| Закреплена за кафедрой | Кафедра вычислительной техники и электроники |
|---|---|
| Направление подготовки | 09.03.01. Информатика и вычислительная техника |
| Профиль | Алгоритмы искусственного интеллекта |
| Форма обучения | Очная |
| Общая трудоемкость | 4 ЗЕТ |
| Учебный план | 09_03_01_Информатика и вычислительная техника_АИИ-2025 |
|
|
||||||||||||||
Распределение часов по семестрам
| Курс (семестр) | 3 (6) | Итого | ||
|---|---|---|---|---|
| Недель | 18 | |||
| Вид занятий | УП | РПД | УП | РПД |
| Лекции | 18 | 18 | 18 | 18 |
| Лабораторные | 36 | 36 | 36 | 36 |
| Сам. работа | 63 | 63 | 63 | 63 |
| Часы на контроль | 27 | 27 | 27 | 27 |
| Итого | 144 | 144 | 144 | 144 |
| 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 и разработки специлизированных проектов. |
|---|
| Цикл (раздел) ООП: Б1.В.01 |
| ПК-6 | Способен осуществлять сбор и подготовку данных для систем искусственного интеллекта |
| ПК-6.1 | Знать: методы редукции размерности элементов набора данных и их предварительной статистической обработки, разметки структурированных и неструктурированных данных. |
| ПК-6.2 | Знать: методы планирования вычислительного эксперимента, формирования обучающей и контрольной выборок. |
| ПК-6.3 | Уметь: выявлять и исключать из массива данных ошибочные данные и выбросы. |
| ПК-6.4 | Уметь: выделять входные и выходные переменные с целью использования предиктивных моделей. |
| ПК-6.5 | Уметь: осуществлять разметку структурированных и неструктурированных данных. |
| ПК-6.6 | Владеть: инструментами, библиотеками и технологиями Data Science для подготовки и разметки структурированных и неструктурированных данных для машинного обучения. |
| ПК-6.7 | Владеть: методами и технологиями массово параллельной обработки и анализа данных. |
| В результате освоения дисциплины обучающийся должен | |
| 3.1. | Знать: |
|---|---|
| 3.1.1. | Архитектурные принципы экосистемы Hadoop: назначение и взаимодействие ключевых компонентов (HDFS для хранения, YARN для управления ресурсами, MapReduce/Spark для вычислений). Модели данных и обработки: особенности реляционной, колоночной (HBase) и ин-мемориной (Spark) моделей, их сильные и слабые стороны для разных задач. Жизненный цикл данных: основные этапы ETL/ELT-процесса и назначение ключевых инструментов для их реализации (Sqoop для переноса, NiFi для потоковых потоков, Spark для трансформации). |
| 3.2. | Уметь: |
| 3.2.1. | Проектировать и разрабатывать конвейеры данных: создавать решения для переноса (Sqoop), оркестрации потоков (NiFi) и сквозной обработки данных (Spark) для решения практических задач. Обрабатывать данные с помощью SQL и API: формулировать запросы к большим данным с использованием HiveQL и Spark SQL, а также применять низкоуровневые преобразования с помощью API Spark (RDD/DataFrame). Строить и обучать модели машинного обучения: применять алгоритмы из библиотеки MLlib для решения базовых задач прогнозной аналитики (классификация, регрессия, кластеризация) в распределенной среде. |
| 3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
| 3.3.1. | Навыками распределенного программирования: разработки приложений для анализа данных на Python/Scala с использованием API фреймворка Apache Spark (RDD, DataFrame). Навыками работы с инструментами экосистемы Hadoop: практическим опытом взаимодействия с HDFS, создания конвейеров в Apache NiFi и выполнения запросов в Hive и Spark SQL. Навыками подготовки данных и машинного обучения: преобразования сырых данных в пригодный для анализа вид и применения базовых алгоритмов MLlib для извлечения практических инсайтов. |
| Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
|---|---|---|---|---|---|---|
| Раздел 1. Обзор и справочная информация по большим данным | ||||||
