учреждение высшего образования
«Бурятская государственная сельскохозяйственная академия имени В.Р. Филиппова»
Агрономический факультет
Общее земледелие
направленность (профиль) Инновационные агротехнологии
в учебном плане
является дисциплиной обязательной для изучения
дисциплины кафедра
Семестр 4
- 13.017. Профессиональный стандарт "АГРОНОМ", утверждённый приказом Министерства труда и социальной защиты Российско Федерации от 20 сентября 2021 г. N 644н (зарегистрирован Министерством юстиции Российской Федерации 20 октября 2021 г., регистрационный N 65482);
Зав. кафедрой Соболев В.А.
п/п
на заседании кафедры
Заведующий кафедрой
Садуев Н.Б.
(представитель работодателя)
Задачи: 1. Ознакомить студентов с базовыми концепциями машинного обучения.
2. Научить применять методы машинного обучения для анализа данных, связанных с аграрными процессами.
3. Разработать умения использовать программные инструменты для обработки и анализа больших объемов данных.
4. Сформировать компетенции в использовании информационно-коммуникационных технологий для решения профессиональных задач.
ОПК-1: Способен решать типовые задачи профессиональной деятельности на основе знаний основных законов математических и естественных наук с применением информационно-коммуникационных технологий;;
Методы и алгоритмы машинного обучения.
Применение машинного обучения в аграрной сфере.
Инструменты для работы с данными и реализации моделей машинного обучения.:
Терминологию в области машинного обучения.
Методы предобработки данных (очистка, нормализация).
Основные метрики качества моделей (например, R , MAE, MSE, accuracy).
Методы регуляризации (L1, L2).
Особенности работы с большими объемами данных.
Современные методы оптимизации моделей.
Инновационные подходы к решению задач в агрономии.
Подготовить данные для моделирования.
Реализовать простые модели машинного обучения.
Интерпретировать результаты работы моделей.:
Описывать примеры применения машинного обучения в аграрной сфере.
Применять готовые алгоритмы для решения простых задач.
Интерпретировать результаты работы модели.
Адаптировать параметры моделей под специфику задачи.
Работать с программными средствами (например, Python, Scikit-learn).
Анализировать большие объемы данных.
Предлагать инновационные решения для повышения эффективности агротехнологий.
Анализ реальных аграрных данных с использованием методов машинного обучения.
Создание отчетов и презентаций по результатам анализа данных.:
ОПК-7: Способен понимать принципы работы современных информационных технологий и использовать их для решения задач профессиональной деятельности;
Методы и алгоритмы машинного обучения.
Применение машинного обучения в аграрной сфере.
Инструменты для работы с данными и реализации моделей машинного обучения.:
Общее описание роли технологий в аграрном секторе.
Примеры автоматизации процессов в аграрной сфере.
Методы интеграции различных источников данных.
Принципы работы IoT-датчиков.
Возможности облачных сервисов и искусственного интеллекта.
Подготовить данные для моделирования.
Реализовать простые модели машинного обучения.
Интерпретировать результаты работы моделей.:
Использовать стандартные инструменты для анализа данных.
Реализовывать проекты с использованием современных технологий.
Создавать системы на основе данных и современных технологий.
Анализ реальных аграрных данных с использованием методов машинного обучения.
Создание отчетов и презентаций по результатам анализа данных.:
ПЦК-1: Способен применять цифровые технологии для управления процессами и данными в отрасли;
Методы и алгоритмы машинного обучения.
Применение машинного обучения в аграрной сфере.
Инструменты для работы с данными и реализации моделей машинного обучения.:
Автоматические системы контроля.
Автоматические системы контроля.
Подготовить данные для моделирования.
Реализовать простые модели машинного обучения.
Интерпретировать результаты работы моделей.:
Подготавливать отчеты на основе данных.
Анализировать данные и предлагать решения.
Анализировать данные и предлагать решения.
Анализ реальных аграрных данных с использованием методов машинного обучения.
