РОСЖЕЛДОР

Федеральное государственное бюджетное

образовательное учреждение высшего образования

"Ростовский государственный университет путей сообщения"

(ФГБОУ ВО РГУПС)

  УТВЕРЖДАЮ
Проректор по учебной работе - начальник учебно-методического управления М.А. Кравченко

25.06.2021 г.
"Для размещения в ЭИОС настоящая РПД подписана
с использованием простой электронной подписи"

Кафедра "Информатика"

РАБОЧАЯ ПРОГРАММА

ДИСЦИПЛИНЫ

1Б.Ф "Информационные технологии"

по Учебному плану

магистратуры по направлению подготовки

38.04.01 Экономика

направленность (профиль) программы магистратуры

Экономика, финансы и управление инновациями на транспорте

Квалификация выпускника "Магистр", ФГОС ВО 3++

Ростов-на-Дону

2021 г.

 



 






Автор-составитель к.т.н., доц. Дергачева Ирина Владимировна предлагает настоящую Рабочую программу дисциплины 1Б.Ф "Информационные технологии" в качестве материала для проектирования Образовательной программы РГУПС и осуществления учебно-воспитательного процесса по федеральному государственному образовательному стандарту высшего образования.

Рабочая программа дисциплины рассмотрена на кафедре "Информатика".





Экспертизу Рабочей программы дисциплины провел(а):

к.ф-м.н., с.н.с. Ильичева Ольга Андреевна, доцент кафедры "Математика и информатика", ДГТУ.





Рекомендуемое имя и тип файла документа:
1БФ_Информационные т_М_38.04.01_во_1_Инф_п60609_и66046.doc


Наименование, цель и задача дисциплины

Дисциплина "Информационные технологии".

Учебный план по Образовательной программе утвержден на заседании Ученого совета университета от 29.10.2020 № 2.

Целью дисциплины "Информационные технологии" является подготовка в составе других дисциплин блока "Блок 1 - Дисциплины (модули)" Образовательной программы в соответствии с требованиями, установленными федеральным государственным образовательным стандартом высшего образования для формирования у выпускника универсальных компетенций, способствующих решению профессиональных задач в соответствии с типом задач профессиональной деятельности, предусмотренным учебным планом и профильной направленностью "Экономика, финансы и управление инновациями на транспорте".

Для достижения цели поставлены задачи ведения дисциплины:

подготовка магистранта по разработанной в университете Образовательной программе к успешной аттестации планируемых результатов освоения дисциплины;

подготовка магистранта к освоению дисциплины "Компьютерные технологии в профессиональной деятельности";

подготовка магистранта к научно-исследовательской работе;

подготовка магистранта к итоговой аттестации;

развитие социально-воспитательного компонента учебного процесса.


Перечень планируемых результатов обучения по дисциплине, соотнесенных с планируемыми результатами освоения Образовательной программы

Планируемые результаты обучения по дисциплине Установленные ОП компетенции и индикаторы их достижения
УК-1 - Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий

Знает: методы разработки стратегии действий для выявления и решения проблемной ситуации

Умеет: использовать возможности вычислительной техники и программного обеспечения; применять информационные технологии для решения практических задач

Имеет навыки: сбора, отбора, обобщения и анализа исходных данных на ПЭВМ для выявления и решения проблемной ситуации в соответствии с требуемыми практическими задачами

Индикатор:
УК-1.1 - Способен применять методы системного и критического анализа, методики разработки стратегии действий для выявления и решения проблемной ситуации

Знает: информационные технологии анализа цифровой информации для нахождения скрытых закономерностей и тенденций, помогающих осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий и принимать конкретные решения для ее реализации

Умеет: применять методы системного и критического анализа цифровой информации посредством информационных технологий для трансформации данных в рабочие аналитические выводы, помогающие выработать дальнейшую эффективную стратегию действий и принимать конкретные решения для ее реализации

Имеет навыки: работы с электронными таблицами, базами данных, программными инструментами визуализации сетевых графов

Индикатор:
УК-1.2 - Способен применять методы системного подхода и критического анализа проблемных ситуаций; разрабатывать стратегию действий, принимать конкретные решения для ее реализации

Знает: методики постановки цели и определения способов ее достижения

Умеет: выбрать метод анализа данных в зависимости от поставленной задачи; использовать инструмент поиска решения для построения оптимизационных моделей; осуществлять проверку найденных закономерностей и анализ исключений

