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
Семестр 4
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;;
ИД ОПК-1 Полное понимание теоретических основ, успешное применение моделей к профессиональным задачам, высокий уровень интерпретации результатов
ИД ОПК-7 Уверенное использование современных информационных технологий, глубокое понимание алгоритмов, эффективная работа с программными инструментами
ИД ПЦК-1 Успешное применение цифровых технологий для анализа и прогнозирования, возможность масштабирования решения, наличие практических рекомендаций
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;
ИД ОПК-1 Полное понимание теоретических основ, успешное применение моделей к профессиональным задачам, высокий уровень интерпретации результатов
ИД ОПК-7 Уверенное использование современных информационных технологий, глубокое понимание алгоритмов, эффективная работа с программными инструментами
ИД ПЦК-1 Успешное применение цифровых технологий для анализа и прогнозирования, возможность масштабирования решения, наличие практических рекомендаций
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;
ИД ОПК-1 Полное понимание теоретических основ, успешное применение моделей к профессиональным задачам, высокий уровень интерпретации результатов
ИД ОПК-7 Уверенное использование современных информационных технологий, глубокое понимание алгоритмов, эффективная работа с программными инструментами
ИД ПЦК-1 Успешное применение цифровых технологий для анализа и прогнозирования, возможность масштабирования решения, наличие практических рекомендаций
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.
2. Оценочные материалы является составной частью нормативно-методического обеспечения системы оценки качества освоения обучающимися указанной дисциплины (модуля).
3. При помощи оценочных материалов осуществляется контроль и управление процессом формирования обучающимися компетенций, из числа предусмотренных ФГОС ВО в качестве результатов освоения дисциплины (модуля).
- оценочные средства, применяемые при промежуточной аттестации по итогам изучения дисциплины (модуля).
- оценочные средства, применяемые в рамках индивидуализации выполнения, контроля фиксированных видов ВАРО;
- оценочные средства, применяемые для текущего контроля;
5. Разработчиками оценочных материалов по дисциплине (модулю) являются преподаватели кафедры, обеспечивающей изучение обучающимися дисциплины (модуля), в Академии. Содержательной основой для разработки оценочных материалов является Рабочая программа дисциплины (модуля).
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
Машинное обучение
2) охватывает все разделы дисциплины
Блок 1: (Знать)
1. Что такое машинное обучение?
A) Способ автоматизации офисных задач
B) Область ИИ, позволяющая системам учиться на данных
C) Язык программирования
D) Система управления базами данных
✅ Ответ: B
2. Какие данные используются в надзорном обучении?
A) Без меток
B) С известными метками
C) Только числовые
D) Только текстовые
✅ Ответ: B
3. В каких задачах применяется логистическая регрессия?
A) Регрессии
B) Кластеризации
C) Классификации
✅ Ответ: C
4. Что означает термин "признак" в машинном обучении?
A) Результат модели
B) Входная переменная
C) Метрика качества
D) Алгоритм обучения
✅ Ответ: B
5. Что такое обучающая выборка?
A) Данные для проверки модели
B) Данные для настройки гиперпараметров
C) Данные для обучения модели
D) Случайно выбранные данные
✅ Ответ: C
6. Какой алгоритм используется для кластеризации?
A) KNN
B) K-means
C) Linear Regression
D) Decision Tree
✅ Ответ: B
7. Что такое энтропия в контексте деревьев решений?
A) Мера точности
B) Мера беспорядка
C) Тип регуляризации
D) Метрика расстояния
✅ Ответ: B
8. Что такое Precision?
A) Отношение верно предсказанных положительных к общему числу реальных положительных
B) Отношение верно предсказанных положительных к общему числу предсказанных положительных
C) Среднее между R² и MSE
D) Метрика для регрессии
✅ Ответ: B
9. Что такое recall (полнота)?
A) Показывает, сколько из найденных объектов правильны
B) Показывает, сколько из всех существующих объектов найдены
C) Произведение precision и recall
D) Невозможно определить
✅ Ответ: B
10. Что такое F1-score?
A) Среднее арифметическое precision и recall
B) Среднее геометрическое precision и recall
C) Сумма precision и recall
D) Разность precision и recall
✅ Ответ: B
11. Что такое функция потерь?
A) Формула для разделения данных
B) Функция, минимизация которой позволяет обучать модель
C) Формула для оценки точности
D) Тип регуляризации
✅ Ответ: B
12. Что такое переобучение модели?
A) Модель не обучена
B) Модель хорошо работает на тестовой выборке
C) Модель слишком сложная и запоминает обучающие данные
D) Модель имеет низкую сложность
✅ Ответ: C
13. Какой метод используется для оценки качества классификации?
A) MAE
B) MSE
C) Accuracy
D) R²
✅ Ответ: C
14. Какой из перечисленных методов является ансамблевым?
A) Линейная регрессия
B) Логистическая регрессия
C) Случайный лес
D) KNN
✅ Ответ: C
A) Параллельное обучение множества моделей
B) Последовательное обучение моделей с коррекцией ошибок
C) Метод нормализации данных
D) Метод уменьшения размерности
✅ Ответ: B
16. Что такое batch size в нейронных сетях?
A) Размер всей обучающей выборки
B) Число образцов, обрабатываемых за одну итерацию
C) Число скрытых слоев
D) Размер весов сети
✅ Ответ: B
17. Что такое L1-регуляризация?
A) Штрафует большие коэффициенты пропорционально их квадрату
B) Штрафует количество признаков
C) Штрафует абсолютные значения коэффициентов
D) Не влияет на модель
✅ Ответ: C
18. Что такое dropout в нейронных сетях?
