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

Цифровая культура в профессиональной деятельности

рабочая программа дисциплины
Закреплена за кафедройКафедра социальной психологии и педагогического образования
Направление подготовки44.03.05. Педагогическое образование (с двумя профилями подготовки)
ПрофильАнглийский язык. Китайский язык
Форма обученияОчная
Общая трудоемкость6 ЗЕТ
Учебный план44_03_05_Педобразование_АК-2022
Часов по учебному плану 216
в том числе:
аудиторные занятия 72
самостоятельная работа 117
контроль 27
Виды контроля по семестрам
экзамены: 2

Распределение часов по семестрам

Курс (семестр) 1 (2) Итого
Недель 22,5
Вид занятий УПРПДУПРПД
Практические 72 72 72 72
Сам. работа 117 117 117 117
Часы на контроль 27 27 27 27
Итого 216 216 216 216

Программу составил(и):
к.п.н., доцент, Кравченко Г.В.

Рецензент(ы):
к.п.н., доцент, Петухова Е.А.

Рабочая программа дисциплины
Цифровая культура в профессиональной деятельности

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - бакалавриат по направлению подготовки 44.03.05 Педагогическое образование (с двумя профилями подготовки) (приказ Минобрнауки России от 22.02.2018 г. № 125)

составлена на основании учебного плана:
44.03.05 Педагогическое образование (с двумя профилями подготовки)
утвержденного учёным советом вуза от 27.04.2021 протокол № 6.

Рабочая программа одобрена на заседании кафедры
Кафедра социальной психологии и педагогического образования

Протокол от 23.05.2022 г. № 9
Срок действия программы: 2022-2023 уч. г.

Заведующий кафедрой
Ральникова Ирина Александровна


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 социальной психологии и педагогического образования

Протокол от 23.05.2022 г. № 9
Заведующий кафедрой Ральникова Ирина Александровна


1. Цели освоения дисциплины

1.1.овладение вопросами цифровой культуры в профессиональной деятельности

2. Место дисциплины в структуре ООП

Цикл (раздел) ООП: Б1.О.02

3. Компетенции обучающегося, формируемые в результате освоения дисциплины

ОПК-2 Способен участвовать в разработке основных и дополнительных образовательных программ, разрабатывать отдельные их компоненты (в том числе с использованием информационно-коммуникационных технологий)
ОПК-9 Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности
В результате освоения дисциплины обучающийся должен
3.1.Знать:
3.1.1.методы и технологии разработки основных и дополнительных образовательных программ;
принципы работы современных ИКТ для решения задач профессиональной деятельности
3.2.Уметь:
3.2.1.разрабатывать основные и дополнительные образовательные программы, отдельные их компоненты с использованием ИКТ;
понимать принципы работы современных ИКТ для решения задач профессиональной деятельности;
применять современные ИКТ для решения задач профессиональной деятельности
3.3.Иметь навыки и (или) опыт деятельности (владеть):
3.3.1.методами и технологиями разработки основных и дополнительных образовательных программ и их компонентов с использованием ИКТ;
современными ИКТ для решения задач профессиональной деятельности

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 Практические 2 6 ОПК-2, ОПК-9 Л2.3, Л1.2, Л2.4, Л2.6
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 10 ОПК-2, ОПК-9 Л2.3, Л1.2, Л2.4, Л2.6
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 Практические 2 14 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 20 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 Практические 2 12 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 20 ОПК-2, ОПК-9 Л2.5, Л2.3, Л1.2, Л1.3, Л2.4, Л2.6, Л2.2
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 Практические 2 10 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
4.2. Полносвязные нейронные сети. Фреймворк TensorFlow и инструментарий Keras для построения нейронных сетей. Контроль переобучения. Классификация и регрессия с помощью нейронных сетей Сам. работа 2 16 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 Практические 2 10 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 16 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 Практические 2 10 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
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 18 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
Раздел 7. Сервисы, использующих технологии искусственного интеллекта
7.1. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Практические 2 10 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2
7.2. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Сам. работа 2 17 ОПК-2, ОПК-9 Л1.1, Л2.5, Л1.2, Л1.3, Л2.1, Л2.4, Л2.6, Л2.2

5. Фонд оценочных средств

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 предусмотрены
5.3. Фонд оценочных средств для проведения промежуточной аттестации
См. приложение

6. Учебно-методическое и информационное обеспечение дисциплины

6.1. Рекомендуемая литература
6.1.1. Основная литература
Авторы Заглавие Издательство, год Эл. адрес
Л1.1 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
Л1.2 Гласснер Э. Глубокое обучение без математики. Т. 1: Основы. – 578 с.: М.: ДМК , 2019 e.lanbook.com
Л1.3 Гласснер Э. Глубокое обучение без математики. Том 2. Практика. – 610 с.: М.: ДМК , 2020 e.lanbook.com
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Шакла Нишант Машинное обучение и TensorFlow. - 336 с.: ил. - (Серия «Библиотека программиста»). : СПб.: Питер, 2019
Л2.2 Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. — 480 с.: ил. — (Серия «Библиотека программиста»).: СПб.: Питер, 2018
Л2.3 Ын Анналин, Су Кеннет Теоретический минимум по Big Data. Всё, что нужно знать о больших данных: Спб.: Питер, 2019
Л2.4 Джоши, Пратик. Искусственный интеллект с примерами на Python. : Пер. с англ. - 448 с.: СПб. : ООО "Диалектика", 2019
Л2.5 Ганегедара Т. Обработка естественного языка с TensorFlow. — 382 с.: М.: ДМК Пресс, 2020 e.lanbook.com
Л2.6 Дейтел Пол, Дейтел Харви Python: Искусственный интеллект, большие данные и облачные вычисления. — 864 с.: СПб.: Питер, 2020
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет"
Название Эл. адрес
Э1 Ng. A. Machine Learning coursera.org
Э2 Нейронные сети и компьютерное зрение stepik.org
Э3 Нейронные сети и обработка текста stepik.org
Э4 Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных machinelearning.ru
Э5 UCIMachineLearningRepository — репозиторий наборов данных для машинного обучения archive.ics.uci.edu
Э6 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
Э7 Андрей Созыкин Учебный курс «Программирование нейросетей на Python» www.asozykin.ru
Э8 Цифровая культура в профессиональной деятельности portal.edu.asu.ru
6.3. Перечень программного обеспечения
Python 3.6 и выше, Фреймворк Anaconda, Google Colab, Microsoft Office, Microsoft Windows, 7-Zip, AcrobatReader

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
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
Электронная база данных ZBMATH: https://zbmath.org/

7. Материально-техническое обеспечение дисциплины

Аудитория Назначение Оборудование
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
320Л медиатека, читальный зал – помещение для самостоятельной работы Учебная мебель на 15 посадочных мест; персональные компьютеры с выходом в информационно-телекоммуникационную сеть Интернет и электронную информационно-образовательную среду;
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

см. приложение