Difference between revisions of "BSc: MachineLearning I"
Jump to navigation
Jump to search
V.matiukhin (talk | contribs) |
V.matiukhin (talk | contribs) |
||
| (16 intermediate revisions by the same user not shown) | |||
| Line 1: | Line 1: | ||
| − | = <span style=" |
+ | = <span style="">Машинное обучение I</span> = |
| − | : '''Квалификация выпускника''': |
+ | : '''Квалификация выпускника''': бакалавр |
| − | : '''Направление подготовки''': |
+ | : '''Направление подготовки''': 09.03.01 - “Информатика и вычислительная техника” |
| − | : '''Направленность (профиль) образовательной программы''': |
+ | : '''Направленность (профиль) образовательной программы''': Математические основы ИИ |
: '''Программу разработал(а)''': __________________ |
: '''Программу разработал(а)''': __________________ |
||
| Line 15: | Line 15: | ||
== 2. Перечень планируемых результатов обучения == |
== 2. Перечень планируемых результатов обучения == |
||
| + | : '''Целью освоения дисциплины''' машинного обучения является приобретение знаний и навыков по разработке и применению алгоритмов для автоматического извлечения закономерностей из данных. |
||
| − | : '''Целью освоения дисциплины''' ... |
||
| + | : '''Задачами дисциплины''' является изучение основных методов машинного обучения, а также их практическое применение для решения задач регрессии, классификации, кластеризации и визуализации данных. |
||
| − | : '''Задачами дисциплины''' вляются ... <span style="color:red;">(перечислить задачи дисциплины, например: изучение принципов организации подсистем обработки естественного языка для различных прикладных задач и тенденций развития лингвистических ресурсов в сфере интеллектуальных информационных технологий и т.д.).</span> |
||
=== Общая характеристика результата обучения по дисциплине === |
=== Общая характеристика результата обучения по дисциплине === |
||
| − | : '''Знания:''' сформированы систематические знания |
+ | : '''Знания:''' сформированы систематические знания: |
| + | - основные понятия и постановки задач машинного обучения,<br> |
||
| − | <span style="color:red;">(информация, которой обладает обучающийся в определенных областях, полученная в процессе обучения, то есть это информация для осуществления какой-либо деятельности (действия))</span> |
||
| + | - теоретические основы линейных и логических методов машинного обучения,<br> |
||
| + | - принципы построения композиций моделей,<br> |
||
| + | - основные метрики качества для регрессии и классификации.<br> |
||
| − | : '''Умения:''' сформированы умения |
+ | : '''Умения:''' сформированы умения: |
| + | - выполнять полный цикл построения модели,<br> |
||
| − | <span style="color:red;">(предполагает целенаправленное выполнение действий, по изученной информации)</span> |
||
| + | - обучать основные модели машинного обучения, оценивать их качества,<br> |
||
| + | - выполнять кластеризацию и визуализацию данных.<br> |
||
| − | : '''Навыки (владения):''' |
+ | : '''Навыки (владения):''' - |
| − | <span style="color:red;">(автоматизированные устойчивые умения выполнять определенную работу, то есть действие выполняется без контроля сознания, автоматически)</span> |
||
== 3. Структура и содержание дисциплины == |
== 3. Структура и содержание дисциплины == |
||
| Line 39: | Line 43: | ||
| style="text-align:center;" | 1. || Введение в машинное обучение и анализ данных || Введение. История анализа данных. Постановки задач в машинном обучении: классификация, регрессия, ранжирование, кластеризация, латентные модели. Примеры задач. Виды данных: структурированные таблицы, тексты, изображения, звук. Признаки.<br> |
| style="text-align:center;" | 1. || Введение в машинное обучение и анализ данных || Введение. История анализа данных. Постановки задач в машинном обучении: классификация, регрессия, ранжирование, кластеризация, латентные модели. Примеры задач. Виды данных: структурированные таблицы, тексты, изображения, звук. Признаки.<br> |
||
|- style="background-color:#F8F9FA; color:#202122;" |
|- style="background-color:#F8F9FA; color:#202122;" |
||
| − | | style="text-align:center;" | 2. || Линейные модели || Аналитическое и численное решение задачи МНК. Градиентный спуск, методы оценивания градиента. Функции потерь. Регуляризация. Квантильная регрессия (постановка задачи и |