A) Удаление лишних признаков
B) Отключение случайных нейронов во время обучения
C) Упрощение модели
D) Оптимизатор
✅ Ответ: B
19. Что такое cross-validation?
A) Оценка модели на тестовой выборке
B) Разбиение данных на части для многократной оценки
C) Предобработка данных
D) Выбор признаков
✅ Ответ: B
20. Что такое Elastic Net?
A) Комбинация Ridge и Lasso
B) Только L1-регуляризация
C) Только L2-регуляризация
D) Без регуляризации
✅ Ответ: A
Блок 2: (Знать, уметь)
21. Какой метод лучше использовать для классификации несбалансированных данных?
A) Accuracy
B) F1-score
C) MSE
D) R²
✅ Ответ: B
22. Какая метрика лучше подходит для задачи регрессии?
A) Accuracy
B) Precision
C) MSE
D) F1-score
✅ Ответ: C
23. Какой метод используется для увеличения количества данных в задачах с несбалансированными классами?
A) Normalization
B) SMOTE
C) PCA
D) Cross-validation
✅ Ответ: B
24. Какой из следующих методов чувствителен к масштабу признаков?
A) Дерево решений
B) KNN
C) Naive Bayes
D) Random Forest
✅ Ответ: B
25. Какой алгоритм может быть использован как для регрессии, так и для классификации?
A) KNN
B) Linear Regression
C) Logistic Regression
D) PCA
✅ Ответ: A
26. Что такое Label Encoding?
B) Преобразование категориальных признаков в числа
C) Нормализация данных
D) Удаление пропущенных значений
✅ Ответ: B
27. Что такое MinMaxScaler?
A) Преобразование данных к среднему и дисперсии
B) Нормализация от 0 до 1
C) Кодирование категориальных признаков
D) Метод разделения выборки
✅ Ответ: B
28. Что такое feature engineering?
A) Создание новых признаков из имеющихся данных
B) Удаление признаков
C) Подбор гиперпараметров
D) Оценка качества модели
✅ Ответ: A
29. Что такое overfitting?
A) Модель плохо работает на тренировочных данных
B) Модель хорошо работает на тестовых данных
C) Модель слишком простая
D) Модель слишком сложная
✅ Ответ: D
30. Какой метод используется для нормализации данных?
A) LabelEncoder
B) OneHotEncoder
C) MinMaxScaler
D) PCA
✅ Ответ: C
31. Какой метод используется для кодирования категориальных признаков?
A) MinMaxScaler
B) StandardScaler
C) One-Hot Encoding
D) PCA
✅ Ответ: C
32. Что означает высокий показатель precision и низкий recall?
A) Модель редко ошибается, но пропускает много случаев
B) Модель часто ошибается, но находит много случаев
C) Модель идеальная
D) Модель не обучена
✅ Ответ: A
33. Какой алгоритм наиболее чувствителен к выбросам?
A) Деревья решений
B) KNN
C) Линейная регрессия
D) Random Forest
✅ Ответ: C
34. Какой из следующих методов относится к глубокому обучению?
A) Random Forest
B) CNN
C) SVM
D) KNN
✅ Ответ: B
35. Что такое batch normalization?
A) Нормализация данных перед обучением
B) Нормализация внутри сети во время обучения
C) Удаление лишних данных
D) Упрощение модели
✅ Ответ: B
36. Какой алгоритм можно использовать для задачи многоклассовой классификации?
A) Linear Regression
B) Logistic Regression
C) Decision Tree
D) PCA
✅ Ответ: C
37. Что такое GridSearchCV?
A) Нормализация данных
B) Поиск лучших гиперпараметров
D) Визуализация
✅ Ответ: B
38. Какой из методов используется для визуализации результатов классификации?
A) Гистограмма
B) Boxplot
C) Confusion matrix
D) Scatter plot
✅ Ответ: C
39. Какой метод используется для автоматического выбора признаков?
A) PCA
B) Feature importance
C) One-Hot Encoding
D) Label Encoding
✅ Ответ: B
40. Что такое функция активации нейронной сети?
A) Упрощает модель
B) Определяет выход нейрона
C) Ускоряет обучение
D) Нормализует входные данные
✅ Ответ: B
Блок 3: ( Знать, уметь, владеть)
41. Какие этапы включает полный цикл разработки модели машинного обучения?
✅ Ответ: сбор данных → предобработка → разделение выборки → обучение → оценка → интерпретация
42. Как выбрать лучшую модель среди нескольких вариантов?
✅ Ответ: сравнить метрики, провести кросс-валидацию, оценить производительность на тестовой выборке
43. Какие библиотеки Python вы знаете для машинного обучения?
✅ Ответ: Scikit-learn, TensorFlow, Keras, PyTorch, XGBoost
44. Как реализовать модель случайного леса в Python?
✅ Пример ответа:
45. Какие шаги включает предобработка данных?
✅ Ответ: очистка → нормализация → кодирование → разделение на выборки
46. Какие метрики вы знаете для задач регрессии?
✅ Ответ: MAE, MSE, RMSE, R²
47. Какие метрики вы знаете для задач классификации?
✅ Ответ: Accuracy, Precision, Recall, F1-score, ROC-AUC
48. Какие методы регуляризации вы знаете?
✅ Ответ: L1, L2, Dropout, BatchNorm
49. Какие современные подходы к машинному обучению вы знаете?
✅ Ответ: AutoML, Federated Learning, GAN, Reinforcement Learning
50. Кейс-задание: Прогнозирование урожайности культур
Разработать модель прогнозирования урожайности культур на основе погодных условий, состава почвы и применения удобрений.
Задачи:
1. Выполнить предобработку данных (очистка, нормализация, кодирование).
2. Реализовать несколько моделей (например, линейная регрессия, дерево решений, случайный лес).
