| Закреплена за кафедрой | Кафедра теоретической кибернетики и прикладной математики |
|---|---|
| Направление подготовки | 01.04.02. Прикладная математика и информатика |
| Профиль | Прикладная математика и информатика в социально-экономической сфере и образовании |
| Форма обучения | Очная |
| Общая трудоемкость | 6 ЗЕТ |
| Учебный план | 01_04_02_Прикладная математика и информатика_ПМИвСЭСиО-2024 |
|
|
||||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 1 (2) | Итого | ||
|---|---|---|---|---|
| Недель | 24 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 18 | 18 | 18 | 18 |
| Лабораторные | 32 | 32 | 32 | 32 |
| Сам. работа | 139 | 139 | 139 | 139 |
| Часы на контроль | 27 | 27 | 27 | 27 |
| Итого | 216 | 216 | 216 | 216 |
| 1.1. | Формирование ключевых компетенций в области науки о данных за счет ознакомления с теоретическими и практическими аспектами работы с большими данными, разработки алгоритмов и программ сбора, обработки и анализа больших данных в прикладных задачах анализа устойчивого развития территорий и разработки специлизированных проектов. |
|---|
| Цикл (раздел) ООП: Б1.О.02 |
| ОПК-1 | Способен решать актуальные задачи фундаментальной и прикладной математики |
| ОПК-1.1 | Знает методы математического моделирования, информационную концепцию научного процесса, информационные технологии и основы работы и ними информационную концепцию научного процесса; правила и стандарты оформления научной и технической документации. |
| ОПК-1.2 | Умеет использовать методы математического моделирования, информационные технологии при решении задач фундаментальной и прикладной математики. |
| ОПК-1.3 | Владеет методами математического моделирования, информационными технологиями и основами их использования в социально-экономической сфере и образовании. |
| ОПК-3 | Способен разрабатывать математические модели и проводить их анализ при решении задач в области профессиональной деятельности |
| ОПК-3.1 | Знает основные методы и принципы математического моделирования, методы построения математических моделей профессиональных задач, способы нахождения решений математических моделей и содержательной интерпретации полученных результатов; методы математической обработки результатов решения профессиональных задач. |
| ОПК-3.2 | Умеет составлять математические модели профессиональных задач, находить способы их решения и интерпретировать смысл полученного результата. |
| ОПК-3.3 | Способен формулировать прикладные исследовательские задачи, выбирать методы и технологии для их решения, анализировать и интерпретировать результаты исследов |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | Математические модели профессиональных типовых задач и интерпретацию полученных математические результаты, владение знаниями об ограничениях и границах применимости. |
| 3.2. | Уметь: |
| 3.2.1. | Собирать, обрабатывать и интерпретировать экспериментальные данные, необходимые для проектной и производственно-технологической деятельности. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | Фундаментальными разделами математики и информатики, необходимыми для решения научно-исследовательских и практических задач в профессиональной области. |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Введение в БД. Основные элементы анализа данных. Введение в машинное обучение | ||||||
| 1.1. | Определение БД. Атрибуты БД.Аналитические инструменты работы с большими данными – MapReduce, Hadoop, R. | Лекции | 2 | 2 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 1.2. | Методология подготовки данных. Форматы данных. Типы переменных. Выбор переменных. Конструирование признаков в БД. Неполные данные и методы их обогащения | Лекции | 2 | 2 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 1.3. | Подготовка данных к анализу: формат данных, типы переменных, выбор переменных, конструирование признаков, неполные данные | Лабораторные | 2 | 8 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 1.4. | Обзор алгоритмов обучения без учителя. Обзор алгоритмов обучения с учителем. Методология выбора алгоритма машинного обучения. Методология оценки результатов применения машинного обучения. | Лекции | 2 | 4 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 1.5. | Выбор алгоритма (обучение с учителем, обучение без учителя, обучение с подкреплением). Факторы, влияющие на выбор алгоритма. Настройка параметров. Оценка результатов. | Лабораторные | 2 | 8 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| Раздел 2. Введение в регрессионный анализ | ||||||