| 1.1. | Данные в истории человечества. Зачем нужны Большие данные. Изменение процесса обработки больших данных. Переход к ИИ: Новые инструменты автоматизации. Растущая роль общедоступных облачных сервисов в больших данных. | Лекции | 6 | 4 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 2. Основы больших данных | ||||||
| 2.1. | Обработка больших данных. Обзор ядра и экосистемы Hadoop. Архитектура Hadoop для больших данных. | Лекции | 6 | 2 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 2.2. | Начало работы с HDFS. Работа с YARN/MapReduce. | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 2.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 12 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 3. Получение больших данных | ||||||
| 3.1. | Миграция данных из EDW. Потоковые источники данных в реальном времени. Создание конвейеров данных с помощью Apache NiFi. Apache Kafka | Лекции | 6 | 4 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 3.2. | Прием данных с помощью Scoop для СУБД (MariaDB). Прием данных с помощью Apache Flume. Создание соединений Навигация по потокам данных. Создание и использование шаблонов. Использование групп обработчиков. Снижение нагрузки на соединения. Работа с Hadoop NiFi | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 3.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 12 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 4. Хранение больших данных | ||||||
| 4.1. | Альтернативные варианты хранения данных. Обзор NoSQL. Apache HBase. Обзор Cassandra. Обзор MongoDB. | Лекции | 6 | 2 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 4.2. | Доступ к данным с помощью HBase. Доступ к данным с помощью команд DML. Работа в HBase. Робота в Cassandra. | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 4.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 5. Анализ больших данных | ||||||
| 5.1. | Введение в SQL. Базовая аналитика. Расширенная аналитика. Архитектура анализа потоковых данных. | Лекции | 6 | 2 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 5.2. | Начало работы с MariaDB. Работа с таблицами. Работа с запросами. Предварительная обработка данных и базовый анализ данных с помощью Apache Pig. Pig для предварительной обработки ETL. Выполнение базовых запросов с помощью HiveQL. Сложные запросы | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 5.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 12 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 6. Apache Spark | ||||||
| 6.1. | Обработка неструктурированных данных. Структурированная обработка данных. Операции Spark SQL. Введение в потоковую передачу Spark. Работа с неструктурированными потоковыми данными. Распределенная обработка | Лекции | 6 | 2 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 6.2. | Работа с PySpark Shell. Работа с основными преобразованиями API. Работа с DataFrame API. Работа с Hive от Spark. Spark SQL Преобразования. Работа со Spark SQL. Создание приложения Apache Spark | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 6.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 12 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| Раздел 7. Моделирование больших данных | ||||||
| 7.1. | Машинное обучение и моделирование. Библиотека машинного обучения Apache Spark. Создание конвейеров Spark MLlib. Классификация и регрессия. Кластеризация и совместная фильтрация. | Лекции | 6 | 2 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 7.2. | Создание конвейерного приложения для машинного обучения. Построение модели логистической регрессии. Создание приложения для кластеризации. Построение модели линейной регрессии. | Лабораторные | 6 | 6 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 7.3. | Проработка необходимых вопросов для подготовки к лекциям и практическим занятиям. | Сам. работа | 6 | 9 | Л1.1, Л1.2, Л2.1, Л2.2, Л1.3 | |