3. Оценить качество моделей (MAE, MSE, R²).
4. Выбрать лучшую модель и интерпретировать результаты.
5. Предложить рекомендации по повышению урожайности.
✅ Оценивается:
1. Корректность выполнения этапов
2. Правильность выбора метрик и моделей
3. Интерпретация результатов
4. Применение знаний на практике
Решение:
1. Исходные данные
Допустим, предоставлены следующие данные:
2. Предобработка данных
2.1 Обработка пропусков
• Проверяем наличие пропущенных значений.
• Заполняем числовые признаки средними значениями (SimpleImputer).
• Для категориальных заменяем пропуски на unknown.
2.2 Нормализация числовых признаков
• Используем StandardScaler для нормализации данных.
2.3 Кодирование категориальных признаков
2.4 Разделение выборки
• Делим данные на обучающую и тестовую выборки в соотношении 80/20.
3. Реализация моделей машинного обучения
Модель 1: Линейная регрессия (python)
model_lr = Pipeline(steps=[('preprocessor', preprocessor), ('regressor', LinearRegression())])
model_lr.fit(X_train, y_train)
pred_lr = model_lr.predict(X_test)
Модель 2: Дерево решений (python)
model_dt = Pipeline(steps=[('preprocessor', preprocessor), ('regressor', DecisionTreeRegressor(random_state=42))])
model_dt.fit(X_train, y_train)
pred_dt = model_dt.predict(X_test)
Модель 3: Случайный лес (python)
model_rf = Pipeline(steps=[('preprocessor', preprocessor), ('regressor', RandomForestRegressor(n_estimators=100, random_state=42))])
model_rf.fit(X_train, y_train)
pred_rf = model_rf.predict(X_test)
4. Оценка качества моделей
Используем три метрики:
• MAE — средняя абсолютная ошибка
• MSE — среднеквадратичная ошибка
• R² — коэффициент детерминации
Пример результатов:
✅ Вывод: Случайный лес показал лучшие результаты по всем метрикам.
5. Интерпретация результатов
Анализ важности признаков
Получаем важность признаков из модели случайного леса (python):
import shap
explainer = shap.TreeExplainer(model_rf.named_steps["regressor"])
shap_values = explainer.shap_values(model_rf.named_steps["preprocessor"].transform(X))
shap.summary_plot(shap_values, model_rf.named_steps["preprocessor"].transform(X), feature_names=X.columns)
Наиболее важные факторы:
1. Азот (N) – оказывает наибольшее влияние на урожайность.
2. Осадки – второй по значимости климатический фактор.
3. Калий (K) – положительно влияет на рост растений.
4. Тип удобрений (органические > минеральные) .
5. Температура – влияет, но меньше, чем другие факторы.
6. Рекомендации по повышению урожайности
1. Удобрения :
• Рекомендуется использовать органические удобрения , так как они дают больший эффект.
• Увеличьте дозировку азота и калия согласно рекомендациям агронома.
2. Погода и полив :
• Важно обеспечить оптимальное количество осадков или использовать системы точного орошения .
• Избегать экстремальных температур путем подбора сортов или сроков посадки.
3. Почва :
• Проведите анализ почвы перед посадкой.
• Вносите недостающие элементы питания (особенно азот и калий).
4. Автоматизация и мониторинг :
• Внедрите систему IoT-сенсоров для отслеживания состояния почвы и погодных условий.
• Создайте цифровой инструмент для планирования применения удобрений.
7. Графики и визуализации
• График предсказанных vs реальных значений (python):
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
plt.scatter(y_test, pred_rf, alpha=0.7)
plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)], color='red')
plt.xlabel('Реальная урожайность')
plt.ylabel('Предсказанная урожайность')
plt.title('Random Forest: Реальные vs Предсказанные значения')
plt.grid()
plt.show()
SHAP-график важности признаков (python):
shap.summary_plot(shap_values, model_rf.named_steps["preprocessor"].transform(X), feature_names=X.columns)
• Добавление новых данных :
• Использование спутниковых данных (NDVI, индекс растительности).
• Интеграция с IoT-сенсорами на полях.
• Автоматизация и масштабирование :
• Разработка веб-приложения для фермеров.
• Автоматическая система рекомендаций по удобрениям и поливам.
• Применение нейронных сетей :
• Прогнозирование урожайности на основе временных рядов и изображений.
________________________________________
9. Отчет по выполнению этапов
Тема 1: Введение в машинное обучение
1. Что такое машинное обучение? Какие виды задач оно решает?
2. Чем отличаются надзорное и безнадзорное обучение? Приведите примеры.
3. Что такое обучающая, тестовая и валидационная выборки?
4. Какие этапы включает процесс решения задачи с помощью машинного обучения?
Тема 2: Предобработка данных
5. Какие типы данных используются в машинном обучении?
6. Что такое нормализация и стандартизация данных? Когда они применяются?
7. Как обрабатываются пропущенные значения и выбросы?
8. Как кодируются категориальные признаки (One-Hot Encoding, Label Encoding)?
Тема 3: Регрессия
9. Что такое линейная регрессия? Как она строится?
10. Как интерпретировать коэффициенты линейной регрессии?
11. Что такое переобучение и недообучение модели?
12. Какие метрики используются для оценки качества регрессионных моделей?
Тема 4: Классификация
13. Что такое логистическая регрессия? Как она работает?
14. Что такое матрица ошибок (confusion matrix) и какие метрики из нее рассчитываются?
15. Что такое ROC-кривая и AUC-метрика?
16. Какие алгоритмы классификации вы знаете? Охарактеризуйте их.
Тема 5: Кластеризация
17. Что такое кластеризация? Чем она отличается от классификации?