| 2.1. | Линейный и нелинейный регрессионный анализ данных. Применение методов регрессионного анализа в БД. | Лекции | 2 | 2 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 2.2. | Построение моделей линейной и нелинейной регрессии сравнение результатов прогноза на основе метрик качества. | Лабораторные | 2 | 4 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| Раздел 3. Методы автоматической классификации (обучение без учителя) | ||||||
| 3.1. | Методы обучения с учителем для классификации объектов. Метрики классификации. Кластеризация методом k-средних. Алгоритм DBSCAN. | Лекции | 2 | 4 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 3.2. | Определение метрик классификации и их применение в БД. выбор оптимального количества кластеров. Определение главных компонент. Ограничения методов. | Лабораторные | 2 | 4 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| Раздел 4. Методы классификации (обучение с учителем) | ||||||
| 4.1. | Ассоциативные правила. Принцип A priopi. Метод опорных векторов. Метод k-ближайших соседей и обнаружение аномалий. Метод главных компонент. Дерево решений. Случайные леса. Введение в нейронные сети. A/B-тестирование. Введение в нейронные сети. | Лекции | 2 | 4 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 4.2. | Реализация метода k-ближайших соседей, учет аномалий. Построение нейронной сети. | Лабораторные | 2 | 8 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| Раздел 5. Итоговая аттестация | ||||||
| 5.1. | Подготовка к экзамену, чтение литературы, выполнение расчетных заданий. | Сам. работа | 2 | 139 | ОПК-3.1, ОПК-3.2, ОПК-3.3, ОПК-1.1, ОПК-1.2, ОПК-1.3 | Л2.1, Л2.2, Л1.1 |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-1: Способен осуществлять научно-исследовательскую деятельность в биологии, экологии и медицине с использованием информационных технологий нового поколения, обеспечивающих эффективное извлечение полезной информации из больших объемов данных путем высокой скорости их сбора, обработки и анализа ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Большие данные – это а. оба ответа правильные б. область, в которой рассматриваются способы анализа, систематического извлечения информации или иной работы с наборами данных, которые слишком велики или сложны для обработки традиционным прикладным программным обеспечением для обработки данных. в. набор подходов и методов, разработанных для анализа данных огромных размеров Ответ: а Вопрос 2. Data Mining – это а. оба ответа правильные б. широкое понятие, означающее извлечение знаний из данных в. технология, которая предназначена для поиска в больших объемах данных неочевидных, объективных и полезных на практике закономерностей Ответ: а Вопрос 3. Эмпирическая модель – это а. числовая модель, при разработке которой использованы данные, собранные в результате наблюдения исследуемого объекта б. математическая модель, всем параметрам и переменным которой присвоены параметрические значения в. нет такого типа модели Ответ: а Вопрос 4. Формально-логическая модель – это а. математическая модель, описывающая связи между символьными переменными с помощью изобразительных средств исчисления предикатов б. числовая модель, при разработке которой использованы данные, собранные в результате наблюдения исследуемого объекта в. нет такого типа модели Ответ: а Вопрос 5. Динамическая система – это а. оба ответа правильные б. класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач в. разработка программ, способных учиться и принимать решения, исходя из собственного опыта Ответ: а Вопрос 6. Способность компьютера решать те же интеллектуальные задачи, которые способен решать человек – это а. искусственный интеллект б. большие данные в. оба ответа не правильные Ответ: а Вопрос 7. Статистика – это а. дисциплина, которая касается сбора, организации, анализа, интерпретации и представления данных б. критерий качества построенной модели в. оба ответа не правильные Ответ: а Вопрос 8. Визуализация данных – это а. графическое представление данных б. количественное представление данных в. оба ответа не правильные Ответ: а Вопрос 9. Кластеризация – это а. задача разбиения набора данных на группы, называемые кластерами б. задача количественного представления данных в. оба ответа не правильные Ответ: а Вопрос 10. Линейная регрессия – это а. нахождение оптимально подогнанной прямой линии, проходящей через точки образцов данных б. задача разбиения экстремумов в выборке данных в. оба ответа не правильные Ответ: а Вопрос 11. Метод дерева решений – это а. разбиение данных на подмножества путем принятия решений, основываясь на постановке серии вопросов б. классификация элементов данных на две группы путем проведения границы между периферийными элементами данных обеих групп в. оба ответа не правильные Ответ: а Вопрос 12. Опорные вектора (метод опорных векторов) – это а. периферийные элементы данных из разных противоположных групп, между которыми посередине проходит оптимальная граница