Имеет навыки: применения методов научного анализа данных и реализации их посредством программного обеспечения для разработки стратегии действий при решении проблемных ситуаций и достижении поставленных целей

Индикатор:
УК-1.3 - Способен использовать методологию системного и критического анализа проблемных ситуаций; методики постановки цели, определения способов ее достижения, разработки стратегий действий

Место дисциплины 1Б.Ф "Информационные технологии" в структуре Образовательной программы

Дисциплина отнесена к Блоку 1Б Образовательной программы. Дисциплина входит в состав части, формируемой участниками образовательных отношений (Ф).

Требования к входным знаниям, умениям и компетенциям обучающегося, необходимым для изучения данной дисциплины, соответствуют требованиям по результатам освоения предшествующих дисциплин :

Нормативный срок освоения Образовательной программы по очной форме обучения – 2 года. Наименование формы и срока обучения из базы данных РГУПС (вид обучения): 2 года очное магистратура, 2.4 года заочное магистратура.

Обозначение-аббревиатура учебных групп, для которых данная дисциплина актуальна: .

Дисциплина реализуется в 1 семестре.

Объем дисциплины в зачетных единицах с указанием количества академических часов, выделенных на контактную работу обучающихся с преподавателем (по видам учебных занятий) и на самостоятельную работу обучающихся

Вид обучения: 2 года очное магистратура

Общая трудоемкость данной дисциплины 4 зачетные единицы (144 часа), в том числе контактная работа обучающегося с преподавателем (КРОП) 32 часа.

Виды учебной работы Всего часов КРОП, часов Число часов в семестре
1
Аудиторные занятия всего и в т.ч. 32 32 32
Лекции (Лек) 16 16 16
Лабораторные работы (Лаб) 16 16 16
Практические, семинары (Пр)      
       
Самостоятельная работа (СРС), всего и в т.ч. 103   103
Контрольная работа (К)      
Реферат (Р)      
Расчетно-графическая работа (РГР)      
Курсовая работа (КР)      
Курсовой проект (КП)      
Самоподготовка 103   103
Контроль, всего и в т.ч. 9   9
Экзамен (Экз)      
Зачет (За) 9   9
Общая трудоемкость, часы 144 32 144
Зачетные единицы (ЗЕТ) 4   4

Вид обучения: 2.4 года заочное магистратура

Общая трудоемкость данной дисциплины 4 зачетные единицы (144 часа), в том числе контактная работа обучающегося с преподавателем (КРОП) 14 часов.

Виды учебной работы Всего часов КРОП, часов Число часов в заезде
1 2
Аудиторные занятия всего и в т.ч. 14 14 8 6
Лекции (Лек) 6 6 4 2
Лабораторные работы (Лаб) 8 8 4 4
Практические, семинары (Пр)        
         
Самостоятельная работа (СРС), всего и в т.ч. 126   28 98
Контрольная работа (К) 12     12
Реферат (Р)        
Расчетно-графическая работа (РГР)        
Курсовая работа (КР)        
Курсовой проект (КП)        
Самоподготовка 114   28 86
Контроль, всего и в т.ч. 4     4
Экзамен (Экз)        
Зачет (За) 4     4
Общая трудоемкость, часы 144 14 36 108
Зачетные единицы (ЗЕТ) 4      

Содержание дисциплины, структурированное по темам (разделам) с указанием отведенного на них количества академических часов и видов учебных занятий

Содержание дисциплины

Раздел дисциплины Изучаемые компетенции
1 Информационные технологии анализа больших данных УК-1
2 Добыча данных и машинное обучение как часть рынка информационных технологий УК-1
3 Сетевые графы и определение сообществ УК-1
4 Определение выбросов в наборе данных УК-1

Отведенное количество часов по видам учебных занятий и работы

Вид обучения: 2 года очное магистратура

Номер раздела данной дисциплины Трудоемкость в часах по видам занятий
Лекции Практические занятия, семинары Лабораторные работы Самоподготовка
1 6   2 20
2 6   4 20
3 2   6  
4 2   4 63
Итого 16   16 103

Вид обучения: 2.4 года заочное магистратура

Номер раздела данной дисциплины Трудоемкость в часах по видам занятий
Лекции Практические занятия, семинары Лабораторные работы Самоподготовка
1 4   8 114
2 2  
3    
4    
Итого 6   8 114

Лекционные занятия

Вид обучения: 2 года очное магистратура

Номер раздела данной дисциплины Наименование лекционных занятий Трудоемкость аудиторной работы, часы
Семестр № 1
1 Человечество и цифровой мир: 1) Сквозные информационные технологии. 2) Наука о данных. 3) Технологии интеллектуального анализа данных. 4) Интеллектуальные системы. 2
Информационные сервисы: 1) Современные вычислительные системы. 2) Облачные сервисы. 2
Данные и их анализ: 1) Понятие набора данных: объект и его атрибуты. 2) Представление данных и их минимальный объем для анализа. 3) Стадии анализа данных для выявления скрытых закономерностей. 4) Сферы применения технологий Big Data. 5) Выбор метода поиска решения для задач оптимизации. 2
2 Методы машинного обучения и сферы их применения: 1) Классическое обучение (с учителем и без учителя). 2) Обучение с подкреплением. 3) Ансамблевые методы. 4) Популярные алгоритмы кластеризации. 2
Кластерный анализ: 1) Сегментирование клиентской базы методом k-средних. 2) K-медианная кластеризация. 2
Способы аналитической обработки данных и сферы их применения: 1) Классификация. 2) Регрессия. 3) Обобщение. 4) Ассоциация. 2
3 Программные инструменты визуализации сетевых графов и разделяющая кластеризация: 1) Понятие сетевого графа и матрицы смежности. 2) Визуализация простого графа. 3) Построение графа r-окрестности и графа k ближайших соседей. 4) Модулярность графа. 5) Определение сообществ посредством максимизации модулярности графа. 6) Кластеризация в Gephi. 2
4 Расчет выбросов в одномерном и многомерном наборе данных: 1) Статистические параметры распределения данных. 2) Расчет выбросов методом границ Тьюки. 3) Расчет выбросов в многомерном наборе данных посредством их анализа на графе: с учетом полустепеней захода вершин графа; методом k-расстояний; определение факторов локальных выбросов. 2

Вид обучения: 2.4 года заочное магистратура

Номер раздела данной дисциплины Наименование лекционных занятий Трудоемкость аудиторной работы, часы
Заезд № 1
1 Человечество и цифровой мир: 1) Сквозные информационные технологии. 2) Наука о данных. 3) Технологии интеллектуального анализа данных. 4) Интеллектуальные системы. 2
Информационные сервисы: 1) Современные вычислительные системы. 2) Облачные сервисы. 2
Заезд № 2
2 Способы аналитической обработки данных и сферы их применения: 1) Классификация. 2) Регрессия. 3) Обобщение. 4) Ассоциация. 2

Лабораторный практикум

Вид обучения: 2 года очное магистратура

Номер раздела данной дисциплины Наименование лабораторных работ Трудоемкость аудиторной работы, часы
Семестр № 1
1 Построение оптимизационной модели и подбор метода поиска решения 2
2 Создание модели кластеризации данных методом k-средних. Оценка результатов кластеризации, расчет силуэта 2
Создание модели k-медианной кластеризации данных. Оценка результатов кластеризации, расчет силуэта 2
3 Программный инструмент визуализации сетевых графов Gephi. Визуализация простого графа 2
Построение в Gephi графа r-окрестности и графа k ближайших соседей 2
Расчет модулярности пар вершин графа клиентской базы данных. Создание модели кластеризации данных посредством максимизации модулярности графа 2
4 Расчет выбросов в одномерном наборе данных нормального распределения методом границ Тьюки 2
Расчет выбросов посредством анализа данных на графе. Метод 1: полустепень захода. Метод 2: нюансы k-расстояния. Метод 3: факторы локальных выбросов 2

Вид обучения: 2.4 года заочное магистратура

Номер раздела данной дисциплины Наименование лабораторных работ Трудоемкость аудиторной работы, часы
Курс № 1
1 Построение оптимизационной модели и подбор метода поиска решения 8
2 Создание модели кластеризации данных методом k-средних. Оценка результатов кластеризации, расчет силуэта
Создание модели k-медианной кластеризации данных. Оценка результатов кластеризации, расчет силуэта
3 Программный инструмент визуализации сетевых графов Gephi. Визуализация простого графа
Построение в Gephi графа r-окрестности и графа k ближайших соседей
Расчет модулярности пар вершин графа клиентской базы данных. Создание модели кластеризации данных посредством максимизации модулярности графа
4 Расчет выбросов в одномерном наборе данных нормального распределения методом границ Тьюки
Расчет выбросов посредством анализа данных на графе. Метод 1: полустепень захода. Метод 2: нюансы k-расстояния. Метод 3: факторы локальных выбросов

Практические занятия (семинары)

Не предусмотрено.

Не предусмотрено.


Самостоятельное изучение учебного материала (самоподготовка)

Вид обучения: 2 года очное магистратура

Номер раздела данной дисциплины Наименование тем, вопросов, вынесенных для самостоятельного изучения Трудоемкость внеаудиторной работы, часы
Семестр № 1
1 Методы сбора и предподготовки данных: понятие генеральной совокупности данных и способы получения выборки; избавление от неинформативных признаков; трансформация данных с целью создания новых,обобщенных признаков; заполнение пропусков; редактирование дубликатов и противоречий; нормирование данных. Выполнение индивидуальных заданий. 20
2 Основы работы в редакторе электронных таблиц Excel: типы адресации; форматирование ячеек; быстрое копирование формул и данных; специальная вставка, транспонирование; использование формул массива; условное форматирование, фильтрация и сортировка; сводные таблицы; инструмент «Поиск решения». Выполнение индивидуальных заданий. 20
4 Статистическая обработка данных, планирование эксперимента: первичная статистическая обработка, дисперсионный, корреляционный и регрессионный анализ; методы оптимизации при планировании эксперимента; основы факторного анализа и метода главных компонент; использование главных компонент при классификации объектов и построении уравнений регрессии; оценка влияния компонент на результативный признак; алгоритмы и программы обработки данных. Выполнение индивидуальных заданий. 63

Вид обучения: 2.4 года заочное магистратура

Номер раздела данной дисциплины Наименование тем, вопросов, вынесенных для самостоятельного изучения Трудоемкость внеаудиторной работы, часы
Курс № 1
1 Методы сбора и предподготовки данных: понятие генеральной совокупности данных и способы получения выборки; избавление от неинформативных признаков; трансформация данных с целью создания новых,обобщенных признаков; заполнение пропусков; редактирование дубликатов и противоречий; нормирование данных. Выполнение индивидуальных заданий. 114
Данные и их анализ: 1) Понятие набора данных: объект и его атрибуты. 2) Представление данных и их минимальный объем для анализа. 3) Стадии анализа данных для выявления скрытых закономерностей. 4) Сферы применения технологий Big Data. 5) Выбор метода поиска решения для задач оптимизации.
2 Основы работы в редакторе электронных таблиц Excel: типы адресации; форматирование ячеек; быстрое копирование формул и данных; специальная вставка, транспонирование; использование формул массива; условное форматирование, фильтрация и сортировка; сводные таблицы; инструмент «Поиск решения». Выполнение индивидуальных заданий.
Методы машинного обучения и сферы их применения: 1) Классическое обучение (с учителем и без учителя). 2) Обучение с подкреплением. 3) Ансамблевые методы. 4) Популярные алгоритмы кластеризации.
Кластерный анализ: 1) Сегментирование клиентской базы методом k-средних. 2) K-медианная кластеризация.
3 Программные инструменты визуализации сетевых графов и разделяющая кластеризация: 1) Понятие сетевого графа и матрицы смежности. 2) Визуализация простого графа. 3) Построение графа r-окрестности и графа k ближайших соседей. 4) Модулярность графа. 5) Определение сообществ посредством максимизации модулярности графа. 6) Кластеризация в Gephi.
4 Статистическая обработка данных, планирование эксперимента: первичная статистическая обработка, дисперсионный, корреляционный и регрессионный анализ; методы оптимизации при планировании эксперимента; основы факторного анализа и метода главных компонент; использование главных компонент при классификации объектов и построении уравнений регрессии; оценка влияния компонент на результативный признак; алгоритмы и программы обработки данных. Выполнение индивидуальных заданий.
Расчет выбросов в одномерном и многомерном наборе данных: 1) Статистические параметры распределения данных. 2) Расчет выбросов методом границ Тьюки. 3) Расчет выбросов в многомерном наборе данных посредством их анализа на графе: с учетом полустепеней захода вершин графа; методом k-расстояний; определение факторов локальных выбросов.

Фонд оценочных средств для проведения промежуточной аттестации обучающихся по дисциплине

Перечень компетенций с указанием этапов их формирования в процессе освоения Образовательной программы

Компетенция Указание (+) этапа формирования в процессе освоения ОП (семестр)
1
УК-1 +

Описание показателей и критериев оценивания компетенций на различных этапах их формирования

Компе-
тенция
Этап
формирования
ОП (семестр)
Показатель оценивания Критерий оценивания
УК-1 1 Дуальная оценка на зачете - полнота усвоения материала,
- качество изложения материала,
- правильность выполнения заданий,
- аргументированность решений.
Выполненная лабораторная работа - правильность выполнения заданий.

Описание шкал оценивания компетенций

Значение оценки Уровень освоения компетенции Шкала оценивания (для аттестационной ведомости, зачетной книжки, документа об образования) Шкала оценивания (процент верных при проведении тестирования)
Балльная оценка - "удовлетворительно". Пороговый Оценка «удовлетворительно» выставляется обучающемуся, который имеет знания только основного материала, но не усвоил его деталей, допускает неточности, недостаточно правильные формулировки, нарушения последовательности изложения программного материала и испытывает трудности в выполнении практических навыков. От 40% до 59%
Балльная оценка - "хорошо". Базовый Оценка «хорошо» выставляется обучающемуся, твердо знающему программный материал, грамотно и по существу его излагающему, который не допускает существенных неточностей в ответе, правильно применяет теоретические положения при решении практических работ и задач, владеет необходимыми навыками и приемами их выполнения. От 60% до 84%
Балльная оценка - "отлично". Высокий Оценка «отлично» выставляется обучающемуся, глубоко и прочно усвоившему программный материал, исчерпывающе, последовательно, грамотно и логически стройно его излагающему, в ответе которого тесно увязываются теория с практикой. При этом обучающийся не затрудняется с ответом при видоизменении задания, показывает знакомство с литературой, правильно обосновывает ответ, владеет разносторонними навыками и приемами практического выполнения практических работ. От 85% до 100%
Дуальная оценка - "зачтено". Пороговый, Базовый, Высокий Оценка «зачтено» выставляется обучающемуся, который имеет знания, умения и навыки, не ниже знания только основного материала, может не освоить его детали, допускать неточности, недостаточно правильные формулировки, нарушения последовательности изложения программного материала и испытывает трудности в выполнении практических навыков. От 40% до 100%
Балльная оценка - "неудовлетворительно", Дуальная оценка - "не зачтено". Не достигнут Оценка «неудовлетворительно, не зачтено» выставляется обучающемуся, который не знает значительной части программного материала, допускает ошибки, неуверенно выполняет или не выполняет практические работы. От 0% до 39%

Типовые контрольные задания или иные материалы, необходимые для оценки знаний, умений, навыков, характеризующих этапы формирования компетенций в процессе освоения образовательной программы

Типовые контрольные задания

Курсовые проекты (работы)

Не предусмотрено.


Контрольные работы, расчетно-графические работы, рефераты

Для заочной формы обучения контрольная работа проводится в форме компьютерного тестирования на базе ЦМКО.


Перечни сопоставленных с ожидаемыми результатами освоения дисциплины вопросов (задач):

Зачет. Семестр № 1

Вопросы для оценки результата освоения "Знать":