18. Как работает алгоритм K-means? Как выбрать оптимальное число кластеров?
19. Что такое DBSCAN? В каких случаях он предпочтительнее K-means?
20. Как оценить качество кластеризации?
Тема 6: Деревья решений и ансамблевые методы
21. Что такое дерево решений? Как оно строится и как интерпретируется?
22. Что такое случайный лес? Как он устроен и почему эффективен?
23. Что такое бустинг? В чем различие между AdaBoost и Gradient Boosting?
24. Как оценивается важность признаков в деревьях и ансамблях?
Тема 7: Нейронные сети
25. Что такое искусственный нейрон и нейронная сеть?
26. Как работает функция активации? Какие виды функций активации существуют?
27. Что такое обратное распространение ошибки (backpropagation)?
28. Какие современные архитектуры нейронных сетей вы знаете и где они применяются?
Тема 8: Оценка качества моделей
29. Что такое кросс-валидация? Какие виды кросс-валидации существуют?
30. Какие метрики используются для оценки качества моделей в задачах регрессии и классификации?
31. Что такое precision, recall, F1-score? В каких задачах они особенно важны?
Тема 9: Практическое применение в аграрной сфере
32. Как машинное обучение используется для прогнозирования урожайности культур?
33. Какие данные могут использоваться для анализа состояния почвы с помощью ML?
34. Как ML помогает в управлении водными ресурсами в сельском хозяйстве?
35. Какие современные технологии (IoT, Big Data, AI) интегрируются с машинным обучением в аграрной сфере?
Комплект заданий для практических работ
Практическая работа №1: Предобработка данных
Цель : Научиться выполнять предварительную обработку данных перед применением методов машинного обучения.
Задание:
1. Загрузите набор данных (например, данные о составе почвы и урожайности).
2. Проверьте наличие пропущенных значений и обработайте их.
3. Нормализуйте числовые признаки (MinMaxScaler или StandardScaler).
5. Разделите данные на обучающую и тестовую выборки (80/20).
Оформление отчета:
• Описание исходных данных.
• Результаты предобработки (таблицы, графики).
• Выводы по этапам обработки.
Практическая работа №2: Линейная регрессия
Цель : Построить модель линейной регрессии для прогнозирования урожайности.
Задание:
1. Используйте данные из первой работы.
2. Реализуйте модель линейной регрессии с использованием Scikit-learn.
3. Оцените качество модели: R², MAE, MSE.
4. Проанализируйте коэффициенты модели и определите наиболее важные факторы.
Оформление отчета:
• График реальных и предсказанных значений.
• Таблица метрик качества.
• Интерпретация коэффициентов.
Практическая работа №3: Логистическая регрессия
Цель : Реализовать модель логистической регрессии для классификации типов культур.
Задание:
1. Подготовьте данные о характеристиках различных культур (тип, влажность, температура и т.д.).
2. Обучите модель логистической регрессии.
3. Постройте матрицу ошибок и рассчитайте accuracy, precision, recall, F1-score.
4. Сравните результаты с базовой моделью (DummyClassifier).
Оформление отчета:
• Матрица путаницы.
• Таблица метрик качества.
• Выводы о применимости модели.
Практическая работа №4: Кластеризация
Цель : Применить алгоритмы кластеризации для группировки участков земли.
Задание:
1. Используйте данные о составе почвы разных участков.
2. Примените K-means и DBSCAN для кластеризации.
3. Определите оптимальное число кластеров методом локтя.
4. Оцените качество кластеризации (Silhouette Score).
5. Визуализируйте результаты.
Оформление отчета:
• Графики кластеров.
• Анализ качества кластеризации.
• Выводы о различиях между алгоритмами.
Практическая работа №5: Деревья решений и случайный лес
Цель : Построить дерево решений и случайный лес для прогнозирования урожайности.
Задание:
1. Выберите данные о погодных условиях, удобрениях и урожайности.
2. Постройте дерево решений и случайный лес.
3. Оцените качество моделей (R², MAE, MSE).
4. Проведите анализ важности признаков.
5. Сравните производительность двух моделей.
Оформление отчета:
• Графическое представление дерева решений.
• Диаграмма важности признаков.
• Сравнение метрик качества моделей.
Практическая работа №6: Нейронные сети
Цель :Создать простую нейронную сеть для задачи регрессии или классификации.
Задание:
1. Подготовьте данные для задачи (например, прогнозирование урожайности).
2. Создайте нейронную сеть с помощью библиотеки TensorFlow/Keras или PyTorch.
3. Обучите модель и оцените её качество.
4. Примените dropout и другие методы регуляризации для снижения переобучения.
Оформление отчета:
• Архитектура сети.
• График потерь и метрик во время обучения.
• Выводы о влиянии регуляризации.
Практическая работа №7: Комплексный проект
Цель : Обобщить знания и навыки по всем темам курса, реализовав полноценный проект.
Задание:
1. Выберите задачу из аграрной практики:
• Прогнозирование урожайности.
• Классификация болезней растений.
2. Соберите или загрузите подходящий набор данных.
3. Выполните полный цикл: предобработка → выбор модели → обучение → оценка.
4. Сравните несколько моделей и выберите лучшую.
5. Сделайте выводы и оформите презентацию результатов.
Оформление отчета:
• Полный отчет с описанием всех этапов.
• Презентация (5–7 слайдов) с ключевыми результатами.
• Возможна защита проекта перед преподавателем.
________________________________________
Форма выполнения:
1. Все работы выполняются индивидуально.
2. Отчеты оформляются в формате Word или Jupyter Notebook.
3. Защита комплексного проекта может проводиться в устной форме или через демонстрацию кода и результатов.
