| Закреплена за кафедрой | Кафедра цифровых технологий и бизнес-аналитики |
|---|---|
| Направление подготовки | 09.04.03. Прикладная информатика |
| Профиль | Финансовые технологии |
| Форма обучения | Очная |
| Общая трудоемкость | 3 ЗЕТ |
| Учебный план | 09_04_03_Прикладная информатика_ФинТех-2025 |
|
|
||||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 1 (1) | Итого | ||
|---|---|---|---|---|
| Недель | 17 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 12 | 12 | 12 | 12 |
| Практические | 20 | 20 | 20 | 20 |
| Сам. работа | 49 | 49 | 49 | 49 |
| Часы на контроль | 27 | 27 | 27 | 27 |
| Итого | 108 | 108 | 108 | 108 |
| 1.1. | Формирование у студентов знаний, умений и навыков комплексного представления о современных концептуальных основах и прикладных аспектах программных средств анализа экономической деятельности и применения методов статистического анализа данных, а также владение современными программными средствами решения задач анализа данных. |
|---|
| Цикл (раздел) ООП: Б1.О |
| ПК-1 | Способен писать эффективный, гибкий и читаемый код для решения практических задач |
| ПК-1.1 | Знает основные принципы разработки кода, методы обеспечения гибкости и читаемости кода, алгоритмы и структуры данных |
| ПК-1.2 | Умеет разрабатывать и оптимизировать код для решения практических задачах |
| ПК-1.3 | Владеет навыками применения различных языков программирования для решения практических задач в области финансовых технологий |
| ПК-3 | Способен применять алгоритмы машинного и глубинного обучения для решения прикладных задач, в том числе связанных с рекомендательными системами, анализом и пониманием данных различных модальностей |
| ПК-3.1 | Знает основные алгоритмы машинного и глубинного обучения, применяемые в рекомендательных системах, а также методы анализа данных различных типов и их особенности |
| ПК-3.2 | Умеет разрабатывать и внедрять алгоритмы для создания рекомендательных систем, анализа модальных данных, оценивать их эффективность и точность |
| ПК-3.3 | Владеет навыками использования современных инструментов и библиотек для работы с многомодальными данными |
| ПК-4 | Способен проектировать системы хранения и обработки больших объёмов данных, учитывая специфику предметной области, а также эффективно пользоваться данными системами |
| ПК-4.1 | Знает принципы архитектуры систем хранения и обработки данных, базы данных, распределенные вычисления, методы оптимизации управления большими данными |
| ПК-4.2 | Умеет разрабатывать и оптимизировать системы хранения и обработки данных |
| ПК-4.3 | Умеет выбирать подходящие технологии для их использования в зависимости от задач и предметной области |
| ПК-4.4 | Владеет навыками работы с инструментами обработки больших данных, методами организации и анализа данных, а также их интеграции в бизнес-процессы |
| ПК-6 | Способен анализировать продуктовые задачи, выдвигать гипотезы на основе данных, проводить эксперименты и оценивать их на основе бизнес-метрик |
| ПК-6.1 | Знает основные методы анализа продуктовых данных, подходы к формулировке гипотез, принципы оценки результатов с использованием бизнес-метрик |
| ПК-6.2 | Умеет выдвигать гипотезы на основе анализа данных, разрабатывать и проводить эксперименты, интерпретировать результаты и принимать решения, основываясь на бизнес-метриках |
| ПК-6.3 | Владеет навыками работы с аналитическими инструментами для поведения анализа данных, а также способности использовать статистические методы для оценки и интерпретации результатов в контексте бизнес-целей |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | |
| 3.2. | Уметь: |
| 3.2.1. | |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Пакеты и библиотеки для разработки информационных систем анализа данных | ||||||
| 1.1. | Использование пакетов вычислительной математики | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 1.2. | Работа с данными. Примеры простейшей деловой графики | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 1.3. | Работа с данными. Примеры простейшей деловой графики | Сам. работа | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 1.4. | Структуры данных | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 1.5. | Рекурсивный обход древовидной структуры. Деревья и графы | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 1.6. | Рекурсивный обход древовидной структуры. Деревья и графы | Сам. работа | 1 | 4 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| Раздел 2. Инструменты разработки информационных систем анализа временных рядов | ||||||
| 2.1. | Основные инструменты и технологии для анализа временных рядов | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 2.2. | Применение технологий анализа временных рядов | Практические | 1 | 4 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 2.3. | Применение технологий анализа временных рядов | Сам. работа | 1 | 6 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 2.4. | Основы интерактивной работы на Форекс | Практические | 1 | 4 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| 2.5. | Основы интерактивной работы на Форекс | Сам. работа | 1 | 4 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.2 |
| Раздел 3. Инструменты разработки программного обеспечения для компьютерного моделирования социально-экономических процессов | ||||||
| 3.1. | Машинное обучение | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 3.2. | Построение регрессионной модели в машинном обучении | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | |
| 3.3. | Построение регрессионной модели в машинном обучении | Сам. работа | 1 | 4 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | |
| Раздел 4. Инструменты разработки средств многомерного анализа данных | ||||||
| 4.1. | Факторный анализ | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.2. | Факторный анализ | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.3. | Факторный анализ | Сам. работа | 1 | 6 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.4. | Кластерный анализ | Лекции | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.5. | Кластерный анализ | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.6. | Кластерный анализ | Сам. работа | 1 | 6 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.7. | Кластерный анализ в машинном обучении | Практические | 1 | 2 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.8. | Кластерный анализ в машинном обучении | Сам. работа | 1 | 6 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 4.9. | Подготовка к экзамену | Сам. работа | 1 | 11 | ПК-3.1, ПК-3.2, ПК-4.1, ПК-4.2, ПК-1.1, ПК-1.2, ПК-1.3, ПК-3.3, ПК-4.3, ПК-4.4, ПК-6.1, ПК-6.2, ПК-6.3 | Л1.1 |
| 5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
| Оценочные материалы для текущего контроля по разделам и темам дисциплины в полном объеме размещены в онлайн-курсе на образовательном портале «Цифровой Университет АлтГУ» – https://portal.edu.asu.ru/course/view.php?id=196. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-1 Способен писать эффективный, гибкий и читаемый код для решения практических задач ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Какая библиотека Python наиболее часто используется для базовых математических и научных вычислений, включая работу с многомерными массивами (ndarray)? а. Pandas б. Scikit-learn в. NumPy г. Matplotlib Ответ: в Вопрос 2. Какая библиотека Python предоставляет структуры данных и инструменты для эффективной работы с табличными данными, такими как CSV или Excel? а. NumPy б. Pandas в. TensorFlow г. Seaborn Ответ: б Вопрос 3. Какая библиотека Python в основном ориентирована на машинное обучение и предоставляет широкий спектр алгоритмов для классификации, регрессии, кластеризации и уменьшения размерности? а. Matplotlib б. Scikit-learn в. Plotly г. Statsmodels Ответ: б Вопрос 4. Какая библиотека Python предоставляет возможности для создания различных типов визуализаций данных, таких как графики, диаграммы и гистограммы? а. NumPy б. Pandas в. Matplotlib г. Seaborn Ответ: в Вопрос 5. Какая библиотека Python построена на основе Matplotlib и предоставляет более высокий уровень абстракции для создания статистических графиков, упрощая процесс визуализации данных? а. NumPy б. Pandas в. Bokeh г. Seaborn Ответ: г Вопрос 6. Какая библиотека Python предоставляет инструменты для статистического моделирования, тестирования гипотез и анализа временных рядов? а. Scikit-learn б. Statsmodels в. TensorFlow г. Keras Ответ: б Вопрос 7. Какая библиотека Python является фреймворком для глубокого обучения, разработанным Google, и используется для создания и обучения нейронных сетей? а. Scikit-learn б. PyTorch в. TensorFlow г. Statsmodels Ответ: в Вопрос 8. Какая библиотека Python является еще одним популярным фреймворком для глубокого обучения, часто предпочитаемым за его гибкость и удобство в использовании? а. Scikit-learn б. PyTorch в. TensorFlow г. Keras Ответ: б Вопрос 9. Какая библиотека Python предоставляет высокоуровневый API для создания нейронных сетей и может работать как над TensorFlow, так и над Theano? а. Scikit-learn б. PyTorch в. TensorFlow г. Keras Ответ: г Вопрос 10. Какая библиотека Python предоставляет возможности для создания интерактивных веб-приложений для визуализации данных? а. Matplotlib б. Seaborn в. Plotly г. Все эти библиотеки Ответ: г КРИТЕРИИ ОЦЕНИВАНИЯ: 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. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. Основная библиотека Python, используемая для математических вычислений и работы с массивами. Ответ: NumPy Вопрос 2. Какая библиотека Python предоставляет инструменты для работы с табличными данными? Ответ: Pandas Вопрос 3. Какое основное назначение библиотеки Scikit-learn? Ответ: машинное обучение Вопрос 4. Какие типы визуализаций может создавать библиотека Matplotlib (приведите 4-5 типов)? Ответ: графики, диаграммы рассеяния, гистограммы, графики в виде столбцов, пироговые диаграммы Вопрос 5. Как библиотека Seaborn расширяет возможности Matplotlib? Ответ: упрощает создание статистических графиков, предоставляя более высокоуровневый API Вопрос 6. Какую задачу решает библиотека Statsmodels? Ответ: предназначена для статистического моделирования, тестирования гипотез (например, t-тесты, ANOVA) и анализа временных рядов Вопрос 7. Какой один из основных фреймворков для глубокого обучения Python? Ответ: TensorFlow (или PyTorch) Вопрос 8. В чем заключается роль библиотеки Keras в разработке нейронных сетей? Ответ: предоставляет высокоуровневый API для создания и обучения нейронных сетей, упрощая процесс их разработки Вопрос 9. В каких случаях имеет смысл использовать библиотеки Plotly или Bokeh для визуализации данных? Ответ: когда требуется создавать интерактивные веб-приложения для визуализации данных, которые позволяют пользователям масштабировать, перемещаться по графику, отображать всплывающие подсказки и производить другие виды интерактивного взаимодействия Вопрос 10. Какая библиотека поможет решить задачу по работе с нечеткими множествами и приблизительными рассуждениями при разработке информационных систем анализа данных? Ответ: scikit-fuzzy 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-3 Способен применять алгоритмы машинного и глубинного обучения для решения прикладных задач, в том числе связанных с рекомендательными системами, анализом и пониманием данных различных модальностей ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Что такое регрессионная модель в машинном обучении? а. модель, которая предсказывает категорию или класс б. модель, которая предсказывает непрерывное числовое значение в. модель для кластеризации данных г. модель для снижения размерности данных Ответ: б Вопрос 2. Какой из перечисленных алгоритмов относится к регрессионным моделям? а. K-средних (K-Means) б. дерево решений (Decision Tree, applied to Regression) в. метод опорных векторов (Support Vector Machine, applied to Classification) г. логистическая регрессия (Logistic Regression) Ответ: б Вопрос 3. Что измеряет метрика MSE (Mean Squared Error), используемая для оценки качества регрессионной модели? а. среднее абсолютное отклонение прогнозов от фактических значений б. средний квадрат отклонения прогнозов от фактических значений в. долю правильно классифицированных объектов г. отсутствует правильный ответ Ответ: б Вопрос 4. Что такое переобучение (overfitting) регрессионной модели? а. модель хорошо обобщает на новые данные, но плохо работает на обучающем наборе б. модель плохо обобщает на новые данные, но хорошо работает на обучающем наборе в. модель имеет низкую сложность и не может уловить закономерности в данных г. модель очень сложная и точно воспроизводит тренировочный набор, но теряет способность к обобщению на новых данных Ответ: г Вопрос 5. Какой метод можно использовать для борьбы с переобучением в регрессионных моделях? а. увеличение количества признаков б. уменьшение количества признаков в. использование регуляризации г. увеличение размера батча при обучении Ответ: в Вопрос 6. В чем заключается идея L1-регуляризации (Lasso)? а. добавляет к функции потерь квадрат величины весов модели б. добавляет к функции потерь абсолютное значение весов модели в. снижает скорость обучения модели г. нормализует входные данные Ответ: б Вопрос 7. В чем заключается идея L2-регуляризации (Ridge)? а. добавляет к функции потерь квадрат величины весов модели б. добавляет к функции потерь абсолютное значение весов модели в. снижает скорость обучения модели г. нормализует входные данные Ответ: а Вопрос 8. Для какой регрессионной модели необходимо масштабирование признаков? а. дерево решений б. линейная регрессия с регуляризацией в. случайный лес г. K-ближайших соседей (K-Nearest Neighbors) Ответ: г Вопрос 9. Какая регрессионная модель меньше всего подвержена переобучению? а. полиномиальная регрессия высокой степени б. линейная регрессия в. нейронная сеть с большим количеством слоев г. решающее дерево с большой глубиной Ответ: б Вопрос 10. Что такое остатки (residuals) в регрессионной модели? а. веса модели б. разница между предсказанными и наблюдаемыми значениями в. входные данные г. параметр регуляризации Ответ: б КРИТЕРИИ ОЦЕНИВАНИЯ: 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. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. Что такое регрессия в машинном обучении? Ответ: тип задач машинного обучения, целью которого является предсказание непрерывной числовой переменной (зависимой переменной) на основе одной или нескольких других переменных (независимых переменных) Вопрос 2. Что такое линейная регрессия? Ответ: модель регрессии, которая предполагает линейную связь между независимыми переменными и зависимой переменной Вопрос 3. Какие метрики используются для оценки качества регрессионных моделей? Ответ: MSE, RMSE, MAE, • R-squared Вопрос 4. Что такое переобучение модели регрессии? Ответ: переобучение (overfitting) модели регрессии возникает, когда модель слишком хорошо "запоминает" тренировочные данные, включая шум и выбросы Вопрос 5. Что такое регуляризация в контексте регрессионных моделей? Ответ: метод предотвращения переобучения путем добавления штрафа к функции потерь модели Вопрос 6. Что такое полиномиальная регрессия? Ответ: метод регрессии, в котором зависимость между зависимой и независимой переменными моделируется как многочлен (полином) степени n Вопрос 7. В чем преимущества модели дерева решений (Decision Tree) для задач регрессии? Ответ: легко интерпретируются, не требуют масштабирования признаков, могут улавливать нелинейные зависимости Вопрос 8. Что такое ансамблевые методы в регрессии? Ответ: методы, которые объединяют прогнозы нескольких моделей для получения более точного и устойчивого прогноза Вопрос 9. Как влияет масштабирование признаков на работу регрессионных моделей? Ответ: если признаки имеют разный диапазон значений, то признаки с большим диапазоном могут доминировать в модели, что приведет к смещению результатов Вопрос 10. Для чего используется метод масштабирования MinMaxScaler? Ответ: для приведения значения признака к диапазону [0, 1] 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-4 Способен проектировать системы хранения и обработки больших объёмов данных, учитывая специфику предметной области, а также эффективно пользоваться данными системами ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Какие типы диаграмм относятся к деловой графике? а. диаграмма Ганта б. гистограмма в. диаграмма Пие г. модель Канбан д. блок-схема е. все перечисленные Ответ: е Вопрос 2. К каким целям используют деловую графику? (выберите все подходящее): а. визуализация бизнес-процессов б. анализ данных и метрик в. создание рекламных баннеров г. планирование проектов д. разработка программных интерфейсов Ответ: а, б, г Вопрос 3. Какие инструменты чаще всего применяются для создания деловой графики? (выберите все подходящее): а. Microsoft Visio б. Adobe Photoshop в. Lucidchart г. PowerPoint д. AutoCAD Ответ: а, в, г Вопрос 4. Какие элементы характерны для блок-схем? (выберите все подходящее): а. услуги и роли б. процессные блоки в. решения или условия г. временные рамки д. входы и выходы Ответ: б, в, д Вопрос 5. Что из перечисленного является преимуществами использования деловой графики? (выберите все подходящее): а. упрощение восприятия информации б. повышение наглядности данных в. ускорение коммуникации в команде г. повышение стоимости продукта д. автоматическая генерация отчетов Ответ: а, б, в Вопрос 6. К каким видам деловой графики относятся диаграмма Пие и гистограмма? а. диаграммы для отображения пропорций и распределений б. диаграммы для отображения связей между системами в. диаграммы для планирования задач г. диаграммы для моделирования бизнес-процессов Ответ: а Вопрос 7. Какие параметры обычно отражаются на диаграмме Ганта? (выберите все подходящее): а. временные рамки задач б. ответственные исполнители в. степень завершенности г. стоимость проекта д. статус задач Ответ: а, б, в, д Вопрос 8. Какие виды деловой графики чаще всего используют для анализа бизнес-процессов? (выберите все подходящее): а. блок-схемы б. диаграмма «Рыбная кость» в. диаграмма Пие г. диаграмма последовательности Ответ: а, б Вопрос 9. Какие могут быть недостатки использования деловой графики? (выберите все подходящее): а. требуются навыки работы с инструментами б. может быть сложно обновлять крупные схемы в. не подходит для отображения числовых данных г. занимает много времени на создание д. нет возможности делиться результатами онлайн Ответ: а, б, г Вопрос 10. Что рекомендуется учитывать при создании деловой графики? (выберите все подходящее): а. цель визуализации б. аудиторию в. объем отображаемых данных г. цветовую схему д. время суток создания Ответ: а, б, в, г КРИТЕРИИ ОЦЕНИВАНИЯ: 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. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1: Какие основные функции должны выполнять инструменты для анализа временных рядов при разработке информационных систем? Ответ: сбор и предварительную обработку данных, обнаружение закономерностей, моделирование трендов и сезонных эффектов, прогнозирование будущих значений, визуализацию данных и автоматизацию процессов анализа. Вопрос 2: Назовите популярные программные средства, используемые для анализа временных рядов. Ответ: Python с библиотеками pandas, statsmodels, Prophet, R с пакетами forecast, ts, специализированные программы MATLAB, SAS, Minitab и Tableau. Вопрос 3: К каким типам данных применяется анализ временных рядов в информационных системах? Ответ: к последовательностям числовых данных, зафиксированным в равные промежутки времени, например, финансовым котировкам, метеорологическим данным, показателям продаж, трафику на сайте. Вопрос 4: Опишите этапы обработки данных при анализе временных рядов в информационных системах. Ответ: сбор данных, очистку и предобработку, обнаружение и устранение выбросов, преобразование (например, стационарность), построение моделей, проверку и оценку результатов, визуализацию и внедрение модели. Вопрос 5: Какие методы моделирования временных рядов наиболее широко используются в разработке аналитических систем? Ответ: скользящие средние, экспоненциальное сглаживание, авторегрессионные модели (AR), интегрированные модели (ARIMA), сезонные модели (SARIMA), методы машинного обучения и глубокого обучения (например, LSTM). Вопрос 6: Объясните, для чего служит периодический анализ в контексте временных рядов. Ответ: помогает выявить сезонные колебания и циклы, повторяющиеся с определенной периодичностью, что важно для точного прогнозирования и выявления устойчивых закономерностей. Вопрос 7: Как инструменты разработки могут обеспечивать автоматизацию процессов анализа временных рядов? Ответ: создание скриптов, автоматическую обработку данных, регулярное обновление моделей, настройку сценариев прогнозирования и внедрение рабочих процессов с помощью API, интеграцию с базами данных и системами отчетности. Вопрос 8: Назовите преимущества использования специализированных инструментов для анализа временных рядов по сравнению с ручным анализом. Ответ: повышение скорости обработки больших объемов данных, снижение ошибок, автоматизация повторяющихся задач, улучшение точности прогнозов благодаря использованию сложных моделей, возможность визуализации и интеграции с другими системами. Вопрос 9: Какие сложности могут возникнуть при разработке информационных систем анализа временных рядов и как их преодолеть? Ответ: работа с шумными данными, отсутствие стационарности, недостаток данных, выбор подходящей модели, переобучение или недообучение. Их можно преодолеть путём предварительной обработки данных, использования методов стабилизации, тестирования различных моделей и регулярного их обновления. Вопрос 10: Как интегрировать инструменты анализа временных рядов в общую архитектуру информационной системы? Ответ: за счет использования API и обмена данными с базами данных, внедрения моделей как сервисов (microservices), автоматизации процессов обработки и прогноза, а также обеспечения совместимости с интерфейсами пользователя и системами отчетности. 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. ОЦЕНКА СФОРМИРОВАННОСТИ КОМПЕТЕНЦИИ ПК-6 Способен анализировать продуктовые задачи, выдвигать гипотезы на основе данных, проводить эксперименты и оценивать их на основе бизнес-метрик ПРИМЕРЫ ЗАДАНИЙ ЗАКРЫТОГО ТИПА Вопрос 1. Какой язык программирования чаще всего используется для создания моделей социально-экономических процессов благодаря большому количеству библиотек для анализа данных и моделирования? а. C++ б. Java в. Python г. JavaScript Ответ: в Вопрос 2. Какая библиотека Python предоставляет инструменты для статистического моделирования, анализа данных и проверки гипотез? а. NumPy б. SciPy в. Pandas г. Statsmodels Ответ: г Вопрос 3. Какая библиотека Python наиболее подходит для работы с массивами данных, выполнения численных расчетов и матричных операций в моделях? а. Pandas б. NumPy в. Matplotlib г. SciPy Ответ: б Вопрос 4. Какой процесс предполагает проверку соответствия реализованной модели спецификации и отсутствия ошибок в коде? а. Валидация б. Верификация в. Оптимизация г. Анализ чувствительности Ответ: б Вопрос 5. Вопрос 6. Вопрос 7. Вопрос 8. Вопрос 9. Вопрос 10. КРИТЕРИИ ОЦЕНИВАНИЯ: 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. ПРИМЕРЫ ЗАДАНИЙ ОТКРЫТОГО ТИПА Вопрос 1. Что такое бизнес-метрика? Ответ: измеримая величина, отражающая