б. родительские узлы, являющиеся центром схождения ребер в. оба ответа не правильные Ответ: а Вопрос 13. Обучение с учителем – это а. задача машинного обучения, в которой известны правильные ответы или обучение происходит на размеченных данных б. задача машинного обучения, в которой алгоритм обучается не на основе заранее собранных данных, а в процессе взаимодействия со средой в. оба ответа не правильные Ответ: а Вопрос 14. Задача обучения с учителем, в которой на выходе построенной модели зависимости «выхода» от входных данных получается непрерывная величина в заданном диапазоне – это а. задача регрессии б. задача классификации в. задача кластеризации Ответ: а Вопрос 15. Метрика качества модели – это а. оценка качества построенной модели б. дескриптивная статистика в. оба ответа не правильные Ответ: а ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. . Верно ли, что: модель – представление объекта, системы или понятия (идеи) в некоторой форме, отличной от формы их реального существования. Ответ: верно Вопрос 2. Верно ли, что: машинное время – тип времени, отражающего затраты времени ЭВМ на проведение имитации Ответ: верно Вопрос 3. Верно ли, что: Data Science – это концепция объединения статистики, анализа данных, машинного обучения и связанных с ними методов для понимания и анализа реальных явлений Ответ: верно Вопрос 4. Верно ли, что: параметр – числовая величина, остающаяся неизменной в конкретном варианте модели. Ответ: верно Вопрос 5. Верно ли, что: глубинное обучение – это подобласть машинного обучения, где в качестве алгоритмов используются нейронные сети Ответ: не верно Вопрос 6. Верно ли, что: информационная модель – это модель, отображающая во взаимосвязи источники и потребителей информации. Ответ: верно Вопрос 7. Верно ли, что: под искусственным интеллектом понимается способность компьютера решать те же интеллектуальные задачи, которые способен решать человек Ответ: верно Вопрос 8. Верно ли, что: анализ данных – это процесс проверки, очистки, преобразования и моделирования данных с целью обнаружения полезной информации, обоснования выводов и поддержки принятия решений Ответ: верно Вопрос 9. Верно ли, что: кластеризация не предполагает наличия меток объектов Ответ: верно Вопрос 10. Верно ли, что: корреляционная матрица – это квадратная матрица, содержащая линейные коэффициенты корреляции Пирсона, которые измеряют линейную зависимость между парами признаков Ответ: верно Вопрос 11. Верно ли, что: метод опорных векторов классифицирует элементы данных на две группы, проводя границу между периферийными элементами данных обеих групп Ответ: верно Вопрос 12. Верно ли, что: задача обучения без учителя – это задача машинного обучения, в которой алгоритм обучается не на основе заранее собранных данных, а в процессе взаимодействия со средой Ответ: не верно Вопрос 13. Верно ли, что: задача классификации состоит в том, чтобы разработать алгоритм, который по признакам объекта будет предсказывать класс (дискретную величину) Ответ: верно Вопрос 14. Верно ли, что: онлайн-метрики используются во время построения алгоритма машинного обучения Ответ: не верно Вопрос 15. Верно ли, что: офлайн-метрики измеряют реальный эффект от внедрения решения в продукт Ответ: не верно Вопрос 16. Верно ли, что: ошибка 1 рода при бинарной классификации на классы 1 и -1 – это если модель предсказала принадлежность объекта к классу 1, а на самом деле он принадлежит к другому классу Ответ: верно Вопрос 17. Верно ли, что: ошибка 2 рода при бинарной классификации на классы 1 и -1 – это когда алгоритм предсказывает класс –1, а реально объект принадлежит к 1 классу Ответ: верно Вопрос 18. Верно ли, что: для отслеживания двух видов ошибок (1-го и 2-го рода) используют метрики точность (Precision) и полнота (Recall) Ответ: верно Вопрос 19. Верно ли, что: метрика f1-мера рассчитывается как гармоническое среднее между accuracy и mse Ответ: не верно Вопрос 20. Верно ли, что: средняя абсолютная процентная ошибка (mape) рассчитывается с помощью функции модуля Ответ: не верно Вопрос 21. Верно ли, что: при мягкой кластеризации результатом работы модели кластеризации будет набор вероятностей принадлежности объекта к каждому из классов Ответ: верно Вопрос 22. Верно ли, что: особенностью DBSCAN является то, что некоторые объекты он называет шумовыми и не относит их ни к одному кластеру Ответ: верно Вопрос 23. Верно ли, что: иерархическая кластеризация (agglomerative clustering) находит вложенные кластеры Ответ: верно Вопрос 24. Верно ли, что: коэффициент силуэта – это метрика, не связанная с расстояниями между объектами кластеров Ответ: не верно Вопрос 25. Верно ли, что: критерий локтя используют для выбора числа кластеров Ответ: верно КРИТЕРИИ ОЦЕНИВАНИЯ ЗАКРЫТЫХ ВОПРОСОВ: 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. 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.) |