Перечень контрольных вопросов для проведения устных опросов
Тема 1: Введение в машинное обучение
1. Какие основные этапы включает процесс разработки модели машинного обучения?
2. В чем отличие между параметрическими и непараметрическими методами машинного обучения?
3. Что такое функция потерь? Почему она важна при обучении моделей?
4. Объясните принцип градиентного спуска.
5. Что такое регуляризация? Чем отличаются L1- и L2-регуляризация?
Тема 2: Регрессия
6. Какую роль играет мультиколлинеарность в линейной регрессии?
7. Что такое Ridge-регрессия и Lasso-регрессия? Когда лучше использовать каждый из этих методов?
8. Как интерпретировать коэффициенты в полиномиальной регрессии?
9. Какая метрика качества лучше подходит для задач с несимметричными ошибками?
10. Что такое эластичная сетка (Elastic Net)? Как она объединяет Ridge и Lasso?
Тема 3: Классификация
11. Что такое вероятностная интерпретация в логистической регрессии?
12. Как строится ROC-кривая и что означает площадь под кривой (AUC)?
13. Что такое балансировка классов? Какие методы используются для решения проблемы несбалансированных данных?
14. Как выбрать пороговое значение в задачах классификации?
15. Что такое ансамблевые методы классификации? Приведите пример их применения.
Тема 4: Кластеризация
16. Что такое иерархическая кластеризация? Как она отличается от K-means?
17. Как интерпретировать дендрограмму в иерархической кластеризации?
18. Что такое DBSCAN? В каких случаях этот алгоритм предпочтительнее других?
19. Как оценить качество кластеризации, если истинные метки данных неизвестны?
20. Можно ли использовать кластеризацию для предварительной подготовки данных перед классификацией?
Тема 5: Деревья решений и случайные леса
21. Что такое энтропия и Gini-индекс? Как они используются при построении деревьев решений?
22. Как бороться с переобучением в деревьях решений?
23. Что такое bagging и boosting? Как эти методы применяются в ансамблевых алгоритмах?
24. Как работает алгоритм Gradient Boosting? Чем он отличается от случайного леса?
25. Как интерпретировать важность признаков в случайном лесе?
Тема 6: Нейронные сети
26. Что такое слой в нейронной сети? Какие типы слоев существуют?
27. Как выбирается количество скрытых слоев и нейронов в нейронной сети?
28. Что такое dropout? Как этот метод помогает избежать переобучения?
29. Как работает механизмы batch normalization?
30. Что такое сверточные нейронные сети (CNN)? Приведите пример их применения.
Тема 7: Современные тренды и инновации
31. Что такое генеративно-состязательные сети (GAN)? Как они могут быть использованы в аграрной сфере?
32. Как искусственный интеллект может помочь в разработке новых сортов культур?
33. Что такое Federated Learning? Как эта технология может быть применена в сельском хозяйстве?
34. Какие вызовы возникают при внедрении машинного обучения в сельское хозяйство?
35. Что такое AutoML? Как автоматизированное машинное обучение может упростить работу агрономов?
Тема 8: Практические аспекты
36. Как машинное обучение может быть использовано для мониторинга состояния растений с помощью IoT-датчиков?
37. Какие данные можно собирать с помощью спутниковых снимков для анализа состояния посевов?
38. Как машинное обучение помогает в управлении водными ресурсами в сельском хозяйстве?
39. Какие современные платформы доступны для работы с большими данными в аграрной сфере?
40. Какие перспективы развития цифрового земледелия на основе ИИ и машинного обучения?
Форма проведения устных опросов:
• Индивидуальный или групповой опрос.
• Ответы по билетам или свободный ответ на заданные вопросы.
• Возможна демонстрация практического понимания (например, пример реализации или анализ задачи).
4. Перечень вопросов для самостоятельного изучения
Тема 1: Основы машинного обучения
1. Какие основные этапы включает процесс разработки модели машинного обучения?
2. Что такое байесовский подход в машинном обучении? Чем он отличается от частотного?
3. Какие существуют методы оценки сложности модели (например, VC-размерность)?
4. Что такое ансамблевые методы? Приведите примеры их использования в реальных задачах.
5. Какие современные библиотеки машинного обучения доступны для Python? Чем они различаются?
Тема 2: Регрессия
6. Какую роль играет гребневая регрессия (Ridge) в предотвращении переобучения?
7. Что такое Lasso-регрессия? Как она помогает в отборе признаков?
8. Какие ограничения есть у линейной регрессии? Как их можно преодолеть?
9. Что такое эластичная сетка (Elastic Net)? В каких случаях этот метод предпочтителен?
10. Как интерпретировать результаты полиномиальной регрессии?
Тема 3: Классификация
11. Что такое наивный байесовский классификатор? В каких задачах он эффективен?
12. Как работает метод опорных векторов (SVM)? Как выбрать ядро?
13. Что такое многоклассовая классификация? Какие методы используются для ее реализации?
14. Какие метрики качества особенно важны для задач с несбалансированными классами?
15. Что такое ROC-кривая? Как интерпретировать площадь под этой кривой (AUC)?
Тема 4: Кластеризация
16. Что такое иерархическая кластеризация? Как строится дендрограмма?
17. Как работает алгоритм DBSCAN? В каких случаях он предпочтителен перед K-means?
18. Что такое агglomerative clustering? Как он отличается от divisive clustering?
19. Как оценить качество кластеризации без истинных меток?
20. Можно ли использовать кластеризацию для предварительной подготовки данных перед классификацией?
Тема 5: Деревья решений и случайные леса
21. Что такое CART (Classification and Regression Trees)? Как он используется для построения деревьев?
22. Как работает механизм bagging в случайном лесе?
23. Что такое boosting? Какие популярные алгоритмы основаны на этом принципе?
