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 5
Зав. кафедрой Соболев В.А.
п/п
на заседании кафедры
Заведующий кафедрой
Садуев Н.Б.
(представитель работодателя)
Задачи: 1. Ознакомить с основными понятиями ИИ и современными методами машинного обучения.
2. Научить обрабатывать и анализировать аграрные данные с помощью алгоритмов машинного обучения.
3. Развить умение применять ИИ для решения задач в земледелии (прогнозирование урожая, мониторинг состояния культур).
4. Формировать компетенции по интеграции цифровых решений в агропроизводство.
Задачи: 1. Ознакомить с основными понятиями ИИ и современными методами машинного обучения.
2. Научить обрабатывать и анализировать аграрные данные с помощью алгоритмов машинного обучения.
3. Развить умение применять ИИ для решения задач в земледелии (прогнозирование урожая, мониторинг состояния культур).
4. Формировать компетенции по интеграции цифровых решений в агропроизводство.
Задачи: 1. Ознакомить с основными понятиями ИИ и современными методами машинного обучения.
2. Научить обрабатывать и анализировать аграрные данные с помощью алгоритмов машинного обучения.
3. Развить умение применять ИИ для решения задач в земледелии (прогнозирование урожая, мониторинг состояния культур).
4. Формировать компетенции по интеграции цифровых решений в агропроизводство.
УК-1: Способен осуществлять поиск, критический анализ и синтез информации, применять системный подход для решения поставленных задач;
ИД УК-1: Студент демонстрирует способность находить, анализировать и синтезировать информацию из различных источников, а также применять системный подход при решении сложных задач в области агрономии.
ИД ПКС-2: Успешно освоены методики сбора и обработки данных, необходимых для разработки современных агротехнологий. Студент умеет работать с реальными данными о состоянии почвы, климате и растениях.
ИД ПЦК-1: Студент владеет современными цифровыми технологиями, применяет их для обработки данных и управления процессами в агрономии. Уверенно работает с Python, ML-библиотеками и IoT-устройствами.
Методы сбора аграрных данных (сенсоры, дроны, спутники).
Инструменты цифровизации агропроизводства (Python, TensorFlow, компьютерное зрение).:
Сбор и структурирование данных для агротехнологий.
Применение ИИ для управления процессами.:
Работа с датчиками и GIS-системами.
Разработка простых ML-моделей для прогнозирования и анализа.:
ПКС-2: Способен осуществить сбор информации, необходимой для разработки системы земледелия и технологий возделывания сельскохозяйственных культур;
ИД УК-1: Студент демонстрирует способность находить, анализировать и синтезировать информацию из различных источников, а также применять системный подход при решении сложных задач в области агрономии.
ИД ПКС-2: Успешно освоены методики сбора и обработки данных, необходимых для разработки современных агротехнологий. Студент умеет работать с реальными данными о состоянии почвы, климате и растениях.
ИД ПЦК-1: Студент владеет современными цифровыми технологиями, применяет их для обработки данных и управления процессами в агрономии. Уверенно работает с Python, ML-библиотеками и IoT-устройствами.
Методы сбора аграрных данных (сенсоры, дроны, спутники).
Инструменты цифровизации агропроизводства (Python, TensorFlow, компьютерное зрение).:
Сбор и структурирование данных для агротехнологий.
Применение ИИ для управления процессами.:
Програм
Работа с датчиками и GIS-системами.
Разработка простых ML-моделей для прогнозирования и анализа.:
ПЦК-1: Способен применять цифровые технологии для управления процессами и данными в отрасли;
ИД УК-1: Студент демонстрирует способность находить, анализировать и синтезировать информацию из различных источников, а также применять системный подход при решении сложных задач в области агрономии.
ИД ПКС-2: Успешно освоены методики сбора и обработки данных, необходимых для разработки современных агротехнологий. Студент умеет работать с реальными данными о состоянии почвы, климате и растениях.
ИД ПЦК-1: Студент владеет современными цифровыми технологиями, применяет их для обработки данных и управления процессами в агрономии. Уверенно работает с Python, ML-библиотеками и IoT-устройствами.
Методы сбора аграрных данных (сенсоры, дроны, спутники).
Инструменты цифровизации агропроизводства (Python, TensorFlow, компьютерное зрение).:
Сбор и структурирование данных для агротехнологий.
Применение ИИ для управления процессами.:
Работа с датчиками и GIS-системами.
Разработка простых ML-моделей для прогнозирования и анализа.:
форма текущего контроля успеваемости)
работ
2. Интеллектуальные информационные системы : методические указания для проведения занятий семинарского типа и самостоятельной работы для обучающихся по направлению подготовки 09.03.03 Прикладная информатика / М-во сел. хоз-ва РФ, Бурятская ГСХА им. В. Р. Филиппова ; сост. Н. Б. Садуев. - Улан-Удэ : ФГБОУ ВО БГСХА, 2018. - 40 с. - URL: https://elib.bgsha.ru/sotru/01584
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
- 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).
