1. Цели освоения дисциплины
| 1.1. | Формирование навыков использования современных информационных технологий в научной и производственной деятельности в области природопользования, а также формирование у студентов навыков использования геоинформационных систем. |
|---|
2. Место дисциплины в структуре ООП
| Цикл (раздел) ООП: Б1.О.02 |
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
| ОПК-3 | Способен применять базовые методы экологических исследований для решения задач профессиональной деятельности |
| ОПК-3.1 | Знает базовые методы экологических исследований |
| ОПК-3.2 | Умеет использовать базовые методы экологических исследований при решении задач профессиональной деятельности в сфере экологии, природопользования и охраны природы |
| ОПК-3.3 | Способен применять базовые методы экологических исследований для решения задач профессиональной деятельности в сфере экологии, природопользования и охраны природы |
| ОПК-5 | Способен понимать принципы работы информационных технологий и решать стандартные задачи профессиональной деятельности в области экологии, природопользования и охраны природы с использованием информационно - коммуникационных, в том числе геоинформационных технологий |
| ОПК-5.1 | Владеет навыками использования ИКТ для синтеза информации в среде электронных профессиональных продуктов; работы с программными продуктами в сфере информационной безопасности; методами поиска и обмена информацией в глобальных и локальных компьютерных сетях |
| ОПК-5.2 | Владеет методами, приемами, способами обработки эколого-географических, геоэкологических данных с использованием информационно- коммуникационных, в том числе геоинформационных технологий |
| ОПК-5.3 | Способен применять методы, приемы, способы обработки эколого-географических, геоэкологических данных для решения задач профессиональной деятельности в области экологии, природопользования и охраны природы |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | ОПК-3.1. Знает базовые методы экологических исследований; ОПК-5.1. Владеет навыками использования ИКТ для синтеза информации в среде электронных профессиональных продуктов; работы с программными продуктами в сфере информационной безопасности; методами поиска и обмена информацией в глобальных и локальных компьютерных сетях. |
| 3.2. | Уметь: |
| 3.2.1. | ОПК-3.2. Умеет использовать базовые методы экологических исследований при решении задач профессиональной деятельности в сфере экологии, природопользования и охраны природы; ОПК-5.2. Владеет методами, приемами, способами обработки эколого-географических, геоэкологических данных с использованием информационно-коммуникационных, в том числе геоинформационных технологий. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | ОПК-3.3. Способен применять базовые методы экологических исследований для решения задач профессиональной деятельности в сфере экологии, природопользования и охраны природы; ОПК-5.3. Способен применять методы, приемы, способы обработки эколого-географических, геоэкологических данных для решения задач профессиональной деятельности в области экологии, природопользования и охраны природы. |
4. Структура и содержание дисциплины
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Использование информационных технологий в экологии и природопользовании | ||||||
| 1.1. | Использование текстовой программы MS "Word". Общие фунции и интерфейс программы. Электронные таблицы "Excel". Обобщенные функции и интерфес программы. | Лабораторные | 2 | 6 | Л1.1, Л2.1 | |
| 1.2. | Использование текстовых программ в экологии и природопользовании. Использование электронных таблиц в экологии и природопользовании | Сам. работа | 2 | 12 | Л1.1, Л2.1 | |
| Раздел 2. ГИС в экологии и природопользовании. Программы ArcGIS и QGIS. | ||||||
| 2.1. | Программный продукт ГИС в экологии и природопользовании. Программы ArcGIS и QGIS. Интерфейс программы ArcGIS и QGIS. Обобщенные функции ГИС-системы. Знакомство с программынми продуктами для проектирования. Создание, компоновка и оформление карт, схем, проектов. | Лабораторные | 2 | 10 | Л1.1, Л2.1 | |
| 2.2. | Применение ГИС в экологии и природопользовании. Использование графических программ в экологии и природопользовании. | Сам. работа | 2 | 19 | Л1.1, Л2.1 | |
| Раздел 3. Введение в программирование на языке Python, знакомство со средами разработки Jupyter Notebook и GoogleColab | ||||||
| 3.1. | Установка фреймворка Anaconda. Настройка рабочего окружения. Знакомство со средой программирования Jupyther Notebook. Знакомство с облачной средой разработки Google Colab. Преимущества и особенности Python. | Лабораторные | 2 | 4 | Л1.1, Л2.1 | |
| 3.2. | 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 | 2 | 6 | Л1.1, Л2.1 | |
| Раздел 4. Загрузка данных в рабочую среду. Визуализация данных и описательная статистика. Корреляционно-регрессионный анализ | ||||||
| 4.1. | 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 | 2 | 12 | Л1.1, Л2.1 | |
| 4.2. | 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 | 2 | 18 | Л1.1, Л2.1 | |
| Раздел 5. Типовые задачи машинного обучения: кластеризация, классификация и регрессия | ||||||
| 5.1. | 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 | 2 | 12 | Л1.1, Л2.1 | |
| 5.2. | 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 | 2 | 18 | Л1.1, Л2.1 | |
| Раздел 6. Введение в нейронные сети и глубокое обучение | ||||||
| 6.1. | Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. | Лабораторные | 2 | 6 | Л1.1, Л2.1 | |
| 6.2. | Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. | Сам. работа | 2 | 12 | Л1.1, Л2.1 | |
| Раздел 7. Сверточные нейронные сети в задачах анализа изображений | ||||||
| 7.1. | 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 | 2 | 8 | Л1.1, Л2.1 | |
| 7.2. | 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 | 2 | 12 | Л1.1, Л2.1 | |
| Раздел 8. Нейронные сети в задачах анализа текста. Конструирование чат-ботов | ||||||
| 8.1. | 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 | 2 | 8 | Л1.1, Л2.1 | |
| 8.2. | 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 | 2 | 12 | Л1.1, Л2.1 | |
| Раздел 9. Сервисы, использующих технологии искусственного интеллекта | ||||||
| 9.1. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Лабораторные | 2 | 6 | Л1.1, Л2.1 | |
| 9.2. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Сам. работа | 2 | 8 | Л1.1, Л2.1 | |
5. Фонд оценочных средств
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой университет АлтГУ» – https://portal.edu.asu.ru/course/view.php?id=9299. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ОПК5: Способен понимать принципы работы информационных технологий и решать стандартные задачи профессиональной деятельности в области экологии, природопользования и охраны природы с использованием информационно - коммуникационных, в том числе геоинформационных технологий. ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Какая программа используется для работы с геоинформационными системами (ГИС)? 1. ARCGIS; 2. Python; 3. Jupyter Notebook; 4. TensorFlow; 5. ни один из них; ОТВЕТ: 1 Вопрос 2. Что из перечисленного относится к языку программирования Python? 1. Это интерпретируемый язык; 2. Это компилируемый язык; 3. Это язык с динамической типизацией; 4. Все ответы верны; ОТВЕТ: 4 Вопрос 3. Что такое описательная статистика? 1. Статистический метод, используемый для оценки взаимосвязи между двумя переменными; 2. Статистический анализ, используемый для описания основных характеристик набора данных; 3. Статистическое моделирование, используемое для прогнозирования будущих событий; 4. Ни один из ответов не является верным; ОТВЕТ: 2 Вопрос 4. В чем заключается корреляционно-регрессионный анализ? 1. В определении связи между двумя или более переменными; 2. В анализе данных с целью выявления тенденций; 3. В использовании статистических моделей для прогнозирования событий; 4. В описании основных характеристик набора данных; ОТВЕТ: 2 Вопрос 5. Что такое кластеризация в машинном обучении? 1. Процесс разделения данных на группы или кластеры; 2. Процесс идентификации отдельных объектов; 3. Ни один из предложенных ответов; 4. Процесс определения взаимосвязи между объектами; ОТВЕТ: 1 Вопрос 6. Что такое классификация в машинном обучении? 1. Определение принадлежности объектов к определенному классу; 2. Определение взаимосвязи между объектами; 3. Определение основных характеристик данных; 4. Определение тенденций в данных; ОТВЕТ: 1 Вопрос 7. Что такое нейронная сеть? 1. Компьютерное моделирование человеческого мозга; 2. Набор алгоритмов, имитирующих работу человеческого мозга; 3. Математическая модель, предназначенная для решения сложных задач; 4. Ни один ответ не является правильным; ОТВЕТ: 3 Вопрос 8. Что такое глубокое обучение? 