24. Как интерпретировать важность признаков в случайном лесе?
25. Что такое XGBoost? Чем он улучшает производительность моделей?
Тема 6: Нейронные сети
26. Что такое перцептрон? Как он стал основой для развития нейронных сетей?
27. Как работает обратное распространение ошибки (backpropagation)?
28. Что такое сверточные нейронные сети (CNN)? Пример применения для анализа спутниковых снимков.
29. Что такое рекуррентные нейронные сети (RNN)? Пример использования в прогнозировании временных рядов.
30. Что такое Autoencoders? Как они могут быть использованы в аграрной сфере?
Тема 7: Современные тренды и инновации
31. Что такое генеративно-состязательные сети (GAN)? Пример применения в сельском хозяйстве.
32. Как ИИ может помочь в разработке новых сортов культур?
33. Что такое Federated Learning? Как его можно применить в фермерских хозяйствах?
34. Какие вызовы возникают при внедрении ML в сельское хозяйство?
35. Что такое AutoML? Как автоматизированное обучение может облегчить работу агрономов?
Тема 8: Практические применения
36. Как машинное обучение может быть использовано для мониторинга состояния растений с помощью IoT?
37. Какие данные можно собирать с помощью спутниковых снимков для анализа посевов?
38. Как ML помогает в управлении водными ресурсами?
39. Какие современные платформы доступны для работы с большими данными в аграрной сфере?
40. Какие перспективы развития цифрового земледелия на основе ИИ и ML?
________________________________________
Форма выполнения:
• Самостоятельный анализ материалов : научные статьи, учебники, документация библиотек (например, Scikit-learn, TensorFlow), онлайн-курсы.
• Отчет/реферат (на выбор):
• Объем: 5–10 страниц текста.
• Структура: введение, теоретический анализ, примеры, выводы.
• Презентация (опционально):
• 5–7 слайдов с кратким изложением проблемы и решения.
6. Кейс-задания
Кейс 1: Прогнозирование урожайности культуры
Ситуация
Цель
Построить модель машинного обучения для прогнозирования урожайности (в центнерах с гектара) на основе исторических данных.
Данные
• Температура воздуха (°C)
• Осадки (мм)
• Содержание азота, фосфора и калия в почве
• Тип удобрений
• Урожайность (ц/га)
Задачи
1. Выполнить предобработку данных:
• Обработать пропуски.
• Нормализовать числовые признаки.
• Закодировать категориальные переменные.
2. Разделить данные на обучающую и тестовую выборки.
3. Реализовать модели:
• Линейная регрессия
• Дерево решений
• Случайный лес
4. Оценить качество моделей по метрикам: R², MAE, MSE.
5. Выбрать лучшую модель и интерпретировать важность признаков.
6. Сформулировать рекомендации по повышению урожайности.
Ожидаемый результат
• Готовая модель прогнозирования урожайности.
• Отчет с анализом влияния факторов на урожайность.
• Рекомендации по оптимизации агротехнических мероприятий.
________________________________________
Кейс 2: Классификация типов почв
Ситуация
Агрономическая лаборатория получает образцы почвы из разных участков региона. Необходимо автоматизировать процесс классификации типов почв для последующего подбора культур и системы удобрений.
Цель
Разработать модель машинного обучения, которая будет классифицировать тип почвы (например, песчаная, глинистая, суглинистая) на основе химического состава и характеристик.
Данные
• pH почвы
• Содержание органического вещества (%)
• Содержание азота, фосфора, калия
• Влажность (%)
• Тип почвы (метка класса)
Задачи
1. Подготовить данные:
• Проверить на выбросы и нормализовать значения.
• Преобразовать целевую переменную в числовой формат.
2. Разделить данные на обучающую и тестовую выборки.
3. Обучить следующие модели:
• Логистическая регрессия
• KNN
• Случайный лес
4. Оценить качество моделей:
• Accuracy, precision, recall, F1-score
• Матрица ошибок
5. Выбрать наиболее точную модель.
6. Проанализировать, какие факторы наиболее важны для классификации.
Ожидаемый результат
• Готовая модель классификации типов почв.
• Анализ ошибок и матрица путаницы.
• Рекомендации по применению модели в практике агрономии.
________________________________________
Кейс 3: Анализ состояния растений с помощью IoT-сенсоров
Ситуация
На крупном сельскохозяйственном предприятии установлены IoT-датчики, собирающие данные о состоянии растений (влажность, температура, уровень света). Необходимо выявлять ранние признаки стресса у растений и болезней.
Цель
Разработать модель машинного обучения, которая будет классифицировать состояние растений как "здоровое", "стрессовое" или "поражено болезнью".
• Влажность (%)
• Температура (°C)
• Уровень освещенности (люкс)
• Уровень CO₂ (ppm)
• Состояние растения (класс: здоровое / стрессовое / больное)
Задачи
1. Подготовить данные:
• Обработать пропуски и нормализовать значения.
• Кодировать категориальные признаки, если они есть.
2. Разделить данные на обучающую и тестовую выборки.
3. Обучить несколько моделей:
• SVM
• Случайный лес
• KNN
4. Оценить качество:
• Precision, recall, F1-score
• Confusion matrix
5. Выбрать модель с наилучшими показателями.
6. Предложить способ внедрения модели в систему мониторинга.
Ожидаемый результат
• Модель, способная распознавать ранние признаки стресса у растений.
• Анализ точности модели и области её применимости.
• Рекомендации по интеграции модели в автоматизированную систему.
________________________________________
Кейс 4: Оптимизация полива с использованием кластеризации
Ситуация
Фермер хочет оптимизировать систему полива, разделив поля на группы по потребностям в воде, чтобы снизить расход ресурсов и повысить устойчивость урожая.
Цель
Применить методы кластеризации для группировки участков земли по уровню влажности, составу почвы и другим факторам.
Данные
• Влажность почвы (%)
• Температура поверхности (°C)
• Содержание питательных веществ
• Площадь участка
• Тип культуры
Задачи
1. Подготовить данные:
• Обработать пропуски.
• Нормализовать числовые признаки.
2. Применить алгоритмы:
• K-means
• DBSCAN
3. Определить оптимальное количество кластеров (Elbow Method, Silhouette Score).
4. Визуализировать результаты кластеризации.
5. Проанализировать характеристики каждого кластера.
6. Сформулировать рекомендации по оптимизации полива.
Ожидаемый результат
• Группировка участков по потребности в воде.
• Визуализация кластеров.
• Рекомендации по настройке системы полива.
Форма выполнения кейсов
• Групповая работа : студенты объединяются в команды по 2–3 человека.
• Отчет : оформляется в формате Word/PDF с описанием задачи, этапов выполнения, кода, графиков и выводов.
• Презентация : 5–7 слайдов с ключевыми результатами и рекомендациями.
• Защита : возможно проведение презентаций перед преподавателем или экспертами.
1. История развития машинного обучения: от первых алгоритмов до современных технологий
2. Рассмотреть ключевые этапы развития, основные достижения и их влияние на аграрную сферу.
3. Основные типы задач машинного обучения: сравнительный анализ надзорного и безнадзорного обучения
4. Проанализировать особенности каждого типа задач и привести примеры их использования в агрономии.
5. Этика использования машинного обучения в сельском хозяйстве
6. Исследовать вопросы защиты данных, ответственности за решения, принимаемые алгоритмами, и социальные последствия внедрения ИИ.
8. Обсудить роль больших данных в улучшении прогнозирования урожайности, мониторинга состояния почвы и других процессов.
2. Применение регрессии
9. Прогнозирование урожайности с использованием линейной регрессии: анализ факторов влияния
10. Изучить зависимость урожайности от различных факторов (погода, состав почвы, удобрения) и построить модель.
11. Сравнение методов регрессии для анализа аграрных данных
12. Проанализировать эффективность разных методов регрессии (например, простую линейную, полиномиальную и гребневую регрессию).
13. Применение регрессионных моделей для оценки влияния климатических изменений на сельское хозяйство
14. Исследовать, как регрессионные модели могут быть использованы для прогнозирования долгосрочных тенденций.
3. Применение классификации
15. Классификация типов почв с помощью логистической регрессии
16. Разработать модель для классификации почв на основе их физико-химических свойств.
17. Использование алгоритмов классификации для определения болезней растений
18. Исследовать, как машинное обучение может помочь в раннем выявлении заболеваний культур.
19. Применение методов классификации для выбора оптимальных сортов культур
20. Проанализировать, как можно использовать данные о климате, почве и других факторах для рекомендации конкретных сортов.
4. Кластеризация
21. Кластеризация участков земли для оптимизации использования ресурсов
22. Исследовать, как кластеризация может помочь в разделении территорий на группы с похожими характеристиками.
23. Применение алгоритма K-means для анализа химического состава почвы
24. Провести исследование, чтобы выделить группы почв с одинаковыми свойствами.
25. Сравнение алгоритмов кластеризации (K-means, DBSCAN, иерархическая кластеризация) для аграрных данных
26. Проанализировать достоинства и недостатки разных методов кластеризации.
5. Деревья решений и случайные леса
27. Применение деревьев решений для прогнозирования урожайности
28. Разработать модель дерева решений для анализа множества факторов, влияющих на урожайность.
29. Сравнение деревьев решений и случайных лесов в задачах прогнозирования в сельском хозяйстве
30. Исследовать, какой метод более эффективен для решения конкретных аграрных задач.
31. Использование случайных лесов для анализа влияния удобрений на рост культур
32. Провести экспериментальное исследование с использованием реальных данных.
6. Нейронные сети
33. Применение нейронных сетей для прогнозирования погодных условий
34. Исследовать, как нейронные сети могут быть использованы для повышения точности прогнозов.
35. Сравнение нейронных сетей и традиционных методов машинного обучения в анализе аграрных данных
36. Проанализировать преимущества и недостатки нейронных сетей по сравнению с другими подходами.
37. Использование сверточных нейронных сетей (CNN) для анализа спутниковых изображений полей
38. Исследовать, как CNN могут быть применены для мониторинга состояния посевов.
39. Рекуррентные нейронные сети (RNN) для прогнозирования временных рядов в сельском хозяйстве
40. Изучить возможность использования RNN для прогнозирования цен на продукты, изменения погоды и т.д.
7. Современные тренды и инновации
41. Использование глубокого обучения (Deep Learning) для решения задач в аграрной сфере
42. Исследовать последние достижения в области глубокого обучения и их применение в сельском хозяйстве.
43. Цифровое земледелие: роль машинного обучения в повышении эффективности производства
44. Проанализировать, как технологии машинного обучения способствуют развитию точного земледелия.
45. Применение машинного обучения для автоматизации процессов в животноводстве
46. Исследовать возможности использования алгоритмов для мониторинга здоровья животных и оптимизации их питания.
47. Будущее машинного обучения в аграрной сфере: перспективы и вызовы
48. Обсудить потенциал новых технологий и возможные ограничения их внедрения.
49. Системы искусственного интеллекта для управления водными ресурсами в сельском хозяйстве
50. Исследовать, как ИИ может помочь в оптимизации расхода воды при орошении.