1) Сквозные (ключевые) технологии в рамках национальной технологической инициативы России. Примеры использования технологий интеллектуального анализа данных. Понятия науки о данных (DATA SCIENCE), искусственного интеллекта (ИИ) и машинного обучения. Три вида ИИ в зависимости от его возможностей. Методы решения задач ИИ. Распространенные типы ИИ-решений.
2) Области применения классификации, кластеризации, регрессии, уменьшения размерности и обучения с подкреплением, для решения задач машинного обучения. Этапы разработки систем искусственного интеллекта (ИИ). Влияние ИИ на рынок труда и творчество человека.
3) Современные вычислительные системы четвертого и пятого поколения. Сферы использования.
4) Облачные сервисы. Классификация по типу услуг и форме собственности. Преимущества и недостатки облачных сервисов.
5) Понятие набора данных: объект и его атрибуты. Типы атрибутов. Признаки, позволяющие отличить Большие Данные. Представление данных и их необходимый минимальный объем для анализа.
6) Стадии анализа данных для выявления скрытых закономерностей (добыча данных).
7) Сферы применения технологий Больших данных. Задачи Data Mining. Разновидности методов машинного обучения.
8) Область применения и популярные алгоритмы кластеризации. В чем отличие кластеризации от классификации? Меры сходства объектов.
9) Алгоритм кластеризации транзакционных данных (CLOPE). Понятие кластерной гистограммы. Как при помощи кластерных гистограмм оценить качество кластеризации?
10) Алгоритм кластеризации транзакционных данных (CLOPE). Основные фазы алгоритма. Формула для вычисления глобального критерия (глобальной функции стоимости) разбиения на кластера. Формула расчета стоимости перемещения транзакции между кластерами (цена удаления транзакции из кластера и цена добавления ее в новый кластер).
11) Алгоритм кластеризации транзакционных данных (CLOPE). Нарисовать общую блок-схему алгоритма.
12) Кластеризация методом k-ближайших соседей. Суть метода и область его применения. Алгоритм DBSCAN. Определение выбросов.
13) Понятие кластерного анализа и область его применения. Основные принципы кластеризации методом k-средних. Понятие кластерного центра (центроида) и внутрикластерного расстояния.
14) Основные принципы k-медианной кластеризации. Асимметрическое измерение расстояний. Формула расчета расстояния по косинусу между бинарными векторами.
15) Оценка качества кластеризации, выбор оптимального числа кластеров. Силуэтная мера связности и разделения кластеров.
16) Область применения и популярные алгоритмы классификации, как одной из задач добычи данных. Принцип метода Наивного Байеса.
17) Область применения и популярные алгоритмы регрессии, как одной из задач добычи данных. Этапы получения регрессионной модели.
18) Область применения и популярные алгоритмы обобщения, как одной из задач добычи данных. Латентно-семантический анализ (LSA). Оценка важности слова в контексте документа методом TF-IDF. Векторная модель схожести двух документов.
19) Область применения и популярные алгоритмы обобщения, как одной из задач добычи данных. Типы рекомендательных систем, их плюсы и минусы.
20) Метод коллаборативной фильтрации (user-based) в рекомендательных системах.
21) Область применения и популярные алгоритмы поиска ассоциативных правил. Понятие транзакционной базы данных. Основные характеристики ассоциативных правил. Что называют сильными правилами. Как повлияют на выбор сильных правил установление определенных граничных значений поддержки и достоверности? На основании чего устанавливают эти граничные значения?
22) Методы поиска ассоциативных правил. Алгоритм Apriori. Свойство анти-монотонности. Поиск часто встречающихся наборов на примере решетки (дерева) элементов. Извлечение правил из часто встречающегося набора элементов.
23) Понятия сетевого графа и матрицы смежности. Ориентированные и неориентированные сетевые графы. Понятие матрицы мер конвергенции. Понятия степени вершины графа, ее полустепени захода и полустепени исхода. Популярные техники удаления ребер из сетевых графов.
24) Понятие модулярности графа. Рассчет предполагаемого числа ребер между двумя вершинами. Алгоритм определения сообществ под названием модульная максимизация.
25) Метод разделяющей кластеризации (иерархического разбиения). Отличие этого метода от агломеративной кластеризации.
26) Понятие выбросов. Степень их влияния при расчете числовых характеристик статистического распределения данных. Числовые характеристики, используемые для оценки среднего значения статистического распределения данных. Их отличия и степень устойчивости к выбросам. Определение квартили.
27) Определение вариации (свойство числовых данных). Пять оценок вариации данных. Их отличия и степень устойчивости к выбросам.
28) Методику определения выбросов по алгоритму Тьюки. Наиболее устойчивые к выбросам методы расчета центрированности (расчет «середины» данных). Наиболее устойчивые к выбросам статистические параметры распределения (разброса) данных.
29) Методику подготовки многомерных данных к отображению на графе. Методику определения выбросов на графе с учетом полустепеней захода его вершин. Методику определения выбросов на графе с учетом расстояния вершины до ее k-ближайших соседей (метод k-расстояний).
30) Понятие локального выброса. Методику определения факторов локальных выбросов на графе. Понятие расстояния достижимости.