+ | | style="text-align:center;" | 2. || Линейные модели || Аналитическое и численное решение задачи МНК. Градиентный спуск, методы оценивания градиента. Функции потерь. Регуляризация. Квантильная регрессия (постановка задачи и примеры использования). Методы оценивания обобщающей способности, кросс-валидация. Метрики качества регрессии. Аппроксимация эмпирического риска. Персептрон. Метод опорных векторов, его двойственная задача (без ядер). Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Оптимизация второго порядка (идея и предпосылки для использования). Обобщённые линейные модели. Метрики качества в задачах классификации. Multiclass- и multilabel-классификация. Особенности многоклассовых задач. Метрики качества. Методы решения multilabel-задач, основанные на матричных разложениях.<br> |
| − | примеры использования). Методы оценивания обобщающей способности, кросс-валидация. Метрики качества регрессии. Аппроксимация эмпирического риска. Персептрон. Метод |
||
| − | опорных векторов, его двойственная задача (без ядер). Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Оптимизация второго порядка |
||
| − | (идея и предпосылки для использования). Обобщённые линейные модели. Метрики качества |
||
| − | в задачах классификации. Multiclass- и multilabel-классификация. Особенности многоклассовых задач. Метрики качества. Методы решения multilabel-задач, основанные на |
||
| − | матричных разложениях.<br> |
||
|- style="background-color:#F8F9FA; color:#202122;" |
|- style="background-color:#F8F9FA; color:#202122;" |
||
| − | | style="text-align:center;" | 3. || Решающие деревья || Общий алгоритм построения, критерии информативности. Конкретные критерии для классификации и регрессии. Тонкости решающих деревьев: обработка пропущенных |
+ | | style="text-align:center;" | 3. || Решающие деревья || Общий алгоритм построения, критерии информативности. Конкретные критерии для классификации и регрессии. Тонкости решающих деревьев: обработка пропущенных значений, стрижка, регуляризация.<br> |
| − | значений, стрижка, регуляризация.<br> |
||
|- style="background-color:#F8F9FA; color:#202122;" |
|- style="background-color:#F8F9FA; color:#202122;" |
||
| − | | style="text-align:center;" | 4. || Композиции моделей || Общая идея bias-variance decomposition. Бэггинг и метод случайных подпространств. Случайные леса и extra random trees. Бустинг. Градиентный бустинг над решающими |
+ | | style="text-align:center;" | 4. || Композиции моделей || Общая идея bias-variance decomposition. Бэггинг и метод случайных подпространств. Случайные леса и extra random trees. Бустинг. Градиентный бустинг над решающими деревьями. Имплементации: xgboost, lightgbm, catboost.<br> |
| − | деревьями. Имплементации: xgboost, lightgbm, catboost.<br> |
||
|- style="background-color:#F8F9FA; color:#202122;" |
|- style="background-color:#F8F9FA; color:#202122;" |
||
| style="text-align:center;" | 5. || Обучение без учителя || Задача кластеризации. K-Means, DBSCAN, MeanShift. Иерархическая кластеризация. Визуализация и t-SNE. Представления слов.<br> |
| style="text-align:center;" | 5. || Обучение без учителя || Задача кластеризации. K-Means, DBSCAN, MeanShift. Иерархическая кластеризация. Визуализация и t-SNE. Представления слов.<br> |
||
| Line 56: | Line 53: | ||
| style="text-align:center;" | 6 || Подготовка данных || Отбор признаков. Понижение размерности и метод главных компонент. Подготовка категориальных и текстовых данных.<br> |
| style="text-align:center;" | 6 || Подготовка данных || Отбор признаков. Понижение размерности и метод главных компонент. Подготовка категориальных и текстовых данных.<br> |
||
|- style="background-color:#F8F9FA; color:#202122;" |
|- style="background-color:#F8F9FA; color:#202122;" |
||
| − | | style="text-align:center;" | 7 || Постановки задачи. Метрики качества. Методы, основанные на коллаборативной фильтрации. Методы, основанные на матричных разложениях.<br> |
+ | | style="text-align:center;" | 7 || Рекомендательные системы || Постановки задачи. Метрики качества. Методы, основанные на коллаборативной фильтрации. Методы, основанные на матричных разложениях.<br> |
|} |
|} |
||
| Line 151: | Line 148: | ||
=== Перечень учебно-методического обеспечения дисциплины === |
=== Перечень учебно-методического обеспечения дисциплины === |
||
Список основной литературы: |
Список основной литературы: |