Оценка «хорошо» (71-85 баллов) ставится обучающемуся, обнаружившему полное знание учебно-программного материала, успешное выполнение заданий, предусмотренных программой в типовой ситуации (с ограничением времени), усвоение материалов основной литературы, рекомендованной в программе, способность к самостоятельному пополнению и обновлению знаний в ходе дальнейшей работы над литературой и в профессиональной деятельности. При ответе на вопросы экзаменационного билета студентом допущены несущественные ошибки. Задача решена правильно или ее решение содержало несущественную ошибку, исправленную при наводящем вопросе экзаменатора.
Оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся, обнаружившему знание основного учебно-программного материала в объеме, достаточном для дальнейшей учебы и предстоящей работы по специальности, знакомство с основной литературой, рекомендованной программой, умение выполнять задания, предусмотренные программой. При ответе на экзаменационные вопросы и при выполнении экзаменационных заданий обучающийся допускает погрешности, но обладает необходимыми знаниями для устранения ошибок под руководством преподавателя. Решение задачи содержит ошибку, исправленную при наводящем вопросе экзаменатора.
Оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся, обнаружившему пробелы в знаниях основного учебно-программного материала, допустившему принципиальные ошибки в выполнении предусмотренных программой заданий, слабые побуждения к самостоятельной работе над рекомендованной основной литературой. Оценка «неудовлетворительно» ставится обучающимся, которые не могут продолжить обучение или приступить к профессиональной деятельности по окончании академии без дополнительных занятий по соответствующей дисциплине.
зачет /оценка «хорошо» (71-85 баллов) ставится обучающемуся, обнаружившему полное знание учебно-программного материала, успешное выполнение заданий, предусмотренных программой в типовой ситуации (с ограничением времени), усвоение материалов основной литературы, рекомендованной в программе, способность к самостоятельному пополнению и обновлению знаний в ходе дальнейшей работы над литературой и в профессиональной деятельности.
зачет /оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся, обнаружившему знание основного учебно-программного материала в объеме, достаточном для дальнейшей учебы и предстоящей работы по специальности, знакомство с основной литературой, рекомендованной программой, умение выполнять задания, предусмотренные программой.
незачет /оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся, обнаружившему пробелы в знаниях основного учебно-программного материала, допустившему принципиальные ошибки в выполнении предусмотренных программой заданий, слабые побуждения к самостоятельной работе над рекомендованной основной литературой. Оценка «неудовлетворительно» ставится обучающимся, которые не могут продолжить обучение или приступить к профессиональной деятельности по окончании академии без дополнительных занятий по соответствующей дисциплине.
оценка «хорошо» (71-85 баллов) - основанием для снижения оценки может служить нечеткое представление сущности и результатов исследований на защите, или затруднения при ответах на вопросы, или недостаточный уровень качества оформления текстовой части и иллюстративных материалов, или отсутствие последних;
оценка «удовлетворительно» (56-70 баллов) - дополнительное снижение оценки может быть вызвано выполнением работы не в полном объеме, или неспособностью студента правильно интерпретировать полученные результаты, или неверными ответами на вопросы по существу проделанной работы;
оценка «неудовлетворительно» (менее 56 баллов) - выставление этой оценки осуществляется при несамостоятельном выполнении работы, или при неспособности студента пояснить ее основные положения, или в случае фальсификации результатов, или установленного плагиата.
зачет /оценка «отлично» (86-100 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, грамотно, характеризуется логичным, последовательным изложением материала с соответствующими выводами и /или обоснованными расчетами, предложениями; не содержит ошибок;
- проведено научное исследование в соответствие с полученным заданием;
- обучающийся при выполнении и защите отчета демонстрирует продвинутый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
зачет /оценка «хорошо» (71-85 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, грамотно, характеризуется логичным, последовательным изложением материала, допущены небольшие неточности при формировании выводов/расчетов, предложений; содержит незначительные ошибки/опечатки в текстовой части отчета;
- проведено научное исследование в соответствие с полученным заданием;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- обучающийся при выполнении и защите отчета демонстрирует базовый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
зачет /оценка «удовлетворительно» (56-70 баллов) ставится обучающемуся:
- отчет выполнен в соответствии с заданием, материал изложен последовательно, допущены неточности при формировании выводов/расчетов, предложений; содержит ошибки/опечатки в текстовой части отчета;
- присутствуют элементы научного исследования, творческий подход к решению поставленных задач проявляется незначительно;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- обучающийся при выполнении и защите отчета демонстрирует пороговый уровень сформированности компетенций, предусмотренных программой практики;
- отчет о прохождении производственной практики имеет положительную характеристику руководителей практики от предприятия и кафедры на обучающегося;
незачет /оценка «неудовлетворительно» (менее 56 баллов) ставится обучающемуся:
- отчет выполнен не в соответствии с заданием, материалы не подтверждены соответствующими выводами и/или обоснованными расчетами, предложениями; текстовая часть отчета содержит многочисленные ошибки;
- творческий подход к решению поставленных задач не проявляется; отсутствуют элементы научного исследования;
- отчет выполнен с использованием современных пакетов компьютерных программ, информационных технологий и информационных ресурсов;
- обучающийся при выполнении и защите отчета показывает не сформированность компетенций, предусмотренных программой практики;
- отчет имеет отрицательную характеристику руководителей практики от предприятия и кафедры на обучающегося.
Критерии оценивания (устанавливаются разработчиком самостоятельно с учетом использования рейтинговой системы оценки успеваемости обучающихся)
Примерные критерии оценивания:
– 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»
для учета в рейтинге (оценка)
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)
Примерная шкала оценивания:
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;
для учета в рейтинге (оценка)
– 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:
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.
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).
Примерная шкала оценивания письменных работ:
(рефератов, докладов, сообщений)
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
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 ошибок в тексте (более 10 на страницу).
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:
- 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