Вопросы для оценки результата освоения "Уметь":

1) Методом коллаборативной фильтрации (user-based) спрогнозировать, какую оценку даст пользователь предложенному продукту (предположительный рейтинг).
2) На примере метода Naive Bayes определить, является ли спамом текст.
3) Используя алгоритм Apriori, на примере транзакционной базы данных определить часто встречающиеся трех элементные наборы с минимальным уровнем поддержки 50%. Извлечь из этих наборов ассоциативные правила, минимальный уровень достоверности которых равен 75%.
4) На основе некоторой меры близости, на примере таблицы данных, рассчитать сходство векторов объектов, содержащих категорийные атрибуты.
5) На примере транзакционной базы данных пройти стадию инициализации алгоритма CLOPE для начального распределения транзакций по кластерам. Определить полученное количество непустых кластеров.
6) Строить в Excel оптимизационные модели и подбирать метод поиска решения.
7) На основе данных матрицы мер конвергенции строить в Gephi граф k ближайших соседей.
8) На основе данных матрицы мер конвергенции строить в Gephi граф r-окрестности.
9) Строить в Excel модели кластеризации данных посредством максимизации модулярности графа.
10) Определять выбросы в одномерном наборе данных нормального распределения методом границ Тьюки.
11) Определять выбросы посредством анализа данных на графе с учетом полустепеней захода его вершин.
12) Определять выбросы посредством анализа данных на графе с учетом расстояния вершины до ее k-ближайших соседей (метод k-расстояний).
13) Определять факторы локальных выбросов на графе.
14) Создавать сводные таблицы в Excel и использовать их для построения матрицы смежности.
15) Рассчитывать в Excel устойчивые к выбросам статистические параметры распределения (разброса) данных.
16) Приводить примеры более устойчивых к выбросам статистических параметров распределения (разброса) данных.

Вопросы для оценки результата освоения "Иметь навыки":

1) Основными методами работы на ПЭВМ с прикладными программными средствами.

2) Методами сбора, отбора, обобщения и анализа исходных данных на ПЭВМ.

3) Навыками работы с электронными таблицами Excel.

4) Навыками работы с базами данных.

5) Навыками работы с программными инструментами визуализации сетевых графов.

6) Навыками создания формул массива в Excel с использованием функций из категории «Ссылки и массивы».

7) Навыками условного форматирования, фильтрация и сортировки в Excel.

8) Навыками нормирования данных и заполнения пропусков.

9) Навыками первичной статистической обработки, регрессионным анализом данных.

10) Алгоритмами и программами обработки данных.


Методические материалы, определяющие процедуру оценивания знаний, умений, навыков, характеризующих этапы формирования компетенций

№ п/п Библиографическое описание
1 Методические указания, определяющие процедуру оценивания знаний, умений, навыков, характеризующих этапы формирования компетенций: учебно-методическое пособие / М.С. Тимофеева; ФГБОУ ВО РГУПС. - 3-е изд., перераб. и доп. - Ростов н/Д, 2021. - 60 с.: ил. - Библиогр.: с. 44 (ЭБС РГУПС)

Для каждого результата обучения по дисциплине определены

Показатели и критерии оценивания сформированности компетенций на различных этапах их формирования

Резуль-
тат
обуче-
ния
Компе-
тенция
Этап
формиро-вания в
процессе
освоения
ОП
(семестр)
Этапы
формирования
компетенции
при изучении
дисциплины
(раздел
дисциплины)
Показатель
сформиро-
ванности
компетенции
Критерий
оценивания
Знает, Умеет, Имеет навыки УК-1 1 1, 2, 3, 4 Дуальная оценка на зачете - полнота усвоения материала,
- качество изложения материала,
- правильность выполнения заданий,
- аргументированность решений.
1, 2, 3, 4 Выполненная лабораторная работа - правильность выполнения заданий.