4. Оценочные материалы по дисциплине (модулю) включают в себя:
- 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
Методы искусственного интеллекта
2) охватывает все разделы дисциплины
Блок 1: (Знать)
1. Что такое искусственный интеллект?
• a) Система автоматического управления автомобилями
• b) Компьютерная система, способная имитировать человеческий интеллект ✅
• c) База данных для хранения информации
• d) Метод обработки изображений
2. Какой вид машинного обучения используется при наличии размеченных данных?
• a) Reinforcement learning
• b) Unsupervised learning
• c) Supervised learning ✅
• d) Deep learning
3. Что означает аббревиатура ML?
• a) Machine Learning ✅
• b) Manual Logic
• c) Multi-Layer
• d) Main Language
4. Какой алгоритм относится к unsupervised learning?
• a) Логистическая регрессия
• b) K-means ✅
• c) Дерево решений
• d) Random Forest
5. Что такое нейрон в нейронной сети?
• a) Физический элемент компьютера
• b) Элементарный процессор
• c) Модель биологического нейрона ✅
• d) Программа на Python
6. Какая метрика используется для задач регрессии?
• a) Accuracy
• b) F1-score
• c) MAE ✅
• d) Precision
7. Что такое переобучение модели?
• a) Модель не обучена
• b) Модель плохо работает на тренировочных данных
• c) Модель хорошо работает на тренировочных, но плохо на тестовых данных ✅
• d) Модель слишком простая
8. Какие данные используются в точном земледелии?
• a) Только текстовые
• b) Только изображения
• c) Климатические, почвенные, спутниковые и другие данные ✅
• d) Только финансовые показатели
9. Что такое Big Data?
• a) Большие таблицы Excel
• b) Совокупность больших объемов данных, требующих специальных методов обработки ✅
• c) Тип базы данных
• d) Вид программирования
10. Что такое IoT?
• a) Интернет вещей ✅
• b) Облачное хранилище
• c) Язык программирования
• d) Алгоритм шифрования
11. Что такое градиентный бустинг?
• a) Метод кластеризации
• b) Метод ансамблирования моделей ✅
• c) Алгоритм оптимизации изображений
• d) Метод нормализации данных
12. Что означает термин "feature" в машинном обучении?
• a) Результат работы модели
• b) Признак или характеристика объекта ✅
• c) График
• d) Ошибка предсказания
• a) Доля верно предсказанных положительных примеров от всех предсказанных как положительные ✅
• b) Доля верно предсказанных положительных примеров от всех реальных положительных
• c) Общая точность модели
• d) Число ошибок
14. Какой язык чаще всего используется в машинном обучении?
• a) Java
• b) C++
• c) Python ✅
• d) PHP
15. Что такое cross-validation?
• a) Проверка модели на одном наборе данных
• b) Разделение данных на train/test один раз
• c) Многократное разделение данных для оценки модели ✅
• d) Удаление лишних данных
________________________________________
Блок 2: (Знать, уметь)
16. Какую библиотеку Python вы используете для работы с данными?
• a) TensorFlow
• b) Scikit-learn
• c) Pandas ✅
• d) Matplotlib
17. Для чего используется функция fit() в scikit-learn?
• a) Для вывода графиков
• b) Для сохранения модели
• c) Для обучения модели ✅
• d) Для загрузки данных
18. Какая функция используется для предсказания в модели scikit-learn?
• a) predict() ✅
• b) fit()
• c) transform()
• d) load()
19. Что делает функция StandardScaler?
• a) Удаляет пропуски
• b) Нормализует данные до среднего 0 и дисперсии 1 ✅
• c) Преобразует категориальные переменные
• d) Сохраняет модель
20. Какой метод используется для снижения размерности?
• a) PCA ✅
• b) KNN
• c) SVM
• d) Decision Tree
21. Что такое confusion matrix?
• a) Таблица, сравнивающая фактические и предсказанные значения ✅
• b) График зависимости между переменными
• c) Отчет о затратах
• d) Таблица с параметрами модели
22. Что такое recall?
• a) Доля верно предсказанных положительных от всех предсказанных
• b) Доля верно предсказанных положительных от всех реальных положительных ✅
• c) Общая точность
• d) Метрика для регрессии
23. Что такое overfitting?
• a) Модель слишком простая
• b) Модель запоминает обучающие данные и не обобщает ✅
• c) Модель не обучена
• d) Модель идеально подходит
24. Какой метод помогает бороться с переобучением?
• a) Увеличение количества слоёв в нейросети
• b) Dropout ✅
• c) Упрощение модели
• d) