Закреплена за кафедрой | Кафедра цифровых технологий и бизнес-аналитики |
---|---|
Направление подготовки | 27.03.03. Системный анализ и управление |
Профиль | Системный анализ и управление экономическими системами |
Форма обучения | Очная |
Общая трудоемкость | 6 ЗЕТ |
Учебный план | 27_03_03_Системный анализ и управление_САиУЭС-2022 |
|
|
Распределение часов по семестрам
Курс (семестр) | 4 (7) | 4 (8) | Итого | |||
---|---|---|---|---|---|---|
Недель | 16 | 11 | ||||
Вид занятий | УП | РПД | УП | РПД | УП | РПД |
Лекции | 16 | 16 | 16 | 16 | 32 | 32 |
Лабораторные | 26 | 26 | 26 | 26 | 52 | 52 |
Сам. работа | 66 | 66 | 39 | 39 | 105 | 105 |
Часы на контроль | 0 | 0 | 27 | 27 | 27 | 27 |
Итого | 108 | 108 | 108 | 108 | 216 | 216 |
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 цифровых технологий и бизнес-аналитики
Протокол от 22.03.2022 г. № 8
Заведующий кафедрой Трошкина Галина Николаевна
1.1. | Формирование компетенций, связанных с решением задач по сбору, анализу и визуализации количественных данных. Курс направлен на освоение новых технологий при использовании известных методов анализа данных, ознакомление студентов с программными средами R и Python. В результате освоения курса студенты должны уметь реализовать и документировать процесс исследования от сбора данных до (автоматизированной) публикации отчетов. |
---|
Цикл (раздел) ООП: Б1.В.01 |
ПК-3 | Способен эксплуатировать системы управления, применять современные инструментальные средства, технологии программирования и анализа данных |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | - Современные методы обработки и анализа данных; - Основные принципы работы языка R; - Синтаксис и базовые функции R; - Функционал пакетов ggplot2; - Семантику и синтаксис языка программирования Python; - Назначение, устройство и свойства основных структур данных и конструкций языка Python; - Модули и пакеты для решения различных прикладных и научных задач; - Основные технологии анализа данных. |
3.2. | Уметь: |
3.2.1. | - обрабатывать и анализировать данные для подготовки аналитических решений, экспертных заключений и рекомендаций; - Применять статистические и математические методы для представления и анализа исходных данных; - Разрабатывать и проводить отладку программ с использованием современных инструментальных средств и технологий программирования; - Разрабатывать математические методы и алгоритмы решения различных задач; - Использовать для разработки и отладки программ интегрированные среды разработки; - Строить автоматизированные модели анализа данных. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | - Навыками работы с разнородной информацией: типизация, структуризация данных; - Навыками выбора статистических методов и инструментальных средств для работы с данными; - Навыками подготовки данных и проведения статистического анализа наблюдений из разных областей знания; - Навыки применения статистических методов и умения программирования на языке R при самостоятельном решении исследовательских задач; - Навыками чтения, написания, отладки и тестирования программ на высокоуровневом языке программирования в интегрированной среде разработки; - 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 R | ||||||
1.1. | Общая характеристика языка R. Базовые команды, пакеты в R. RStudio и R commander. | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.2. | Объекты и функции. Виды объектов. Понятие класса объекта. Типы хранения данных: векторы, двухмерные таблицы, матрицы, массивы, списки. Типы переменных: числовые, строчные, факторы. | Лабораторные | 7 | 4 | ПК-3 | Л1.2, Л2.6 |
1.3. | Объекты и функции. Виды объектов. Понятие класса объекта. Типы хранения данных: векторы, двухмерные таблицы, матрицы, массивы, списки. Типы переменных: числовые, строчные, факторы. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
1.4. | Преобразование данных. Преобразование из одного типа в другой, объединение объектов (bind, transform и т.п.). Присваивание объектов. Обращение к атрибуту data.frame, выбор строк по условию (условный запрос), выбор отдельных атрибутов (фильтрация). Использование простейших графических возможностей R-Studio. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
1.5. | Виды пропущенных данных: NA, NaN. Способы работы с пропущенными данными. Понятие среды, ссылки на функции из разных пакетов, создание собственной среды. Циклы for, while, repeat. Создание собственной функции. | Лабораторные | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.6. | Виды пропущенных данных: NA, NaN. Способы работы с пропущенными данными. Понятие среды, ссылки на функции из разных пакетов, создание собственной среды. Циклы for, while, repeat. Создание собственной функции. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
1.7. | Конфирматорный факторный анализ | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.8. | Модели измерения латентных переменных: разведывательный и подтверждающий факторный анализ. Анализ главных компонент. Частные наименьшие квадраты. Формативные и рефлективные измерительные инструменты. Этапы построения и модификации измерительной модели. MTMM модели, модели со структурой средних, факторы высшего порядка. Построение моделей эксплораторного и конфирматорного факторного анализа в пакетах factanal и lavaan. Сравнение моделей в lavaan. | Лабораторные | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.9. | Модели измерения латентных переменных: разведывательный и подтверждающий факторный анализ. Анализ главных компонент. Частные наименьшие квадраты. Формативные и рефлективные измерительные инструменты. Этапы построения и модификации измерительной модели. MTMM модели, модели со структурой средних, факторы высшего порядка. Построение моделей эксплораторного и конфирматорного факторного анализа в па-кетах factanal и lavaan. Сравнение моделей в lavaan. | Сам. работа | 7 | 8 | ПК-3 | Л1.2, Л2.6 |
1.10. | Кластерный анализ в kmeans и hclust. Многомерное шкалирование в mds. | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.11. | Кластерный анализ в kmeans и hclust. Многомерное шкалирование в mds. | Лабораторные | 7 | 4 | ПК-3 | Л1.2, Л2.6 |
1.12. | Кластерный анализ в kmeans и hclust. Многомерное шкалирование в mds. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
1.13. | Чтение, преобразование, экспорт данных в R. | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.14. | Основные функции пакетов foreign, haven, car, dplyr. Основные идеи html, markdown и LaTEX. Пакет stargazer. Имитация данных в R. | Лабораторные | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
1.15. | Основные функции пакетов foreign, haven, car, dplyr. Основные идеи html, markdown и LaTEX. Пакет stargazer. Имитация данных в R. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
Раздел 2. Анализ данных в R | ||||||
2.1. | Линейные и логистические бинарные регрессии в lm и glm. Анализ главных компонент в prcomp и princom. | Лекции | 7 | 4 | ПК-3 | Л1.2, Л2.6 |
2.2. | Линейные и логистические бинарные регрессии в lm и glm. Анализ главных компонент в prcomp и princom. Кластерный анализ в kmeans и hclust. Многомерное шкалирование в mds. | Лабораторные | 7 | 4 | ПК-3 | Л1.2, Л2.6 |
2.3. | Линейные и логистические бинарные регрессии в lm и glm. Анализ главных компонент в prcomp и princom. Кластерный анализ в kmeans и hclust. Многомерное шкалирование в mds. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
2.4. | Команда sapply и mapply. Дебаггинг. Оптимизация кода. Создание автоматических отчетов, работа с rmarkdown. | Лабораторные | 7 | 2 | ПК-3 | Л1.2, Л2.6 |
2.5. | Команда sapply и mapply. Дебаггинг. Оптимизация кода. Создание автоматических отчетов, работа с rmarkdown. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.6 |
Раздел 3. Визуализация данных в R base и ggplot2 | ||||||