| 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. Примеры заданий: Вопрос 1. Основная функция распределенной файловой системы HDFS в экосистеме Hadoop — это: а) Планирование задач и управление ресурсами б) Отказоустойчивое хранение больших объемов данных в) Потоковая обработка событий в реальном времени г) Выполнение SQL-подобных запросов Ответ: б Вопрос 2. Apache Spark Structured Streaming предназначен для: а) Передачи данных между HDFS и реляционными СУБД б) Обработки потоковых данных в реальном времени в) Хранения структурированных данных в колоночном формате г) Визуализации результатов анализа данных Ответ: б Вопрос 3. Инструмент Apache Airflow используется primarily для: а) Оркестрации сложных конвейеров данных (workflow) б) Выполнения машинного обучения поверх Spark в) Хранения и управления метаданными (каталог данных) г) Потоковой передачи логов в HDFS Ответ: а Вопрос 4. Технология Apache Kafka является: а) Колоночной NoSQL СУБД б) Платформой для распределенной потоковой передачи сообщений в) Фреймворком для выполнения ETL-операций на основе скриптов г) Системой управления вычислительными ресурсами кластера Ответ: б Вопрос 5. NoSQL база данных Cassandra характеризуется как: а) Документоориентированная СУБД б) СУБД типа "ключ-значение" с широкими столбцами (wide-column) в) Графовая СУБД г) Реляционная СУБД Ответ: б Вопрос 6. Язык программирования, который НЕ является одним из основных для написания приложений в Apache Spark: а) Scala б) Java в) Python г) C++ Ответ: г Вопрос 7. Основное предназначение инструмента Apache Flume в экосистеме Hadoop: а) Визуализация данных б) Надежный сбор и агрегация лог-данных и их передача в HDFS в) Выполнение сложных математических вычислений г) Управление метаданными Ответ: б Вопрос 8. Концепция в Spark, представляющая собой неизменяемую распределенную коллекцию объектов, называется: а) DataFrame б) Resilient Distributed Dataset (RDD) в) Dataset г) Dataflow Ответ: б Вопрос 9. Для обработки графовых данных и выполнения графовых алгоритмов в экосистеме Spark используется модуль: а) Spark Streaming б) Spark SQL в) MLlib г) GraphX Ответ: г Вопрос 10. Технология, которая является инструментом для организации сквозного шифрования и управления доступом в Hadoop-кластере: а) Apache Sqoop б) Apache Ranger в) Apache Oozie г) Apache Pig Ответ: б Критерии оценивания: Каждое задание оценивается 1 баллом. Оценивание КИМ в целом: «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. |
| 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 |
| Промежуточная аттестация заключается в проведении зачета по всему изученному курсу. Зачет проводится в устной форме по билетам. В билет входит 2 вопроса: 1 вопрос теоретического характера и 1 вопрос практико-ориентированного характера. Перечень теоретических вопросов для промежуточной аттестации: 1. Феномен Больших данных: определение, основные характеристики (объем, скорость, variety, достоверность — 4V). Специфические сложности и вызовы, связанные с их хранением и обработкой. 2. Архитектурные принципы Apache Hadoop. Функциональное назначение и взаимодействие основных модулей: HDFS (хранение), YARN (управление ресурсами) и MapReduce (вычислительная модель). 3. Модель распределенных вычислений MapReduce: концепция, разделение на фазы Map и Reduce. Кейсы применения для решения различных классов задач. 4. Роль и архитектура YARN (Yet Another Resource Negotiator) как центрального диспетчера ресурсов в экосистеме Hadoop. Компоненты: ResourceManager, NodeManager, ApplicationMaster. 5. Эволюция экосистемы: Apache Spark. Ключевые преимущества перед Hadoop MapReduce (скорость in-memory, единая стека технологий). Обзор высокоуровневых библиотек (Spark SQL, MLlib, Structured Streaming). 6. Эволюция абстракций данных в Spark: от RDD (Resilient Distributed Dataset) к DataFrame и Dataset. Их сравнительный анализ, особенности и области применения. 