1. Использование многослойных нейронных сетей для решения сложных проблем; 2. Применение алгоритмов машинного обучения для анализа данных; 3. Использование статистических моделей для предсказания событий; 4. Ни один предложенный ответ; ОТВЕТ: 1 Вопрос 9. Что из ниже перечисленного представляет собой среду разработки для Python? 1. PyCharm; 2. Jupyter Notebook; 3. Spyder; 4. все вышеперечисленное; ОТВЕТ: 4 Вопрос 10. Какая программа используется для визуализации и анализа данных? 1. Google Colab; 2. Pandas; 3. Scikit-Learn; 4. TensorFlow; ОТВЕТ: 2 Вопрос 11. Какая программа может быть использована для создания нейронной сети? 1. Keras; 2. PyTorch; 3. TensorFlow; 4. Все; ОТВЕТ: 4 Вопрос 12. Программа Microsoft Excel это… 1. Графический редактор; 2. Текстовый процессор; 3. Операционная система; 4. Табличный процессор; ОТВЕТ: 4 Вопрос 13. При задании параметров страницы в текстовом редакторе устанавливаются: 1. поля, ориентация и размер страницы; 2. интервал между абзацами и вид шрифта; 3. фон и границы страницы, отступ; 4. параметры текста. ОТВЕТ: 1 Вопрос 14. Первые геоинформационные системы были созданы… 1. в Англии и Германии; 2. в США и Канаде; 3. в России; 4. во Франции. ОТВЕТ: 2 Вопрос 15. Какая программа чаще всего используется для разработки глубокого обучения? 1. ARCGIS; 2. QGIS; 3. TensorFlow; 4. PyTorch ОТВЕТ: 3 КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ теоретического характера в целом: • «зачтено» – верно выполнено более 50% заданий; «не зачтено» – верно выполнено 50% и менее 50% заданий; • «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% или менее 50% заданий. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. Полигон — это площадь, ограниченная ..... линией. Ответ: замкнутой Вопрос 2. Геоинформационная система MapInfo была разработана в Ответ: США Вопрос 3. Тип базы данных, содержащий географические данные, в сочетании с программными средствами для управления, анализа и визуализации этих данных – это Ответ: Геоинформационные системы Вопрос 4. Какие типы искусственного интеллекта используются в современных сервисах? Ответ: нейронные сети, глубокое обучение, машинное обучение Вопрос 5. Программы, способные вести диалог с пользователями на естественном языке и выполнять различные задачи, такие как ответы на вопросы, предоставление информации, обработка заказов и т.д. – это Ответ: Чат-боты Вопрос 6. Подход к машинному обучению, основанный на построении и обучении глубоких нейронных сетей с большим количеством слоев. Он позволяет автоматически извлекать высокоуровневые признаки из данных и обеспечивает лучшую производительность во многих задачах – это Ответ: Глубокое обучение Вопрос 7. Задача разделения объектов на группы (кластеры) таким образом, чтобы объекты внутри одного кластера были похожи между собой, а объекты из разных кластеров были различны. Ответ: Кластеризация Вопрос 8. Задача предсказания непрерывного значения целевой переменной на основе имеющихся признаков. Методы регрессии включают линейную регрессию, полиномиальную регрессию, метод опорных векторов и др. Ответ: Регрессия Вопрос 9. Какие библиотеки Python можно использовать для работы с нейронными сетями и машинным обучением? Ответ: TensorFlow, Keras, PyTorch, scikit-learn, Pandas Вопрос 10. Какие инструменты можно использовать для визуализация данных? Ответ: Matplotlib Seaborn, Plotly. Вопрос 11. Какая программа чаще всего используется для разработки искусственного интеллекта? Ответ: TensorFlow. Вопрос 12. В каких отраслях наиболее широко применяются технологии искусственного интеллекта? Ответ: Медицина, финансы, розничная торговля. Вопрос 13. Как называется документ в программе Excel? Ответ: Книга Вопрос 14. Наименьшей структурной единицей внутри таблицы является.. Ответ: Ячейка Вопрос 15. Программно реализованная сложная система для создания веб-страниц без знания языков программирования… Ответ: Конструктор сайтов Вопрос 16. Какие способы загрузки данных наиболее популярны при работе с рабочей средой? Назовите минимум три способа загрузки данных. Ответ: Способы загрузки данных в рабочую среду могут включать чтение данных из файлов (например, CSV, Excel), подключение к базам данных, загрузку данных из веб-источников и многое другое. Вопрос 17. Какие типовые задачи включает в себя машинное обучение? Ответ: Классификация, кластеризация и регрессия. Вопрос 17. Какие существуют среды разработки для программирования на языке Python? Ответ: Jupyter Notebook, Google Colab и другие. Вопрос 18. Для чего используются сверточные нейронные сети? Ответ: Для обработки изображений. Вопрос 19. Какие из сервисов используют технологии искусственного интеллекта? Ответ: Онлайн-переводчики, поисковые системы, распознавание речи. Вопрос 20. Что является основой алгоритмов Random Forest и XGBoost? Ответ: Градиентный бустинг КРИТЕРИИ ОЦЕНИВАНИЯ ОТКРЫТЫХ ВОПРОСОВ. «Отлично» (зачтено): Ответ полный, развернутый. Вопрос точно и исчерпывающе передан, терминология сохранена, студент превосходно владеет основной и дополнительной литературой, ошибок нет. «Хорошо» (зачтено): Ответ полный, хотя краток, терминологически правильный, нет существенных недочетов. Студент хорошо владеет пройденным программным материалом; владеет основной литературой, суждения правильны. «Удовлетворительно» (зачтено): Ответ неполный. В терминологии имеются недостатки. Студент владеет программным материалом, но имеются недочеты. Суждения фрагментарны. «Неудовлетворительно» (не зачтено): Не использована специальная терминология. Ответ в сущности неверен. Переданы лишь отдельные фрагменты соответствующего материала вопроса. Ответ не соответствует вопросу или вовсе не дан. |
| 5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
| Не предусмотрены |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Промежуточная аттестация заключается в проведении в конце семестра экзамена по всему изученному курсу. Тест размещен в разделе «Промежуточная аттестация по дисциплине» онлайн-курса на образовательном портале «Цифровой университет АлтГУ». Количество заданий в контрольно-измерительном материале (тесте) для промежуточной аттестации, составляет 30 заданий КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом: «Отлично» (зачтено): студентом выполнено 26-30 заданий предложенного теста, в заданиях открытого типа дан полный развернутый ответ на поставленные вопросы. «Хорошо» (зачтено): студентом выполнено 20-25 заданий предложенного теста, в заданиях открытого типа дан полный, развернутый ответ на поставленный вопрос; однако были допущены неточности в определении понятий, терминов и др. «Удовлетворительно» (зачтено): выполнено 15-19 заданий предложенного теста, в заданиях открытого типа дан неполный ответ на поставленный вопрос, в ответе не присутствуют доказательные примеры, текст со стилистическими и орфографическими ошибками. «Неудовлетворительно» (не зачтено): выполнено 1-14 заданий предложенного теста, на поставленные вопросы ответ отсутствует или неполный, допущены существенные ошибки в теоретическом материале (терминах, понятиях). |
| Приложения |
|
Приложение 1.
ФОС_Цифровая культура в проф.деятельности.docx
|
6. Учебно-методическое и информационное обеспечение дисциплины
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Ганегедара Т. | Обработка естественного языка с TensorFlow. — 382 с.: | М.: ДМК Пресс, 2020 | e.lanbook.com |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Гудфеллоу Я., Бенджио И., Курвилль А. | Глубокое обучение / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – 652 с.: | М: ДМК Пресс, 2018 | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Курс в Moodle "Цифровая культура в профессиональной деятельности" | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| Microsoft 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) ArcGIS Desktop Advanced Educational Teaching Lab Pak (31), v. 10.3.1, № 302914 от 12.02.16 (бессрочная) | ||||
| 6.4. Перечень информационных справочных систем | ||||
| не требуется | ||||
7. Материально-техническое обеспечение дисциплины
| Аудитория | Назначение | Оборудование |
|---|---|---|
| 406М | лаборатория "Научно-образовательный центр геоинформационных технологий" - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 16 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная – 1 шт.; компьютеры: ACPI x64-based PC, Intel (R) Core (TM) i5-3470, 3200 MHz, 3200 MHz – 15 ед.; интерактивная доска: Triumph MULTI TOUCH 78 – 1ед. |
| 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 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) |
8. Методические указания для обучающихся по освоению дисциплины