||
| + | |||
| + | - Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from |
||
| + | http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705 |
||
| + | |||
| + | - Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol. |
||
| + | Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008 |
||
| + | |||
Список дополнительной литературы: |
Список дополнительной литературы: |
||
| + | |||
| + | - Stephen Boyd, Lieven Vandenberghe, & Lieven V. (2015). Additional Exercises for Convex Optimization. Retrieved from |
||
| + | http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E7445CE1 |
||
| + | |||
=== Методические указания для обучающихся по освоению дисциплины === |
=== Методические указания для обучающихся по освоению дисциплины === |
||
| − | <span style="color:red;">(Указываются рекомендации для обучающихся, которые раскрывают суть их работы при различных видах деятельности в рамках освоения дисциплины. Данные рекомендации должны охватывать работу с лекционным материалом, подготовку и работу во время проведения семинарских занятий, самостоятельную работу, подготовку к текущему контролю и промежуточной аттестации)</span> |
||
| − | <span style="color:red;">(Выберите соответствующие виды учебных занятий, которые используются при изучении Вашей дисциплины)</span> |
||
{| class="wikitable" style="width:80%;" |
{| class="wikitable" style="width:80%;" |
||
| − | |- style="vertical-align:middle; text-align:center; background-color:#EAECF0 |
+ | |- style="vertical-align:middle; text-align:center; background-color:#EAECF0; font-weight:bold;" |
| style="width:20%" | Вид учебных<br>занятий/деятельности |
| style="width:20%" | Вид учебных<br>занятий/деятельности |
||
| style="width:80%" | Деятельность обучающегося |
| style="width:80%" | Деятельность обучающегося |
||
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Лекция |
| − | | style="vertical-align:middle; text-align:left |
+ | | style="vertical-align:middle; text-align:left;" | Написание конспекта лекций: кратко, схематично, последовательно фиксировать основные положения лекции, выводы, формулировки, обобщения; помечать важные мысли, выделять ключевые слова, термины. Обозначить вопросы, термины или другой материал, который вызывает трудности, пометить и попытаться найти ответ в рекомендуемой литературе. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия. |
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Практическое (семинарское) занятие |
| − | | style="vertical-align:middle; text-align:left |
+ | | style="vertical-align:middle; text-align:left;" | При подготовке к семинарскому (практическому) занятию необходимо проработать материалы лекций, основной и дополнительной литературы по заданной теме. На основании обработанной информации постараться сформировать собственное мнение по выносимой на обсуждение тематике. Обосновать его аргументами, сформировать список источников, подкрепляющих его.<br>Во время семинарского (практического) занятия активно участвовать в обсуждении вопросов, высказывать аргументированную точку зрения на проблемные вопросы. Приводить примеры из источниковой базы и научной и/или исследовательской литературы. |
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Устный/письменный опрос |
| − | | style="vertical-align:middle; text-align:left |
+ | | style="vertical-align:middle; text-align:left;" | Отвечать, максимально полно, логично и структурировано, на поставленный вопрос. Основная цель – показать всю глубину знаний по конкретной теме или ее части. |
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Самостоятельная работа |
| ⚫ | | style="vertical-align:middle; text-align:left;" | Самостоятельная работа состоит из следующих частей: 1) чтение учебной, справочной, научной литературы; 2) повторение материала лекций; 3) составление планов устных выступлений; 4) подготовка видеопрезентации. При чтении учебной литературы нужно разграничивать для себя материал на отдельные проблемы, концепции, идеи. Учебную литературу можно найти в электронных библиотечных системах, на которые подписан АНО Университет Иннополис. |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Поиск источников и литературы, составление библиографии. При написании реферата рекомендуется использовать разнообразные источники, монографии и статьи из научных журналов, позволяющие глубже разобраться в различных точках зрения на заданную тему. Изучение литературы следует начинать с наиболее общих трудов, затем следует переходить к освоению специализированных исследований по выбранной теме. Могут быть использованы ресурсы сети «Интернет» с соответствующими ссылками на использованные сайты.<br>Если тема содержит проблемный вопрос, следует сформулировать разные точки зрения на него. Рекомендуется в выводах указать свое собственное аргументированное мнение по данной проблеме. Подготовить презентацию для защиты реферата. |