7. Инструмент Apache Sqoop: предназначение для обмена данными между HDFS и реляционными СУБД. Принципы работы механизмов импорта и экспорта. 8. Потоковый прием данных: сравнение Apache Flume и Apache NiFi. Архитектурные особенности, модель данных и типичные сценарии использования каждого инструмента. 9. Архитектура и базовые концепции Apache NiFi: FlowFile, Processor, Connection, Process Group, FlowController. Принципы построения отказоустойчивых потоков данных (dataflow). 10. Классификация NoSQL-систем: ключ-значение, документоориентированные, колоночные, графовые базы данных. Их отличительные черты и примеры использования для различных типов данных и запросов. 11. Apache HBase как колоночная NoSQL СУБД, построенная поверх HDFS. Логическая и физическая модель данных. Базовые операции через HBase Shell (Put, Get, Scan). 12. Apache Hive как система управления данными на основе SQL. Архитектура (метахранилище, драйверы) и язык запросов HiveQL. Методы оптимизации: секционирование (partitioning) и бакетирование (bucketing). 13. Платформа Apache Pig и язык Pig Latin. Преимущества использования для создания сложных ETL-конвейеров и прототипирования по сравнению с низкоуровневым программированием на MapReduce. 14. Библиотека машинного обучения MLlib в Spark. Обзор поддерживаемых алгоритмов и концепция построения сквозных конвейеров (Pipelines), включающих этапы преобразования признаков и обучения модели. 15. Типология задач машинного обучения: обучение с учителем (классификация, регрессия), без учителя (кластеризация), коллаборативная фильтрация. Бизнес-кейсы для каждого типа. 16. Выполнение SQL-запросов в распределенных системах: сравнение подходов Hive-on-MapReduce/Tez и нативного движка, такого как Apache Impala. Компромиссы между универсальностью и скоростью. 17. Обработка потоков данных (Stream Processing): основные сложности (доставка, порядок событий). Подход микропакетной обработки (micro-batching) в Spark Streaming. 18. Реализация сквозного ETL/ELT-процесса с использованием инструментов экосистемы Hadoop (напр., NiFi для приема, Spark для трансформации, Hive для анализа). 19. Принципы хранения данных в HDFS: блочная структура, репликация для отказоустойчивости и локальности данных. Роль NameNode и DataNode. 20. Критерии выбора инструмента для анализа данных: сравнительный анализ Hive, Pig и Spark SQL в контексте конкретных бизнес-требований (производительность, сложность, поддержка SQL). Перечень практико-ориентированных вопросов для промежуточной аттестации: 1. Проектирование потока данных в Apache NiFi. Опишите последовательность шагов и процессоров для приема данных из HTTP-запроса и сохранения их в HDFS. 2. Использование Apache Sqoop. Составьте команду для импорта всех таблиц из схемы базы данных MySQL в HDFS в виде текстовых файлов с разделителем-запятой. 3. Работа с секционированными таблицами в Hive. Напишите DDL-запрос для создания внешней таблицы, секционированной по полю date, и запрос для динамического добавления новых секций из данных в HDFS. 4. Обработка данных на основе RDD в PySpark. Напишите код для чтения текстового файла, преобразования его в RDD и использования операций map, filter и reduceByKey для вычисления средней длины слова по каждой начальной букве. 5. Анализ данных с помощью Spark SQL DataFrame API. Напишите код на PySpark для загрузки JSON-файла в DataFrame, выполнения его агрегации (например, подсчета количества записей по группе) и сохранения результата в Parquet-формат. 6. Построение пайплайна машинного обучения. Опишите этапы создания пайплайна в Spark MLlib для задачи регрессии, включая этапы: индексация категориальных признаков, масштабирование числовых и обучение модели (например, Random Forest). 7. Кластеризация данных. Используя Spark MLlib, напишите фрагмент кода для обучения модели k-means на набор числовых данных и оценки оптимального числа кластеров методом "локтя" (elbow method). 