Создание отчетов и презентаций по результатам анализа данных.:
форма текущего контроля успеваемости)
работ
Оценка качества моделей на реальных аграрных данных
Microsoft OfficeProPlus 2016 RUS OLP NL Acdmc. Договор № ПП-61/2015 г. О поставке программных продуктов от 9 декабря 2015 года
Microsoft Windows Vista Business Russian Upgrade Academic OPEN No Level Государственный контракт № 25 от 1 апреля 2008 года
http://www.garant.ru/
- использование специализированных (адаптированных) рабочих программ дисциплин (модулей) и методов обучения и воспитания, включая наличие альтернативной версии официального сайта организации в сети «Интернет» для слабовидящих;
- использование специальных учебников, учебных пособий и других учебно-методических материалов, включая альтернативные форматы печатных материалов (крупный шрифт или аудиофайлы);
- использование специальных технических средств обучения (мультимедийное оборудование, оргтехника и иные средства) коллективного и индивидуального пользования, включая установку
мониторов с возможностью трансляции субтитров, обеспечение надлежащими звуковыми
воспроизведениями информации;
- предоставление услуг ассистента (при необходимости), оказывающего обучающимся необходимую техническую помощь или услуги сурдопереводчиков / тифлосурдопереводчиков;
- проведение групповых и индивидуальных коррекционных занятий для разъяснения отдельных вопросов изучаемой дисциплины (модуля);
- проведение процедуры оценивания результатов обучения возможно с учетом особенностей нозологий (устно, письменно на бумаге, письменно на компьютере, в форме тестирования и т.п.) при использовании доступной формы предоставления заданий оценочных средств и ответов на задания (в печатной форме увеличенным шрифтом, в форме аудиозаписи, в форме электронного документа, задания зачитываются ассистентом, задания предоставляются с использованием сурдоперевода) с
использованием дополнительного времени для подготовки ответа;
- обеспечение беспрепятственного доступа обучающимся в учебные помещения, туалетные и другие помещения организации, а также пребывания в указанных помещениях (наличие пандусов, поручней, расширенных дверных проемов и других приспособлений);
- обеспечение сочетания онлайн и офлайн технологий, а также индивидуальных и коллективных форм работы в учебном процессе, осуществляемом с использованием дистанционных образовательных технологий;
- и другие условия, без которых невозможно или затруднено освоение ОПОП ВО.
В целях реализации ОПОП ВО в академии оборудована безбарьерная среда, учитывающая потребности лиц с нарушением зрения, с нарушениями слуха, с нарушениями опорно-двигательного
аппарата. Территория соответствует условиям беспрепятственного, безопасного и удобного передвижения инвалидов и лиц с ограниченными возможностями здоровья. Вход в учебный корпус
оборудован пандусами, стекла входных дверей обозначены специальными знаками для слабовидящих, используется система Брайля. Сотрудники охраны знают порядок действий при прибытии в академию лица с ограниченными возможностями. В академии создана толерантная социокультурная среда, осуществляется необходимое сопровождение образовательного процесса,
при необходимости предоставляется волонтерская помощь обучающимся инвалидам и лицам с ограниченными возможностями здоровья.
Контрольные вопросы (теория)
1. Основы машинного обучения
Что такое машинное обучение? Какие виды задач оно решает?
Чем регрессия отличается от классификации?
Объясните понятие предобработки данных. Почему она важна?
Что такое обучающая выборка, тестовая выборка и валидационная выборка?
2. Линейная и логистическая регрессия
В чем суть линейной регрессии? Приведите пример ее применения в аграрной сфере.
Что такое коэффициент детерминации (R )? Для чего он используется?
Как работает логистическая регрессия? В каких случаях ее можно применить?
Как интерпретировать результаты логистической регрессии?
3. Кластеризация
Что такое кластеризация? Назовите основные алгоритмы кластеризации.
Как выбрать оптимальное количество кластеров при использовании метода K-means?
Приведите пример использования кластеризации в анализе почвенных данных.
4. Деревья решений и случайные леса
Что такое дерево решений? Как оно строится?