3.1. | Мотивы визуализации. Виды графиков. Связь между моделью анализа и графика-ми. Синтаксис ggplot2: qplot, geom, aes. Использование пространства координат: одно-, двух-, трех- мерные, сферические, географические системы координат. Использование символов и цветов. | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.2. | Мотивы визуализации. Виды графиков. Связь между моделью анализа и графика-ми. Синтаксис ggplot2: qplot, geom, aes. Использование пространства координат: одно-, двух-, трех- мерные, сферические, географические системы координат. Использование символов и цветов. | Лабораторные | 7 | 4 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.3. | Мотивы визуализации. Виды графиков. Связь между моделью анализа и графика-ми. Синтаксис ggplot2: qplot, geom, aes. Использование пространства координат: одно-, двух-, трех- мерные, сферические, географические системы координат. Использование символов и цветов. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.4. | Создание анимированных графиков в пакете animation. | Лекции | 7 | 2 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.5. | Создание анимированных графиков в пакете animation. | Лабораторные | 7 | 2 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.6. | Создание анимированных графиков в пакете animation. | Сам. работа | 7 | 6 | ПК-3 | Л1.2, Л2.5, Л2.6 |
3.7. | Подготовка к зачету | Сам. работа | 7 | 4 | ПК-3 | Л1.2, Л2.5, Л2.6 |
Раздел 4. Введение в язык Python | ||||||
4.1. | Установка и настройка фреймворка Anaconda. Знакомство с синтаксисом, методами и средами разработки. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.2. | Решение арифметических задач. Обработка ввода пользователя, «Деревья решений». | Лабораторные | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.3. | Структурное программирование. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.4. | Реализация «петли событий». Чтение и разбор текстового набора данных из файла. Создание своего модуля и пакета из модулей участников. | Лабораторные | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.5. | Библиотеки Matplotlib, Numpy. Библиотека Pandas. Подключения к источникам данных. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.6. | Решение задач на использование библиотек Matplotlib и Numpy. | Лабораторные | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
4.7. | Установка и настройка фреймворка Anaconda. Знакомство с синтаксисом, методами и средами разработки. | Сам. работа | 8 | 13 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
Раздел 5. Введение в статистическое обучение | ||||||
5.1. | Сравнение средних. Визуальный анализ данных. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
5.2. | Однофакторный дисперсионный анализ. Множественные сравнения в ANOVA. Многофакторный ANOVA. Визуализация данных. | Лабораторные | 8 | 4 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
5.3. | Корреляция и регрессия. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
5.4. | Регрессия с одной независимой переменной. Регрессионный анализ с несколькими независимыми переменными. Выбор наилучшей регрессионной модели. Регуляризация коэффициентов регрессии и отбор информативных признаков. | Лабораторные | 8 | 4 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
5.5. | Сравнение средних. Визуальный анализ данных. Корреляция и регрессия. | Сам. работа | 8 | 13 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
Раздел 6. Интеллектуальный анализ данных и машинное обучение | ||||||
6.1. | Алгоритмы классификации. Методы кластеризации данных и ассоциативные правила. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.2. | Классификация с помощью деревьев решений и метода naïve bayes. Кластеризация с помощью алгоритма k-means. Поиск ассоциативных правил. | Лабораторные | 8 | 4 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.3. | Методы прогнозирования численных признаков. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.4. | Прогнозирование временных рядов. | Лабораторные | 8 | 4 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.5. | Факторный анализ и сокращение размерности. | Лекции | 8 | 2 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.6. | Факторный анализ. | Лабораторные | 8 | 4 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
6.7. | Алгоритмы классификации. Методы кластеризации данных и ассоциативные правила. Методы прогнозирования численных признаков. Факторный анализ и сокращение размерности. | Сам. работа | 8 | 13 | ПК-3 | Л2.1, Л2.4, Л1.4, Л2.3, Л1.5, Л2.7, Л2.8, Л2.2, Л1.3, Л1.1 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
см. приложение 1 |
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 |
см. приложение 1 |
Приложения |
Приложение 1.
ФОС_R_САиУЭС.docx
Приложение 2.