8. Взаимодействие с HBase через Shell. Опишите последовательность команд в HBase Shell для: создания таблицы с семейством столбцов cf, вставки строки с указанным ключом и значениями, и последующего чтения этой строки. 9. Оптимизация производительности в Hive. Для медленного запроса, joining двух больших таблиц, предложите методы оптимизации (например, использование ORC/Parquet, bucketing, динамическое секционирование). 10. Обработка полуструктурированных логов. Предложите план анализа папки с JSON-логами с помощью Spark для вычисления метрик (например, количество событий по типу и часам) и визуализации результатов. 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 | Маккинни У. | Python и анализ данных: | Москва: ДМК Пресс, 2020 | https://e.lanbook.com/book/131721 |
| Л1.2 | Чак Лэм | Hadoop в действии.: Научно-популярная литература | Издательство "ДМК Пресс", 2012 | e.lanbook.com |
| Л1.3 | Макшанов А. В., Журавлев А. Е., Тындыкарь Л. Н. | Большие данные. Big Data: Учебник для вузов | Санкт-Петербург : Лань, 2024 | e.lanbook.com |
| 6.1.2. Дополнительная литература | ||||
| Авторы | Заглавие | Издательство, год | Эл. адрес | |
| Л2.1 | Маккинни У. | Python и анализ данных: | Москва : ДМК Пресс, Лань : электронно-библиотечная система., 2020 | e.lanbook.com |
| Л2.2 | Маккинни У. | Python и анализ данных. Первичная обработка данных с применением pandas, NumPy и Jupiter: | Москва : ДМК Пресс, 2023 | e.lanbook.com |
| 6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
| Название | Эл. адрес | |||
| Э1 | Курс "Прикладное программирование на языке Python" на платформе "Открытое образование" | openedu.ru | ||
| Э2 | Курс "Наука о данных и аналитика больших объемов данных" на платформе "Открытое образование" | openedu.ru | ||
| Э3 | Курс "Алгоритмы интеллектуальной обработки больших объемов данных" на платформе "Интуит" | intuit.ru | ||
| Э4 | Курс "Введение в аналитику больших массивов данных" на платформе "Интуит" | intuit.ru | ||
| 6.3. Перечень программного обеспечения | ||||
| 1. Microsoft Office 2010 (Office 2010 Professional, № 4065231 от 08.12.2010), (бессрочно); 2. Microsoft Windows 7 (Windows 7 Professional, № 61834699 от 22.04.2013), (бессрочно); 3. Chrome (http://www.chromium.org/chromium-os/licenses ), (бессрочно); 4. 7-Zip (http://www.7-zip.org/license.txt ), (бессрочно); 5. AcrobatReader (http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf), (бессрочно); 6. ASTRA LINUX SPECIAL EDITION (https://astralinux.ru/products/astra-linux-special-edition/), (бессрочно); 7. LibreOffice (https://ru.libreoffice.org/), (бессрочно); 8. Веб-браузер Chromium (https://www.chromium.org/Home/), (бессрочно); 9. Антивирус Касперский (https://www.kaspersky.ru/), (до 23 июня 2024); 10. Архиватор Ark (https://apps.kde.org/ark/), (бессрочно); 11. Okular (https://okular.kde.org/ru/download/), (бессрочно); 12. Редактор изображений Gimp (https://www.gimp.org/), (бессрочно) 13. VirtualBox (https://www.virtualbox.org/), (бессрочно); | ||||
| 6.4. Перечень информационных справочных систем | ||||
| Информационная справочная система: СПС КонсультантПлюс (инсталлированный ресурс АлтГУ или http://www.consultant.ru/). Профессиональные базы данных: 1. Электронная база данных «Scopus» (http://www.scopus.com); 2. Электронная библиотечная система Алтайского государственного университета (http://elibrary.asu.ru/); 3. Научная электронная библиотека elibrary (http://elibrary.ru). 4. Электронная база данных «ZBMATH – The database Zentralblatt MATH» https://zbmath.org/ 5. Электронная база данных ZBMATH: https://zbmath.org/ | ||||
| Аудитория | Назначение | Оборудование |
|---|---|---|