Какие параметры можно настраивать в дереве решений?
Что такое случайный лес? В чем его преимущества перед одним деревом решений?
5. Нейронные сети
Что такое нейронная сеть? Из каких элементов она состоит?
Как происходит обучение нейронной сети? Что такое обратное распространение ошибки?
Приведите пример использования нейронных сетей для анализа данных в агрономии.
Какие метрики используются для оценки качества регрессионных моделей? Классификационных моделей?
Что такое переобучение модели? Как его избежать?
Как использовать кросс-валидацию для оценки модели?
Практические задания
1. Предобработка данных
Загрузите набор данных о характеристиках почвы (например, содержание питательных веществ, pH) и выполните следующие действия:
Удалите пропущенные значения.
Нормализуйте числовые признаки.
Кодируйте категориальные признаки.
2. Построение модели линейной регрессии
Используя данные о погодных условиях и урожайности, постройте модель линейной регрессии для прогнозирования урожайности.
Оцените качество модели с помощью R , MAE и MSE.
3. Классификация
Создайте модель логистической регрессии для классификации типов культур на основе их характеристик (например, высота растения, время цветения).
Постройте матрицу путаницы (confusion matrix) и рассчитайте точность, полноту и F1-меру.
4. Кластеризация
Используя данные о составе почвы, примените алгоритм K-means для деления участков на группы с похожими характеристиками.
Проанализируйте полученные кластеры и сделайте выводы.
5. Деревья решений
Постройте дерево решений для прогнозирования урожайности культуры на основе нескольких факторов (погода, состав почвы, удобрения).
Настройте глубину дерева и сравните результаты с базовой моделью.
6. Нейронные сети
Создайте простую нейронную сеть для решения задачи регрессии (например, прогнозирование урожайности).
Экспериментируйте с количеством слоев и нейронов, оценивайте влияние этих параметров на качество модели.
7. Комплексный проект
Выберите реальную задачу из аграрной сферы (например, прогнозирование урожайности, анализ состояния почвы, мониторинг развития растений).
Соберите или используйте готовый набор данных.
Примените несколько методов машинного обучения для решения задачи.
Сравните результаты разных моделей и сделайте выводы.
Промежуточная аттестация (зачет)
Форма аттестации
Зачет проводится в форме комплексного проекта и защиты презентации.
Задание для зачета
Выбор темы : Студент выбирает одну из следующих тем:
Прогнозирование урожайности культуры на основе погодных условий и состава почвы.
Классификация типов почв на основе химических характеристик.
Мониторинг состояния растений с использованием данных с датчиков.
Анализ спутниковых снимков для оценки состояния полей.
Описание работы :
Подготовка данных: загрузка, очистка, нормализация.
Выбор и реализация подходящих алгоритмов машинного обучения.
Оценка качества моделей.
Интерпретация результатов.
Презентация :
Краткое описание задачи.
Методы решения и используемые инструменты.
Результаты экспериментов.
Выводы и рекомендации.
Защита :
Ответы на вопросы преподавателя по теме проекта.
Обсуждение возможных ограничений и перспектив развития исследования.
История развития машинного обучения: от первых алгоритмов до современных технологий
Рассмотреть ключевые этапы развития, основные достижения и их влияние на аграрную сферу.
Основные типы задач машинного обучения: сравнительный анализ надзорного и безнадзорного обучения
Проанализировать особенности каждого типа задач и привести примеры их использования в агрономии.
Исследовать вопросы защиты данных, ответственности за решения, принимаемые алгоритмами, и социальные последствия внедрения ИИ.
Влияние больших данных (Big Data) на развитие машинного обучения в аграрной сфере
Обсудить роль больших данных в улучшении прогнозирования урожайности, мониторинга состояния почвы и других процессов.
Применение регрессии
Прогнозирование урожайности с использованием линейной регрессии: анализ факторов влияния
Изучить зависимость урожайности от различных факторов (погода, состав почвы, удобрения) и построить модель.