ключевые аспекты деятельности компании, её производительность, эффективность или состояние Вопрос 2. Для чего используется бизнес-метрика? Ответ: для отслеживания прогресса, оценки успешности стратегий и принятия обоснованных управленческих решений Вопрос 3. Что оценивают операционные метрики? Ответ: эффективность бизнес-процессов (время обработки заказа, количество ошибок) Вопрос 4. Каковы основные принципы выбора эффективных бизнес-метрик? Ответ: измеримость, достижимость, актуальность, ограниченность во времени, специфичность Вопрос 5. Какие факторы следует учитывать при выборе инструмента разработки для моделирования социально-экономического процесса? Ответ: сложность модели, тип моделируемого процесса, требования к визуализации, бюджет, наличие опыта и квалификации Вопрос 6. Что такое агентное моделирование? Ответ: подход к моделированию, в котором система моделируется как совокупность автономных агентов, взаимодействующих друг с другом и окружающей средой Вопрос 7. Для каких расчетов при моделировании социально-экономических процессов можно использовать библиотеку NumPy Python? Ответ: для выполнения численных расчетов, работы с массивами данных и матрицами, например, для решения системы уравнений, описывающих экономическую модель Вопрос 8. Какую библиотеку Python можно использовать для импорта данных из CSV-файлов, очистки данных и выполнения статистического анализа? Ответ: Pandas Вопрос 9. Какую библиотеку Python можно использовать для построения и анализа статистических моделей, таких как линейные регрессии? Ответ: Statsmodels Вопрос 10. Какую библиотеку Python используют для реализации системной динамика? Ответ: PySD 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.) |
| не предусмотрены |
| 5.3. Фонд оценочных средств для проведения промежуточной аттестации |
| Промежуточная аттестация заключается в проведении в конце второго семестра зачета, в конце третьего семестра экзамена по всему изученному курсу. Тест размещен в разделе «Промежуточная аттестация (зачет)» онлайн-курса на образовательном портале «Цифровой университет АлтГУ». https://portal.edu.asu.ru/mod/quiz/view.php?id=196 Количество заданий в контрольно-измерительном материале (тесте) для промежуточной аттестации, составляет 25. КРИТЕРИИ ОЦЕНИВАНИЯ: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом: Для экзамена: «отлично» – верно выполнено 85-100% заданий; «хорошо» – верно выполнено 70-84% заданий; «удовлетворительно» – верно выполнено 51-69% заданий; «неудовлетворительно» – верно выполнено 50% и менее 50% заданий. |
| 6.1. Рекомендуемая литература | ||||
| 6.1.1. Основная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л1.1 | Гитис Л. Х. | Статистическая классификация и кластерный анализ : | М.: Изд-во МГГУ, 2003 | |
| Л1.2 | Миркин, Б. Г. | Введение в анализ данных: учебник и практикум | М. : Издательство Юрайт // ЭБС «Юрайт», 2017 | biblio-online.ru |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Электронный курс "Инструменты разработки" на образовательном портале АлтГУ | portal.edu.asu.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| 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 | ||||
| СПС Гарант (http://www.garant.ru) СПС КонсультантПлюс (http://www.consultant.ru/) Электронная база данных "Scopus" (http://www.scopus.com) Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru) Научная электронная библиотека elibrary (http://elibrary.ru) | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| 304С | 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 AsusTeK Computer INC модель P8B75-M; мониторы: марка ASUS модель VW224 - 15 единиц; плакат "Компьютер и безопасность" |
| 103С | 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; помещение для саостоятельной работы | Учебная мебель на 16 посадочных мест; рабочее место преподавателя; доска маркерная; марка ASUSTeK Computer INC модель P8B75-M - 15 единиц; мониторы: марка Asus модель VW224 - 15 единиц |
| 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, 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 |
| 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 экзамену. Требуется также самостоятельная работа по изучению основной и дополнительной литературы и закрепление полученных на практических 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 практических занятиях в компьютерном классе. Если практические занятия пропущены по уважительной причине, то соответствующие задания необходимо выполнить самостоятельно и представить результаты преподавателю на очередном занятии или консультации. методические материалы размещены на образовательном портале АлтГУ https://portal.edu.asu.ru/course/view.php?id=196 |