| 203К | лаборатория цифровой обработки сигналов - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 12 посадочных мест; рабочее место преподавателя; доска меловая 2 шт.; компьютеры: марка компьютер Парус модель 945 MSI - 12 единиц; коммутатор D-LINK; методические указания по выполнению лабораторной работы по дисциплине "Нейроинформационные технологии": алгоритм обратного рассеяния; обучение без учителя; персептрон; Сети Хопфилда и Хемминга. |
| 208К | лаборатория метрологии и электроники - 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; доски меловые 1шт.; учебный стол-10 шт.; компьютеры: марка Aquarius модель Cel-2533 - 10 единиц; генератор GFG-8219A – 22 шт.; источник питания АТН-1023 – 25 шт.; микровольтметр ВМС-4; микровольтметр WMS-4; монитор 17"LCD Samsung 793 MB; мультиметр APPA-203 – 3 шт.; мультиметр APPA-207; осциллограф 211; осциллограф АСК-1052 – 8 шт.; осциллограф DS5152M; осциллограф АСК-1021 – 13 шт.;осциллограф-приставка двухканальный АСК-3116; паяльная станция АТР-1121 - 3 шт.; паяльная станция АТР-4302; принтер лазерный HP L J 1100; программное обеспечение АСК-3106-PO; стабилизатор 3218 - 2 шт.; учебный комплекс для проведения лабораторных работ по курсу " Микропроцессорные системы" |
| 209К | лаборатория схемотехники и микропроцессорных систем - 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; доски меловые 1шт. компьютеры: марка Aquarius модель Cel-2533 - 2 единицы; внутрисхемный программатор-отладчик PICkit 3 - 5шт.; компьютер Парус 945 - 13шт.; монитор 15"LG Flatron; монитор 17"Samsung 793 MB; набор PICkit 3; паяльная станция -5шт.; плата оценочная DEO-Nano - 8шт.;системный блок Celeron 2400$/ методические указания по выполнению лабораторных работ: Разработка микропроцессорных систем на базе микроконтроллера PIC16F84; Микроконтроллеры семейства MCS; Методы кодирования и сжатия информации |
| 417К | 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 12 посадочных мест; рабочее место преподавателя; доска маркерная - 1 шт.; шкаф с учебно-наглядными пособиями - 1 шт.; компьютеры: марка Клама С Офис – 12; проектор, экран с мультимедиа Smart - 1 ед.; учебно-наглядные пособия. |
| 419К | 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 17 посадочных мест; рабочее место преподавателя; доска маркерная - 1 шт.; компьютеры: NAIO Corp Z520, НЭТА - 4 in - 13 ед. |
| 201К | лаборатория робототехники – учебная аудитория для проведения, занятий семинарского типа (лабораторных и (или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 7 посадочных мест; рабочее место преподавателя; генераторы сигналов специальной формы; измеритель иммитанса; источники питания аналоговые; источники питания импульсные; компьютеры-моноблоки; мультиметры цифровые; осциллографы; компрессор; МФУ лазер.; ноутбук; паяльные станции; паяльные станции индукционные; полуавтоматический установщик SMD-компонентов; принтер для печати трехмерных объектов; проектор мультимедийный; частотомер портативный; экран на штативе |
| 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 Практическое занятие – это форма работы, где студенты максимально активно участвуют в обсуждении темы. - Самостоятельную подготовку к занятию необходимо начинать с изучения понятийного аппарата темы. Рекомендуем использовать справочную литературу (словари, справочники, энциклопедии), целесообразно создать и вести свой словарь терминов. - 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. - Если к 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. Самостоятельная работа. - При изучении дисциплины не все вопросы рассматриваются на 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. Итоговый контроль. - Для подготовки к зачету/экзамену возьмите перечень примерных вопросов у преподавателя. - В списке вопросов выделите те, которые были рассмотрены на занятиях. Обратитесь к своим записям, выделите существенное. Для более детального изучения изучите рекомендуемую литературу. - Если в списке вопросов есть те, которые не рассматривались на занятии, изучите их самостоятельно. |