||
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Контрольная работа |
| ⚫ | |||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Написание прозаического сочинения небольшого объема и свободной композиции, выражающего индивидуальные впечатления и соображения по конкретному поводу или вопросу и заведомо не претендующего на определяющую или исчерпывающую трактовку предмета. При работе над эссе следует четко и грамотно формулировать мысли, структурировать информацию, использовать основные понятия, выделять причинно-следственные связи. Как правило эссе имеет следующую структуру: вступление, тезис и аргументация его, заключение. В качестве аргументов могут выступать исторические факты, явления общественной жизни, события, жизненные ситуации и жизненный опыт, научные доказательства, ссылки на мнение ученых и др. |
||
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Тестирование (устное/письменное) |
| ⚫ | |||
| − | | style="vertical-align:middle; text-align:left; color:red;" | При подготовке к промежуточной аттестации необходимо проработать вопросы по темам, которые рекомендуются для самостоятельной подготовки. При возникновении затруднений с ответами следует ориентироваться на конспекты лекций, семинаров, рекомендуемую литературу, материалы электронных и информационных справочных ресурсов, статей.<br>Если тема вызывает затруднение, четко сформулировать проблемный вопрос и задать его преподавателю. |
||
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Индивидуальная работа |
| ⚫ | | style="vertical-align:middle; text-align:left;" | При выполнение индивидуальной работы необходимо взять задание у преподавателя, ознакомиться с требованиями к выполнению работы, изучить поставленную проблему, найти решение проблемы. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия. Оформить результаты работы. |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Практические занятия предназначены прежде всего для разбора отдельных сложных положений, тренировки аналитических навыков, а также для развития коммуникационных навыков. Поэтому на практических занятиях необходимо участвовать в тех формах обсуждения материала, которые предлагает преподаватель: отвечать на вопросы преподавателя, дополнять ответы других студентов, приводить примеры, задавать вопросы другим выступающим, обсуждать вопросы и выполнять задания в группах. Работа на практических занятиях подразумевает домашнюю подготовку и активную умственную работу на самом занятии. Работа на практических занятиях в форме устного опроса заключается прежде всего в тренировке навыков применять теоретические положения к самому разнообразному материалу. В ходе практических занятий студенты работают в группах для обсуждения предлагаемых вопросов. |
||
|- |
|- |
||
| − | | style="vertical-align:middle; text-align:center |
+ | | style="vertical-align:middle; text-align:center;" | Выполнение домашних заданий и групповых проектов |
| ⚫ | | style="vertical-align:middle; text-align:left;" | Для выполнения домашних заданий и групповых проектов необходимо получить формулировку задания от преподавателя и убедиться в понимании задания. При выполнение домашних заданий и групповых проектов необходимо проработать материалы лекций, основной и дополнительной литературы по заданной теме. |
||
| ⚫ | | style="vertical-align:middle; text-align:left |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Видеопрезентация |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Подготовка видеопрезентаций по курсу. Видеопрезентации могут быть сделаны на любую тему, затронутую в ходе курса. Темы должны быть заранее согласованы с преподавателем. Видеопрезентации продолжительностью около 5 минут (300 секунд) должны быть подготовлены в группах, определяемых преподавателем. Несмотря на то, что это групповая работа, должен явно присутствовать вклад каждого члена группы. |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Доклад |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Публичное, развернутое сообщение по определенной теме или вопросу, основанное на документальных данных. При подготовке доклада рекомендуется использовать разнообразные источники, позволяющие глубже разобраться в теме. Учебную литературу можно найти в электронных библиотечных системах, на которые подписан АНО Университет Иннополис. |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Дискуссия |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Публичное обсуждение спорного вопроса, проблемы. Каждая сторона должна оппонировать мнение собеседника, аргументируя свою позицию. |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Контрольная работа |
||
| ⚫ | |||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Тестирование (устное/письменное) |
||
| ⚫ | | style="vertical-align:middle; text-align:left |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Индивидуальная работа |
||
| ⚫ | | style="vertical-align:middle; text-align:left |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Разработка отдельных частей кода |
||
| − | | style="vertical-align:middle; text-align:left; color:red;" | Разработать часть кода, исходя из поставленной задачи и рекомендаций преподавателя. При выполнении работы рекомендуется обращаться к материалам лекций и семинарских (практических) занятий. Если возникают затруднения, необходимо проконсультироваться с преподавателем. |
||
| − | |- |
||
| − | | style="vertical-align:middle; text-align:center; color:red;" | Выполнение домашних заданий и групповых проектов |
||
| ⚫ | | style="vertical-align:middle; text-align:left |
||
|} |
|} |
||
| + | |||
=== Методы и технологии обучения, способствующие формированию компетенции === |
=== Методы и технологии обучения, способствующие формированию компетенции === |
||
<span style="color:red;">(Указываются все используемые преподавателем методы и технологии обучения)</span> |
<span style="color:red;">(Указываются все используемые преподавателем методы и технологии обучения)</span> |
||
Latest revision as of 17:26, 23 April 2024
Машинное обучение I
- Квалификация выпускника: бакалавр
- Направление подготовки: 09.03.01 - “Информатика и вычислительная техника”
- Направленность (профиль) образовательной программы: Математические основы ИИ
- Программу разработал(а): __________________
1. Краткая характеристика дисциплины
Курс посвящён изучению основных методов машинного обучения. Изучаемые темы можно разбить на три блока. Первый — работа с данными и предварительный анализ данных. Изучаются библиотеки языка Python для работы с табличными данными и для визуализации, обсуждаются методы предобработки данных, подготовки категориальных и текстовых данных. Второй блок — обучение с учителем. Изучаются линейные модели, решающие деревья, композиции моделей (случайный лес, градиентный бустинг и его имплементации), приложения в рекомендательных системах. Третий блок — обучение без учителя. Изучаются методы кластеризации, визуализации, понижения размерности. Все темы сопровождаются практикой на реальных данных. По итогам курса слушатель сможет сформулировать задачу машинного обучения, выбрать метрику качества, обучить модель, подобрать гиперпараметры, провести валидацию.
2. Перечень планируемых результатов обучения
- Целью освоения дисциплины машинного обучения является приобретение знаний и навыков по разработке и применению алгоритмов для автоматического извлечения закономерностей из данных.
- Задачами дисциплины является изучение основных методов машинного обучения, а также их практическое применение для решения задач регрессии, классификации, кластеризации и визуализации данных.
Общая характеристика результата обучения по дисциплине
- Знания: сформированы систематические знания:
- основные понятия и постановки задач машинного обучения,
- теоретические основы линейных и логических методов машинного обучения,
- принципы построения композиций моделей,
- основные метрики качества для регрессии и классификации.
- Умения: сформированы умения:
- выполнять полный цикл построения модели,
- обучать основные модели машинного обучения, оценивать их качества,
- выполнять кластеризацию и визуализацию данных.
