выполняются только в присутсвии преподавателя на занятии или на консультации. Количесвто попыток ограничено тремя. Готовясь к тестированию, студент должен изучить конспекты лекций и учебно-методические материалы, рекомендуемые преподавателем. При подготовке к экзамену в дополнение к изучению конспектов лекций и учебной литературы, рекомендуется посещать консультации и пользоваться свободными интернет-ресурсами. |