| см. приложение |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Промежуточная аттестация заключается в проведении в конце семестра зачета (для обучающихся, не получивших зачет по результатам текущей успеваемости) по всему изученному курсу. Зачет проводится в устной форме по билетам. В билет входит 1 вопрос теоретического характера. ВОПРОСЫ ТЕОРЕТИЧЕСКОГО ХАРАКТЕРА 1. Какие четыре ключевых шага предполагает исследование в рамках науки о данных? 2. Основные понятия и определения сквозных технологий. 3. Среды реализации методов анализа больших данных. 4. В чем заключается этап подготовки данных? 5. Как осуществляется выбор алгоритмов для моделирования данных? 6. Как проходит настройка алгоритмов для оптимизации моделей? 7. Как оценивается точность моделей? 8. Для чего используется регрессионный анализ? 9. Как определяются предиктор и вес предиктора? 10. Что показывает вес предиктора? 11. Как выводится линия тренда? 12. В каких случаях регрессионный анализ работает лучше всего? 13. Принцип применения метода ближайших соседей. 14. Принцип применения метода k-средних. 15. Понятие нейронной сети. 16. Методы кластеризации данных. 17. Что выявляют ассоциативные правила? 18. Каковы три основных способа оценки ассоциации? 19. Что такое "поддержка"? 20. Что такое "достоверность"? 21. Что такое "лифт"? 22. В чем заключается принцип a priori? КРИТЕРИИ ОЦЕНИВАНИЯ «Отлично» (зачтено): студентом дан полный, в логической последовательности развернутый ответ на поставленные вопросы, где он продемонстрировал знания предмета в полном объеме учебной программы, достаточно глубоко осмысливает дисциплину, самостоятельно, и исчерпывающе отвечает на дополнительные вопросы, приводит собственные примеры по проблематике поставленного вопроса, решил предложенные практические задания без ошибок. «Хорошо» (зачтено): студентом дан развернутый ответ на поставленный вопрос, где студент демонстрирует знания, приобретенные на лекционных и семинарских занятиях, а также полученные посредством изучения обязательных учебных материалов по курсу, дает аргументированные ответы, приводит примеры, в ответе присутствует свободное владение монологической речью, логичность и последовательность ответа. Однако допускаются неточности в ответе. Решил предложенные практические задания с небольшими неточностями. «Удовлетворительно» (зачтено): студентом дан ответ, свидетельствующий в основном о знании процессов изучаемой дисциплины, отличающийся недостаточной глубиной и полнотой раскрытия темы, знанием основных вопросов теории, слабо сформированными навыками анализа явлений, процессов, недостаточным умением давать аргументированные ответы и приводить примеры, недостаточно свободным владением монологической речью, логичностью и последовательностью ответа. Допускается несколько ошибок в содержании ответа и решении практических заданий. «Неудовлетворительно» (не зачтено): студентом дан ответ, который содержит ряд серьезных неточностей, обнаруживающий незнание процессов изучаемой предметной области, отличающийся неглубоким раскрытием темы, незнанием основных вопросов теории, неумением давать аргументированные ответы. Выводы поверхностны. Решение практических заданий не выполнено. Студент не способен ответить на вопросы даже при дополнительных наводящих вопросах преподавателя. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Шарден Б., Массарон Л., Боскетти А. | Крупномасштабное машинное обучение вместе с Python: Учебные пособия | Издательство "ДМК Пресс", 2018 //ЭБС издательства «Лань» | e.lanbook.com |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Черткова Е.А. | СТАТИСТИКА. АВТОМАТИЗАЦИЯ ОБРАБОТКИ ИНФОРМАЦИИ: учеб. пособие | М. : Издательство Юрайт, 2018 | |
| Л2.2 | Дронов С.В. | Многомерный статистический анализ: Учебное пособие | Барнаул, изд-во АлтГУ, 2007 | |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Сайт библиотеки АлтГУ | www.lib.asu.ru | ||
| Э2 | Электронно-библиотечная система издательства «Лань» | www.e.lanbook.com | ||
| Э3 | Свободная энциклопедия «Википедия» | ru.wikipedia.org | ||
| Э4 | Цифровой университет АлтГУ: Статистика больших данных | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| операционная система не ниже Windows 10 (x64), Ubuntu 20.04, Anaconda, Python 3.7.7 CUDA 10.2 (при наличии машин с GPU). 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/ | ||||
| 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. |