- Навыки (владения): -
3. Структура и содержание дисциплины
| № п/п |
Наименование раздела дисциплины |
Содержание дисциплины по темам |
| 1. | Введение в машинное обучение и анализ данных | Введение. История анализа данных. Постановки задач в машинном обучении: классификация, регрессия, ранжирование, кластеризация, латентные модели. Примеры задач. Виды данных: структурированные таблицы, тексты, изображения, звук. Признаки. |
| 2. | Линейные модели | Аналитическое и численное решение задачи МНК. Градиентный спуск, методы оценивания градиента. Функции потерь. Регуляризация. Квантильная регрессия (постановка задачи и примеры использования). Методы оценивания обобщающей способности, кросс-валидация. Метрики качества регрессии. Аппроксимация эмпирического риска. Персептрон. Метод опорных векторов, его двойственная задача (без ядер). Задача оценивания вероятностей, логистическая регрессия. Идея калибровки вероятностей. Оптимизация второго порядка (идея и предпосылки для использования). Обобщённые линейные модели. Метрики качества в задачах классификации. Multiclass- и multilabel-классификация. Особенности многоклассовых задач. Метрики качества. Методы решения multilabel-задач, основанные на матричных разложениях. |
| 3. | Решающие деревья | Общий алгоритм построения, критерии информативности. Конкретные критерии для классификации и регрессии. Тонкости решающих деревьев: обработка пропущенных значений, стрижка, регуляризация. |
| 4. | Композиции моделей | Общая идея bias-variance decomposition. Бэггинг и метод случайных подпространств. Случайные леса и extra random trees. Бустинг. Градиентный бустинг над решающими деревьями. Имплементации: xgboost, lightgbm, catboost. |
| 5. | Обучение без учителя | Задача кластеризации. K-Means, DBSCAN, MeanShift. Иерархическая кластеризация. Визуализация и t-SNE. Представления слов. |
| 6 | Подготовка данных | Отбор признаков. Понижение размерности и метод главных компонент. Подготовка категориальных и текстовых данных. |
| 7 | Рекомендательные системы | Постановки задачи. Метрики качества. Методы, основанные на коллаборативной фильтрации. Методы, основанные на матричных разложениях. |
4. Методические и оценочные материалы
Задания для практических занятий:
| № п/п |
Наименование раздела дисциплины (модуля) |
Перечень рассматриваемых тем (вопросов) (Указываются ВСЕ задания для практических занятий по разделам дисциплины подробно в соответствии с темами) |
| 1. | ||
| 2. | ||
| 3. | ||
| 4. | ||
| 5. | ||
| ... |
Текущий контроль успеваемости обучающихся по дисциплине:
(К формам текущего контроля можно отнести собеседование, коллоквиум, тест, контрольную работу, лабораторную работу, эссе, реферат и иные творческие работы.)
| № п/п |
Наименование раздела дисциплины |
Форма текущего контроля (выберите соответствующие формы контроля) |
Материалы текущего контроля (Указываются ВСЕ ЗАДАНИЯ/ВОПРОСЫ текущего контроля успеваемости обучающихся по разделам дисциплины подробно в соответствии с требованиями) |
| 1. | Проверка выполнения домашних заданий; Устный / письменный опрос; Тестирование (письменное или компьютерное); Эссе; Доклад; Защита проекта; Коллоквиум; Проверка разработки отдельных частей кода программного продукта и другие формы текущего контроля, используемые Вами на занятиях |
Например:
Устный / письменный опрос: Другие формы текущего контроля, используемые Вами на занятиях | |
| 2. | Проверка выполнения домашних заданий; Устный / письменный опрос; Тестирование (письменное или компьютерное); Эссе; Доклад; Защита проекта; Коллоквиум; Проверка разработки отдельных частей кода программного продукта и другие формы текущего контроля, используемые Вами на занятиях |
||
| 3. | Проверка выполнения домашних заданий; Устный / письменный опрос; Тестирование (письменное или компьютерное); Эссе; Доклад; Защита проекта; Коллоквиум; Проверка разработки отдельных частей кода программного продукта и другие формы текущего контроля, используемые Вами на занятиях |
||
| 4. | Проверка выполнения домашних заданий; Устный / письменный опрос; Тестирование (письменное или компьютерное); Эссе; Доклад; Защита проекта; Коллоквиум; Проверка разработки отдельных частей кода программного продукта и другие формы текущего контроля, используемые Вами на занятиях |
||
| 5. | Проверка выполнения домашних заданий; Устный / письменный опрос; Тестирование (письменное или компьютерное); Эссе; Доклад; Защита проекта; Коллоквиум; Проверка разработки отдельных частей кода программного продукта и другие формы текущего контроля, используемые Вами на занятиях |
||
| ... |
Контрольные вопросы для подготовки к промежуточной аттестации:
| № п/п |
Наименование раздела дисциплины |
Вопросы |
| 1. | ||
| 2. | ||
| 3. | ||
| 4. | ||
| 5. | ||
| ... |
Вопросы/Задания к промежуточной аттестации в устной/письменной форме:
(Указываются ВСЕ ЗАДАНИЯ/ВОПРОСЫ для промежуточной аттестации.)