Сравнение методов регрессии для анализа аграрных данных
Проанализировать эффективность разных методов регрессии (например, простую линейную, полиномиальную и гребневую регрессию).
Применение регрессионных моделей для оценки влияния климатических изменений на сельское хозяйство
Исследовать, как регрессионные модели могут быть использованы для прогнозирования долгосрочных тенденций.
Применение классификации
Классификация типов почв с помощью логистической регрессии
Разработать модель для классификации почв на основе их физико-химических свойств.
Использование алгоритмов классификации для определения болезней растений
Исследовать, как машинное обучение может помочь в раннем выявлении заболеваний культур.
Применение методов классификации для выбора оптимальных сортов культур
Проанализировать, как можно использовать данные о климате, почве и других факторах для рекомендации конкретных сортов.
Кластеризация
Кластеризация участков земли для оптимизации использования ресурсов
Исследовать, как кластеризация может помочь в разделении территорий на группы с похожими характеристиками.
Применение алгоритма K-means для анализа химического состава почвы
Провести исследование, чтобы выделить группы почв с одинаковыми свойствами.
Сравнение алгоритмов кластеризации (K-means, DBSCAN, иерархическая кластеризация) для аграрных данных
Проанализировать достоинства и недостатки разных методов кластеризации.
Деревья решений и случайные леса
Применение деревьев решений для прогнозирования урожайности
Разработать модель дерева решений для анализа множества факторов, влияющих на урожайность.
Сравнение деревьев решений и случайных лесов в задачах прогнозирования в сельском хозяйстве
Исследовать, какой метод более эффективен для решения конкретных аграрных задач.
Использование случайных лесов для анализа влияния удобрений на рост культур
Провести экспериментальное исследование с использованием реальных данных.
Нейронные сети
Применение нейронных сетей для прогнозирования погодных условий
Исследовать, как нейронные сети могут быть использованы для повышения точности прогнозов.
Сравнение нейронных сетей и традиционных методов машинного обучения в анализе аграрных данных
Проанализировать преимущества и недостатки нейронных сетей по сравнению с другими подходами.
Использование сверточных нейронных сетей (CNN) для анализа спутниковых изображений полей
Исследовать, как CNN могут быть применены для мониторинга состояния посевов.
Рекуррентные нейронные сети (RNN) для прогнозирования временных рядов в сельском хозяйстве
Изучить возможность использования RNN для прогнозирования цен на продукты, изменения погоды и т.д.
Современные тренды и инновации
Использование глубокого обучения (Deep Learning) для решения задач в аграрной сфере
Исследовать последние достижения в области глубокого обучения и их применение в сельском хозяйстве.
Цифровое земледелие: роль машинного обучения в повышении эффективности производства
Проанализировать, как технологии машинного обучения способствуют развитию точного земледелия.
Применение машинного обучения для автоматизации процессов в животноводстве
Исследовать возможности использования алгоритмов для мониторинга здоровья животных и оптимизации их питания.
Будущее машинного обучения в аграрной сфере: перспективы и вызовы
Обсудить потенциал новых технологий и возможные ограничения их внедрения.
Системы искусственного интеллекта для управления водными ресурсами в сельском хозяйстве
Исследовать, как ИИ может помочь в оптимизации расхода воды при орошении.
2. Комплект заданий для практических работ
3. Перечень контрольных вопросов для проведения устных опросов
4. Перечень вопросов для самостоятельного изучения
5. Тестовые задания
6. Кейс-задания
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
– правильность ответа по содержанию задания (учитывается количество и характер ошибок при ответе);
– полнота и глубина ответа (учитывается количество усвоенных фактов, понятий и т.п.);
– сознательность ответа (учитывается понимание излагаемого материала);
– логика изложения материала (учитывается умение строить целостный, последовательный рассказ, грамотно пользоваться специальной терминологией);
– использование дополнительного материала;
– рациональность использования времени, отведенного на задание (не одобряется затянутость выполнения задания, устного ответа во времени, с учетом индивидуальных особенностей обучающихся).