| 519М | электронный читальный зал с доступом к ресурсам «ПРЕЗИДЕНТСКОЙ БИБЛИОТЕКИ имени Б.Н. Ельцина» - помещение для самостоятельной работы | Учебная мебель на 46 посадочных мест; 1 Флипчарт; компьютеры; ноутбуки с подключением к информационно-телекоммуникационной сети "Интернет" и доступом в электронную информационно-образовательную среду; стационарный проектор: марка Panasonic, модель PT-ST10E; стационарный экран: марка Projecta, модель 10200123; система видеоконференцсвязи Cisco Telepresence C20; конгресс система Bosch DCN Next Generation; 8 ЖК-панелей |
| 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) |
| 1. Лекция. - На лекционных занятиях необходимо конспектировать изучаемый материал. - Для систематизации лекционного материала, который будет полезен при подготовке к итоговому контролю знаний, записывайте на каждой лекции тему, вопросы для изучения, рекомендуемую литературу. - В каждом вопросе выделяйте главное, обязательно запишите ключевые моменты (определение, факты, законы, правила и т.д.), подчеркните их. - Если по содержанию материала возникают вопросы, не нужно выкрикивать, запишите их и задайте по окончании лекции или на семинарском занятии. - Перед следующей лекцией обязательно прочитайте предыдущую, чтобы актуализировать знания и осознанно приступить к освоению нового содержания. 2.Семинарское (практическое) занятие – это форма работы, где студенты максимально активно участвуют в обсуждении темы. - Для подготовки к семинару необходимо взять план семинарского занятия (у преподавателя, на кафедре или в методическом кабинете). - Самостоятельную подготовку к семинарскому занятию необходимо начинать с изучения понятийного аппарата темы. Рекомендуем использовать справочную литературу (словари, справочники, энциклопедии), целесообразно создать и вести свой словарь терминов. - На семинар выносится обсуждение не одного вопроса, поэтому важно просматривать и изучать все вопросы семинара, но один из вопросов исследовать наиболее глубоко, с использованием дополнительных источников (в том числе тех, которые вы нашли самостоятельно). Не нужно пересказывать лекцию. - Важно запомнить, что любой источник должен нести достоверную информацию, особенно это относится к Internet-ресурсам. При использовании Internet - ресурсов в процессе подготовки не нужно их автоматически «скачивать», они должны быть проанализированы. Не нужно «скачивать» готовые рефераты, так как их однообразие преподаватель сразу выявляет, кроме того, они могут быть сомнительного качества. - В процессе изучения темы анализируйте несколько источников. Используйте периодическую печать - специальные журналы. - Полезным будет работа с электронными учебниками и учебными пособиями в Internet-библиотеках. Зарегистрируйтесь в них: университетская библиотека Онлайн (http://www.biblioclub.ru/) и электронно-библиотечная система «Лань» (http://e.lanbook.com/). - В процессе подготовки и построения ответов при выступлении не просто пересказывайте текст учебника, но и выражайте свою личностно-профессиональную оценку прочитанного. - Принимайте участие в дискуссиях, круглых столах, так как они развивают ваши навыки коммуникативного общения. - Если к семинарским занятиям предлагаются задания практического характера, продумайте план их выполнения или решения при подготовке к семинару. - При возникновении трудностей в процессе подготовки взаимодействуйте с преподавателем, консультируйтесь по самостоятельному изучению темы. 3. Самостоятельная работа. - При изучении дисциплины не все вопросы рассматриваются на лекциях и семинарских занятиях, часть вопросов рекомендуется преподавателем для самостоятельного изучения. - Поиск ответов на вопросы и выполнение заданий для самостоятельной работы позволит вам расширить и углубить свои знания по курсу, применить теоретические знания в решении задач практического содержания, закрепить изученное ранее. - Эти задания следует выполнять не «наскоком», а постепенно, планомерно, следуя порядку изучения тем курса. - При возникновении вопросов обратитесь к преподавателю в день консультаций на кафедру. - Выполнив их, проанализируйте качество их выполнения. Это поможет вам развивать умения самоконтроля и оценочные компетенции. 4. Итоговый контроль. - Для подготовки к экзамену возьмите перечень примерных вопросов у методиста кафедры. - В списке вопросов выделите те, которые были рассмотрены на лекции, семинарских занятиях. Обратитесь к своим записям, выделите существенное. Для более детального изучения изучите рекомендуемую литературу. - Если в списке вопросов есть те, которые не рассматривались на лекции, семинарском занятии, изучите их самостоятельно. Если есть сомнения, задайте вопросы на консультации перед экзаменом. - Продумайте свой ответ на экзамене, его логику. Помните, что ваш ответ украсит ссылка на источник литературы, иллюстрация практики применения теоретического знания, а также уверенность и наличие авторской аргументированной позиции как будущего субъекта профессиональной деятельности. |