1.
2.
3.
...
48.
49.
50.
...
Перечень учебно-методического обеспечения дисциплины
Список основной литературы:
- Christopher M. Bishop. (n.d.). Australian National University Pattern Recognition and Machine Learning. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705
- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
Список дополнительной литературы:
- Stephen Boyd, Lieven Vandenberghe, & Lieven V. (2015). Additional Exercises for Convex Optimization. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E7445CE1
Методические указания для обучающихся по освоению дисциплины
| Вид учебных занятий/деятельности |
Деятельность обучающегося |
| Лекция | Написание конспекта лекций: кратко, схематично, последовательно фиксировать основные положения лекции, выводы, формулировки, обобщения; помечать важные мысли, выделять ключевые слова, термины. Обозначить вопросы, термины или другой материал, который вызывает трудности, пометить и попытаться найти ответ в рекомендуемой литературе. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия. |
| Практическое (семинарское) занятие | При подготовке к семинарскому (практическому) занятию необходимо проработать материалы лекций, основной и дополнительной литературы по заданной теме. На основании обработанной информации постараться сформировать собственное мнение по выносимой на обсуждение тематике. Обосновать его аргументами, сформировать список источников, подкрепляющих его. Во время семинарского (практического) занятия активно участвовать в обсуждении вопросов, высказывать аргументированную точку зрения на проблемные вопросы. Приводить примеры из источниковой базы и научной и/или исследовательской литературы. |
| Устный/письменный опрос | Отвечать, максимально полно, логично и структурировано, на поставленный вопрос. Основная цель – показать всю глубину знаний по конкретной теме или ее части. |
| Самостоятельная работа | Самостоятельная работа состоит из следующих частей: 1) чтение учебной, справочной, научной литературы; 2) повторение материала лекций; 3) составление планов устных выступлений; 4) подготовка видеопрезентации. При чтении учебной литературы нужно разграничивать для себя материал на отдельные проблемы, концепции, идеи. Учебную литературу можно найти в электронных библиотечных системах, на которые подписан АНО Университет Иннополис. |
| Контрольная работа | При подготовке к контрольной работе необходимо проработать материалы лекций, семинаров, основной и дополнительной литературы по заданной теме. |
| Тестирование (устное/письменное) | При подготовке к тестированию необходимо проработать материалы лекций, семинаров, основной и дополнительной литературы по заданной теме. Основная цель тестирования – показать уровень сформированности знаний по конкретной теме или ее части. |
| Индивидуальная работа | При выполнение индивидуальной работы необходимо взять задание у преподавателя, ознакомиться с требованиями к выполнению работы, изучить поставленную проблему, найти решение проблемы. Если самостоятельно не удается разобраться в материале, необходимо сформулировать вопрос и задать преподавателю на консультации, во время семинарского (практического) занятия. Оформить результаты работы. |
| Выполнение домашних заданий и групповых проектов | Для выполнения домашних заданий и групповых проектов необходимо получить формулировку задания от преподавателя и убедиться в понимании задания. При выполнение домашних заданий и групповых проектов необходимо проработать материалы лекций, основной и дополнительной литературы по заданной теме. |
Методы и технологии обучения, способствующие формированию компетенции
(Указываются все используемые преподавателем методы и технологии обучения)
| Методы и технологии обучения, способствующие формированию компетенции |
Например:
| 1. | Информационно – коммуникационная технология | |
| 2. | Технология развития критического мышления | Основные методические приемы развития критического мышления
|
| 3. | Проектная технология | |
| 4. | Технология проблемного обучения | |
| 5. | Кейс – технология | К методам кейс-технологий, активизирующим учебный процесс, относятся:
|
| 6. | Технология интегрированного обучения | |
| 7. | Педагогика сотрудничества | |
| 8. | Технологии уровневой дифференциации | |
| 9. | Групповая технология | |
| 10. | Традиционные технологии (классно-урочная система) | |
| 11. | Здоровьесберегающие технологии | |
| 12. | Игровая технология | |
| 13. | Модульная технология | |
| 14. | Технология мастерских | |
| и др. |