Шкалы и процедуры оценивания

Значение оценки Уровень
освоения
компетенции
Шкала оценивания
(для аттестационной
ведомости, зачетной
книжки, документа
об образовании)
Процедура оценивания
Балльная оценка -
"отлично",
"хорошо",
"удовлетворительно".
Дуальная оценка -
"зачтено".
Пороговый, Базовый, Высокий В соответствии со шкалой оценивания в разделе РПД "Описание шкал оценивания компетенций" Зачет (письменно-устный).
Выполнение лабораторной работы (подготовка отчета).
Балльная оценка -
"неудовлетворительно".
Дуальная оценка -
"не зачтено".
Не достигнут

Ресурсы электронной информационно-образовательной среды, электронной библиотечной системы и иные ресурсы, необходимые для осуществления образовательного процесса по дисциплине

Перечень учебной литературы для освоения дисциплины

№ п/п Библиографическое описание Ресурс
1 Анализ данных : учебник для вузов / В. С. Мхитарян [и др.] ; под редакцией В. С. Мхитаряна. — Москва : Издательство Юрайт, 2021. — 490 с. — (Высшее образование). — ISBN 978-5-534-00616-2. — Текст : электронный ЭБС Юрайт
2 Станкевич, Л. А.  Интеллектуальные системы и технологии : учебник и практикум для вузов / Л. А. Станкевич. — Москва : Издательство Юрайт, 2021. — 397 с. — (Высшее образование). — ISBN 978-5-534-02126-4. — Текст : электронный ЭБС Юрайт
3 Бессмертный, И. А.  Интеллектуальные системы : учебник и практикум для вузов / И. А. Бессмертный, А. Б. Нугуманова, А. В. Платонов. — Москва : Издательство Юрайт, 2021. — 243 с. — (Высшее образование). — ISBN 978-5-534-01042-8. — Текст : электронный ЭБС Юрайт

Перечень учебно-методического обеспечения

№ п/п Библиографическое описание Ресурс
1 Дергачева, И.В. Цифровые технологии. Анализ больших данных: учеб. пособие / И. В. Дергачева, А. С. Сарьян; ФГБОУ ВО РГУПС. - Ростов н/Д: [б. и.], 2019. - 114 с.: ил., табл. - Библиогр. : 3 назв..- Текст : электронный ЭБС РГУПС
2 Дергачева, И.В. Информационные технологии: практикум в 2 ч. Ч. 1 / И. В. Дергачева, А. С. Сарьян; ФГБОУ ВО РГУПС. - Ростов н/Д: [б. и.], 2020. - 47 с.: ил., табл. - Библиогр.- Текст : электронный ЭБС РГУПС

Электронные образовательные ресурсы в сети "Интернет"

№ п/п Адрес в Интернете, наименование
1 http://rgups.ru/. Официальный сайт РГУПС
2 http://www.iprbookshop.ru/. Электронно-библиотечная система "IPRBooks"
3 https://urait.ru/. Электронно-библиотечная система "Юрайт"
4 http://cmko.rgups.ru/. Центр мониторинга качества образования РГУПС
5 http://www.umczdt.ru/. Электронная библиотека "УМЦ ЖДТ"
6 https://portal.rgups.ru/. Система личных кабинетов НПР и обучающихся в ЭИОС
7 http://jirbis2.rgups.ru/jirbis2/. Электронно-библиотечная система РГУПС
8 https://webinar.rgups.ru/. Электронный университет РГУПС
9 https://rgups.public.ru/. Электронная библиотека периодических изданий "public.ru"
10 https://e.lanbook.com/. Электронно-библиотечная система "Лань"

Профессиональные базы данных и информационно-справочные системы

№ п/п Адрес в Интернете, наименование
1 http://www.glossary.ru/. Глоссарий.ру (служба тематических толковых словарей)
2 http://www.consultant.ru/. КонсультантПлюс

Лицензионное и свободно распространяемое программное обеспечение

№ п/п Наименование Произ-
во
1 Microsoft Windows. Операционная система. И
2 Microsoft Office / Open Office. Программное обеспечение для работы с различными типами документов: текстами, электронными таблицами, базами данных и др. И
3 Gephi. Программный пакет для сетевого анализа и визуализации с открытым исходным кодом, написанный на Java на платформе NetBeans . И

О - программное обеспечение отечественного производства

И - импортное программное обеспечение


Описание материально-технической базы, необходимой для осуществления образовательного процесса по дисциплине

Помещения(аудитории):

учебные аудитории для проведения учебных занятий;

помещения для самостоятельной работы.

Для изучения настоящей дисциплины в зависимости от видов занятий используется:

Учебная мебель;

Технические средства обучения (включая стационарный либо переносной набор демонстрационного оборудования);

Офисная оргтехника и компьютеры.

Самостоятельная работа обучающихся обеспечивается компьютерной техникой с возможностью подключения к сети "Интернет" и ЭИОС.


"____" _________________20___г.


Код РПД: 66046.