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- теоретический уровень знаний;
- качество ответов на вопросы;
- подкрепление материалов фактическими данными (статистические данные или др.);
- практическая ценность материала;
- способность делать выводы;
- способность отстаивать собственную точку зрения;
- способность ориентироваться в представленном материале;
- степень участия в общей дискуссии.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
(дискуссии, полемики, диспута, дебатов)
«отлично»
используется терминология; показано умение иллюстрировать теоретические положения конкретными примерами, применять их в новой ситуации; высказывать свою точку зрения.
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота раскрытия темы;
– правильность формулировки и использования понятий и категорий;
– правильность выполнения заданий/ решения задач;
– аккуратность оформления работы и др.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
(обязательно для дисциплин, где по УП предусмотрена контрольная работа)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Примерные критерии оценивания:
– правильность выполнения задания на практическую/лабораторную работу в соответствии с вариантом;
– степень усвоения теоретического материала по теме практической /лабораторной работы;
– способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач, отличных от варианта задания;
– качество подготовки отчета по практической / лабораторной работе;
– правильность и полнота ответов на вопросы преподавателя при защите работы
и др.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания практических занятий (лабораторных работ):
для учета в рейтинге (оценка)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
В качестве критериев могут быть выбраны, например:
– соответствие срока сдачи работы установленному преподавателем;
– соответствие содержания и оформления работы предъявленным требованиям;
– способность выполнять вычисления;
– умение использовать полученные ранее знания и навыки для решения конкретных задач;
– умение отвечать на вопросы, делать выводы, пользоваться профессиональной и общей лексикой;
– обоснованность решения и соответствие методике (алгоритму) расчетов;
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
расчетно-графической работы, работы на тренажере
для учета в рейтинге (оценка)
«отлично»
«хорошо»
«удовлетво-рительно»
«неудовлетворительно»
Материалы тестовых заданий следует сгруппировать по темам/разделам изучаемой дисциплины (модуля) в следующем виде:
Тема (темы) / Раздел дисциплины (модуля)
Тестовые задания по данной теме (темам)/Разделу с указанием правильных ответов.
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- отношение правильно выполненных заданий к общему их количеству
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
для учета в рейтинге (оценка)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
Задачи реконструктивного уровня
Задачи творческого уровня
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота знаний теоретического контролируемого материала;
– полнота знаний практического контролируемого материала, демонстрация умений и навыков решения типовых задач, выполнения типовых заданий/упражнений/казусов;
– умение самостоятельно решать проблему/задачу на основе изученных методов, приемов, технологий;
– умение ясно, четко, логично и грамотно излагать собственные размышления, делать умозаключения и выводы;
– полнота и правильность выполнения задания.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– полнота раскрытия темы;
– степень владения понятийно-терминологическим аппаратом дисциплины;
– знание фактического материала, отсутствие фактических ошибок;
– умение логически выстроить материал ответа;
– умение аргументировать предложенные подходы и решения, сделанные выводы;
– степень самостоятельности, грамотности, оригинальности в представлении материала (стилистические обороты, манера изложения, словарный запас, отсутствие или наличие грамматических ошибок);
– выполнение требований к оформлению работы.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся).
(рефератов, докладов, сообщений)
для учета в рейтинге (оценка)
Показано умелое использование категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ четко структурирован и выстроен в заданной логике. Части ответа логически взаимосвязаны. Отражена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа укладывается в заданные рамки при сохранении смысла.
Продемонстрировано умение аргументировано излагать собственную точку зрения. Видно уверенное владение освоенным материалом, изложение сопровождено адекватными иллюстрациями (примерами) из практики.
Высокая степень самостоятельности, оригинальность в представлении материала: стилистические обороты, манера изложения, словарный запас. Отсутствуют стилистические и орфографические ошибки в тексте.
Работа выполнена аккуратно, без помарок и исправлений.
Продемонстрировано владение понятийно-терминологическим аппаратом дисциплины (уместность употребления, аббревиатуры, толкование и т.д.), отсутствуют ошибки в употреблении терминов.