| 8.1 Методические указания обучающимся к лекциям по дисциплине "Цифровая культура в профессиональной деятельности" В ходе лекционных занятий по дисциплине необходимо вести конспектирование учебного материала. Конспектирование лекций – сложный вид вузовской аудиторной работы, предполагающий интенсивную умственную деятельность студента. В процессе конспектирования не следует записывать дословно всю лекцию. Целесообразно вначале понять основную мысль, излагаемую лектором, а затем записать ее. Желательно запись осуществлять, оставляя поля, на которых позднее, при самостоятельной работе с конспектом, можно сделать дополнительные записи, отметить непонятные места. Конспект лекции лучше подразделять на пункты, соблюдая красную строку. Этому в большой степени будут способствовать вопросы плана лекции, предложенные преподавателям. Следует обращать внимание на акценты, выводы, которые делает лектор, отмечая наиболее важные моменты в лекционном материале замечаниями «важно», «хорошо запомнить» и т.п. Можно делать это и с помощью разноцветных маркеров или ручек, подчеркивая термины и определения. Целесообразно разработать собственную систему сокращений, аббревиатур и символов общераспространенных слов и выражений. Специфичные термины и их сокращения будут акцентированы преподавателем дополнительно. Работа над конспектом лекции по дисциплине не заканчивается в лекционной аудитории, а продолжается студентом дома, при этом обучающийся повторно ознакамливается с содержанием лекционного материала, знакомится с рекомендованной литературой, особенно нормативно-правовыми актами и методиками государственной кадастровой оценки, делает себе пометки в тексте лекции, или продолжает конспект. Работая над конспектом лекций, всегда необходимо использовать не только учебник, но и ту литературу, которую дополнительно рекомендовал лектор. Именно такая серьезная, кропотливая работа с лекционным материалом позволит глубоко овладеть теоретическим материалом. 8.2. Методические указания обучающимся при подготовке к семинарам, практическим занятиям Семинары и практические занятия по дисциплине не предусмотрены. 8.3. Методические указания обучающимся при подготовке к выполнению лабораторных практикумов 8.4. Методические указания обучающимся при выполнению курсовых работ Курсовые работы по дисциплине» не предусмотрены. 8.5. Методические указания обучающимся для организации самостоятельной работы Основной формой самостоятельной работы обучающихся является изучение конспекта лекций, их дополнение рекомендованной литературой, активное участие на семинарах и подготовка докладов и презентаций по основным проблемам дисциплины. Основой самостоятельной работы студентов является работа с рекомендованной литературой. Список основной и дополнительной литературы под дисциплине приведен в РПД . Изучение дисциплины следует начинать с проработки РПД . Правила самостоятельной работы с литературой - Составить перечень книг, с которыми Вам следует познакомиться; - Перечень книг должен быть систематизированным (что необходимо для обязательно-го прочтения, что пригодится для написания рефератов, а что может расширить Вашу общую культуру и т.д.). - Не пытайтесь читать быстро, вынужденное скорочтение не только не способствует качеству чтения, но и не приносит чувства удовлетворения, которое мы получаем, размышляя о прочитанном. Подготовка рефератов направлена на развитие и закрепление у студентов навыков самостоятельного глубокого, творческого и всестороннего анализа научной, методической и другой литературы по актуальным проблемам дисциплины; на выработку навыков и умений грамотно и убедительно излагать материал, четко формулировать теоретические обобщения, выводы и практические рекомендации. Рефераты должны отвечать высоким квалификационным требованиям в отношении научности содержания и оформления. Темы рефератов, как правило, посвящены рассмотрению одной проблемы. Объем реферата может быть от 12 до 15 страниц машинописного текста, отпечатанного через 1,5 интервала, а на компьютере через 1 интервал (список литературы и приложения в объем не входят). Текстовая часть работы состоит из введения, основной части и заключения. Во введении студент кратко обосновывает актуальность избранной темы реферата, раскрывает конкретные цели и задачи, которые он собирается решить в ходе своего небольшого исследования. В основной части подробно раскрывается содержание вопроса (вопросов) темы. В заключении кратко должны быть сформулированы полученные результаты исследования и даны выводы. Кроме того, заключение может включать предложения автора, в том числе и по дальнейшему изучению заинтересовавшей его проблемы. В список литературы (источников и литературы) студент включает только те документы, которые он использовал при написании реферата. В приложении (приложения) к реферату могут выноситься таблицы, графики, схемы и другие вспомогательные материалы, на которые имеются ссылки в тексте реферата. |