ФОС_Python_САиУЭС.docx
|
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | В. М. Волкова, М. А. Семёнова, Е. С. Четвертакова, С. С. Вожов | Программные системы статистического анализа Обнаружение закономерностей в данных с использованием системы R и языка Python: учебное пособие | Новосибирск: Изд - во НГТУ, 2017 | biblioclub.ru |
Л1.2 | Агалаков, С.А. | Анализ данных в среде R : практикум | Омск : Омский государственный университет им. Ф.М. Достоевского, 2020 | biblioclub.ru |
Л1.3 | Северенс Ч. | Введение в программирование на Python: Учебная литература для ВУЗов | Национальный Открытый Университет «ИНТУИТ», 2016 | biblioclub.ru |
Л1.4 | Федоров Д.Ю. | ПРОГРАММИРОВАНИЕ НА ЯЗЫКЕ ВЫСОКОГО УРОВНЯ PYTHON. Учебное пособие для прикладного бакалавриата: Гриф УМО ВО | М.:Издательство Юрайт, 2018 | biblio-online.ru |
Л1.5 | Златопольский Д.М. | Основы программирования на языке Python: Учебники | Издательство "ДМК Пресс", 2017 | e.lanbook.com |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | Хахаев И. А. | Практикум по алгоритмизации и программированию на Python: курс | М.: Национальный Открытый Университет «ИНТУИТ», 2016//ЭБС «Университетская библиотека online» | biblioclub.ru |
Л2.2 | 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 |
Л2.3 | Коэльо Л.П., Ричарт В. | Построение систем машинного обучения на языке Python: | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л2.4 | Л. Рамальо | Python. К вершинам мастерства: | ДМК Пресс, 2016//ЭБС издательства «Лань» | e.lanbook.com |
Л2.5 | Мастицкий, С. Э. | Визуализация данных с помощью ggplot2 : | Москва : ДМК Пресс, 2017 | https://e.lanbook.com/book/107895 |
Л2.6 | Митина, О. А. | Языки программирования для статистической обработки данных (R) : учебное пособие | Москва : РТУ МИРЭА, 2020 | e.lanbook.com |
Л2.7 | Митчелл Р. | Скрапинг веб-сайтов с помощю Python: Самоучители и руководства | Издательство "ДМК Пресс", 2016 | e.lanbook.com |
Л2.8 | 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 |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Наглядная статистика Используем R! | ashipunov.info | ||
Э2 | Онлайн учебник по анализу данных в R | soc-research.info | ||
Э3 | Курс в Moodle "Решение аналитических задач на языке R" | portal.edu.asu.ru | ||
Э4 | Курс на Едином образовательном портале АлтГУ | portal.edu.asu.ru | ||
6.3. Перечень программного обеспечения | ||||
Open Office, http://www.openoffice.org/license.html , (бессрочно); Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); Microsoft Windows 7 (Windows 7 Professional (№ 61834699 от 22.04.2013), (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); R STUDIO (open source), http://www.rstudio.com/ , (бессрочно); Пакет статистического анализа R с Cairo, ggplot2, ggvis, pcaPP, pls, robustbase, rrcovHD, tidyr, UsingR, http://www.r-project.org/, (бессрочно). 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) | ||||
6.4. Перечень информационных справочных систем | ||||
Информационная справочная система: СПС Консультант Плюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/). Профессиональные базы данных: 1. Профессиональная база данных: электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 2. Профессиональная база данных: научная электронная библиотека elibrary (http://elibrary.ru) 3. Электронная база данных справочной правовой системы ГАРАНТ. |
Аудитория | Назначение | Оборудование |
---|---|---|
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, мультимедийное оборудование стационарное или переносное) |
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 |
208С | 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 15 посадочных мест; рабочее место преподавателя; доска магнитно-маркерная; компьютеры: марка HP модель ProOne 400 G2 20-in Non-Touch AiO - 15 единиц |
На лекциях преподаватель знакомит с основными понятиями по теме, алгоритмами, методами решения задач. На лекциях студент получает основной объем информации по каждой конкретной теме. Только посещение лекций является недостаточным для подготовки к лабораторным занятиям и зачету. Требуется также самостоятельная работа по изучению основной и дополнительной литературы и закрепление полученных на лабораторных занятиях навыков. Самостоятельная работа студентов – способ активного, целенаправленного приобретения студентом новых для него знаний, умений и навыков без непосредственного участия в этом процессе преподавателя. Качество получаемых студентом знаний напрямую зависит от качества и количества необходимого доступного материала, а также от желания (мотивации) студента их получить. При обучении осуществляется целенаправленный процесс, взаимодействие студента и преподавателя для формирования знаний, умений и навыков. Задания по темам выполняются на лабораторных занятиях в компьютерном классе. Если лабораторные занятия пропущены по уважительной причине, то соответствующие задания необходимо выполнить самостоятельно и представить результаты преподавателю на очередном занятии или консультации. |