Показано умелое использование категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ в достаточной степени структурирован и выстроен в заданной логике без нарушений общего смысла. Части ответа логически взаимосвязаны. Отражена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа незначительно превышает заданные рамки при сохранении смысла.
Продемонстрировано умение аргументированно излагать собственную точку зрения, но аргументация не всегда убедительна. Изложение лишь отчасти сопровождено адекватными иллюстрациями (примерами) из практики.
Достаточная степень самостоятельности, оригинальность в представлении материала. Встречаются мелкие и не искажающие смысла ошибки в стилистике, стилистические штампы. Есть 1–2 орфографические ошибки.
Работа выполнена аккуратно, без помарок и исправлений.
Продемонстрировано достаточное владение понятийно-терминологическим аппаратом дисциплины, есть ошибки в употреблении и трактовке терминов, расшифровке аббревиатур.
Ошибки в использовании категорий и терминов дисциплины в их ассоциативной взаимосвязи.
Ответ плохо структурирован, нарушена заданная логика. Части ответа логически разорваны, нет связок между ними. Ошибки в представлении логической структуры проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа в существенной степени (на 25–30%) отклоняется от заданных рамок.
Нет собственной точки зрения либо она слабо аргументирована. Примеры, приведенные в ответе в качестве практических иллюстраций, в малой степени соответствуют изложенным теоретическим аспектам.
Текст работы примерно наполовину представляет собой стандартные обороты и фразы из учебника/лекций. Обилие ошибок в стилистике, много стилистических штампов. Есть 3–5 орфографических ошибок.
Работа выполнена не очень аккуратно, встречаются помарки и исправления.
Продемонстрировано крайне слабое владение понятийно-терминологическим аппаратом дисциплины (неуместность употребления, неверные аббревиатуры, искаженное толкование и т.д.), присутствуют многочисленные ошибки в употреблении терминов.
Продемонстрировано крайне низкое (отрывочное) знание фактического материала, много фактических ошибок – практически все факты (данные) либо искажены, либо неверны.
Ответ представляет собой сплошной текст без структурирования, нарушена заданная логика. Части ответа не взаимосвязаны логически. Нарушена логическая структура проблемы (задания): постановка проблемы – аргументация – выводы. Объем ответа более чем в 2 раза меньше или превышает заданный. Показаны неверные ассоциативные взаимосвязи категорий и терминов дисциплины.
Отсутствует аргументация изложенной точки зрения, нет собственной позиции. Отсутствуют примеры из практики либо они неадекватны.
Текст ответа представляет полную кальку текста учебника/лекций. Стилистические ошибки приводят к существенному искажению смысла. Большое число орфографических
Работа выполнена неаккуратно, с обилием помарок и исправлений. В работе один абзац и больше позаимствован из какого-либо источника без ссылки на него.
для учета в рейтинге (оценка)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- соответствие решения сформулированным в кейсе вопросам (адекватность проблеме и рынку);
- оригинальность подхода (новаторство, креативность);
- применимость решения на практике;
- глубина проработки проблемы (обоснованность решения, наличие альтернативных вариантов, прогнозирование возможных проблем, комплексность решения).
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
Концепция игры
Роли:
Задания (вопросы, проблемные ситуации и др.)
Ожидаемый (е) результат(ы)
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
качество усвоения информации;
выступление;
содержание вопроса;
качество ответов на вопросы;
значимость дополнений, возражений, предложений;
уровень делового сотрудничества;
соблюдение правил деловой игры;
соблюдение регламента;
активность;
правильное применение профессиональной лексики.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
для учета в рейтинге (оценка)
для учета в рейтинге (оценка)
Индивидуальные творческие задания (проекты):
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
- актуальность темы;
- соответствие содержания работы выбранной тематике;
- соответствие содержания и оформления работы установленным требованиям;
- обоснованность результатов и выводов, оригинальность идеи;
- новизна полученных данных;
- личный вклад обучающихся;
- возможности практического использования полученных данных.
Шкала оценивания (устанавливается разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерная шкала оценивания:
п/п