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

Цифровая культура в профессиональной деятельности

рабочая программа дисциплины
Закреплена за кафедройКафедра клинической психологии
Направление подготовки37.05.01. Клиническая психология
СпециализацияПатопсихологическая диагностика и когнитивно-поведенческая психотерапия
Форма обученияОчная
Общая трудоемкость6 ЗЕТ
Учебный план37_05_01_Клиническая психология_ПДиКПП-2023
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 23
Вид занятий УПРПДУПРПД
Лабораторные 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. пед. н, доцент, Кравченко Г.В;преподаватель, Миненков С.П.

Рецензент(ы):

Рабочая программа дисциплины
Цифровая культура в профессиональной деятельности

разработана в соответствии с ФГОС:
Федеральный государственный образовательный стандарт высшего образования - специалитет по специальности 37.05.01 Клиническая психология (приказ Минобрнауки России от 26.05.2020 г. № 683)

составлена на основании учебного плана:
37.05.01 Клиническая психология
утвержденного учёным советом вуза от 26.06.2023 протокол № 4.

Рабочая программа одобрена на заседании кафедры
Кафедра клинической психологии

Протокол от 28.06.2022 г. № 12
Срок действия программы: 2021-2023 уч. г.

Заведующий кафедрой
Волкова Т.Г. , доцент,зав каф


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-11Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности
ОПК-11.1 Знает принципы работы современных информационных технологий
ОПК-11.2 Умеет применить современные информационные технологии для решения профессиональных задач
ОПК-11.3 Владеет современными информационными технологиями для организации психологических исследований
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-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
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-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
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-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 16 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 Лабораторные 2 14 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 18 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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. Лабораторные 2 12 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 12 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
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-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 Лабораторные 2 8 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, 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 12 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
Раздел 6. Нейронные сети в задачах анализа текста. Конструирование чат-ботов
6.1. Нейронные сети в задачах анализа текста. Конструирование чат-ботов Сам. работа 2 7 ОПК-11.1, ОПК-11.2, ОПК-11.3
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. Лабораторные 2 8 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
6.3. 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-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
Раздел 7. Сервисы, использующих технологии искусственного интеллекта
7.1. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Лабораторные 2 8 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2
7.2. Сервисы, использующих технологии искусственного интеллекта Сам. работа 2 12 ОПК-11.1, ОПК-11.2, ОПК-11.3
7.3. Обзор готовых сервисов, использующих технологии машинного обучения для решения прикладных задач Сам. работа 2 12 ОПК-11.1, ОПК-11.2, ОПК-11.3 Л1.1, Л1.2, Л1.3, Л2.1, Л2.2

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.

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 1: ДМК Пресс, 2019 https://e.lanbook.com/book/131696
Л1.2 Гласснер, Э. Глубокое обучение без математики. Том 2. Практика : , 2020 e.lanbook.com
Л1.3 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
6.1.2. Дополнительная литература
Авторы Заглавие Издательство, год Эл. адрес
Л2.1 Ганегедара Т. Обработка естественного языка с TensorFlow. — 382 с.: М.: ДМК Пресс, 2020 e.lanbook.com
Л2.2 Ын Анналин, Су Кеннет Теоретический минимум по Big Data. Всё, что нужно знать о больших данных: Спб.: Питер, 2019
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
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
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

Методические указания по дисциплине см. в учебном пособии:
Янова Н.Г. "Измерение и прогнозирование в психологии", Азбука, 2017, с.74-95