1. Цели освоения дисциплины
| 1.1. | Обоснование целостного и системного понимания вероятностной парадигмы и статистического подхода в описании экспериментальных данных в области психологии. |
|---|
2. Место дисциплины в структуре ООП
| Цикл (раздел) ООП: Б1.О.02 |
3. Компетенции обучающегося, формируемые в результате освоения дисциплины
| ОПК-3 | Способен применять основные математические и статистические методы, стандартные статистические пакеты для обработки данных, полученных при решении профессиональных задач |
| ОПК-16 | Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности |
| ПК-6 | Способен внедрять в практику работы организаций научные подходы и методы психологии, способствующие объяснению поведения и эффективности деятельности сотрудников организаций |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | о возможностях и ограничениях математических и статистических методов для решения широкого класса профессиональных задач; современные психологические технологии решения задач в различных областях профессиональной деятельности; |
| 3.2. | Уметь: |
| 3.2.1. | применять стандартные алгоритмы статистического анализа экспериментальных данных; выбирать адекватные психологические технологии и статистические методы в процессе планирования исследования и проведения доказательств выдвигаемых гипотез; самостоятельно проводить обработку данных с помощью стандартных статистических пакетов; |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | профессиональной работы в стандартном статистическом пакете типа SPSS; интерпретации результатов статистического анализа. |
4. Структура и содержание дисциплины
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Введение в программирование на языке Python, знакомство со средами разработки Jupyter Notebook и GoogleColab | ||||||
| 1.1. | 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 | 6 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 1.2. | 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 | 4 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 2. Загрузка данных в рабочую среду. Визуализация данных и описательная статистика. Корреляционно-регрессионный анализ | ||||||
| 2.1. | 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 | 16 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 2.2. | 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 | 16 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 3. Типовые задачи машинного обучения: кластеризация, классификация и регрессия | ||||||
| 3.1. | 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 | 14 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 3.2. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 4. Введение в нейронные сети и глубокое обучение | ||||||
| 4.1. | Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. | Лабораторные | 2 | 6 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 4.2. | Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей. | Лабораторные | 2 | 6 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 4.3. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 5. Сверточные нейронные сети в задачах анализа изображений | ||||||
| 5.1. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 5.2. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 6. Нейронные сети в задачах анализа текста. Конструирование чат-ботов | ||||||
| 6.1. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 6.2. | 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 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| Раздел 7. Сервисы, использующих технологии искусственного интеллекта | ||||||
| 7.1. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Лабораторные | 2 | 8 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
| 7.2. | Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач | Сам. работа | 2 | 7 | ОПК-3, ПК-6, ОПК-16 | Л1.3, Л1.1, Л1.2, Л2.2, Л2.1 |
5. Фонд оценочных средств
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Прикреплены в приложении. |
| 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 |
| файл в Приложении. |
| Приложения |
|
Приложение 1.
ФОС количественные методы 37_05_02.doc
|
6. Учебно-методическое и информационное обеспечение дисциплины
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Гласснер, Э. | Глубокое обучение без математики. Том 2. Практика : | , 2020 | e.lanbook.com |
| Л1.2 | 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 |
| Л1.3 | Гласснер, Э. | Глубокое обучение без математики. Том 1: | ДМК Пресс, 2019 | https://e.lanbook.com/book/131696 |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Ын Анналин, Су Кеннет | Теоретический минимум по Big Data. Всё, что нужно знать о больших данных: | Спб.: Питер, 2019 | |
| Л2.2 | Ганегедара Т. | Обработка естественного языка с TensorFlow. — 382 с.: | М.: ДМК Пресс, 2020 | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Мастерская «Математические методы в психологии» | www.psychology-online.net | ||
| Э2 | Информационный портал Московского городского научно-исследовательского семинара «Математическая психология», руководители Митина О.В. и Куравский Л.С. | www.it.mgppu.ru | ||
| Э3 | Научный электронный журнал «Психологические исследования» | psystudy.ru | ||
| Э4 | Научный журнал «Моделирование и анализ данных», Главный редактор – Л.С. Куравский | http://psyjournals.ru/mad/ | ||
| Э5 | British Journal of Mathematical and Statistical Psychology Edited By: T.Baguley (ISSN)2044-8317 | onlinelibrary.wiley.com | ||
| Э6 | Journal of Mathematical Psychology (USA) Editor-in-Chief: J. Myung | www.journals.elsevier.com | ||
| Э7 | Количественные методы – I | portal.edu.asu.ru | ||
| Э8 | Количественные методы - III | portal.edu.asu.ru | ||
| Э9 | курс в Moodle Цифровая культура в профессиональной деятельности | portal.edu.asu.ru | ||
| Э10 | Ng. A. Machine Learning. | coursera.org | ||
| Э11 | Нейронные сети и компьютерное зрение | stepik.org | ||
| Э12 | Нейронные сети и обработка текста | stepik.org | ||
| Э13 | Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. | machinelearning.ru | ||
| Э14 | UCIMachineLearningRepository — репозиторий наборов данных для машинного обучения | archive.ics.uci.edu | ||
| Э15 | IAPREducationCommittee&Resources — коллекция ссылок на образовательные ресурсы по распознаванию образов, машинному обучению, обработке сигналов, обработке изображений и компьютерному зрению, поддерживаемая Международной ассоциацией распознавания образов | homepages.inf.ed.ac.uk | ||
| Э16 | Андрей Созыкин Учебный курс «Программирование нейросетей на Python» | www.asozykin.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| Microsoft Office, Microsoft Windows, 7-Zip, AcrobatReader Текущая лицензионная версия статистического пакета SPSS.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 | ||||
| Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); Научная электронная библиотека elibrary (http://elibrary.ru); Электронная база данных «Scopus» (http://www.scopus.com) | ||||
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) |
| 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 |
| 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 |
8. Методические указания для обучающихся по освоению дисциплины
| Методические указания по дисциплине см. в учебном пособии: Янова Н.Г. "Измерение и прогнозирование в психологии", Азбука, 2017, с.74-95 |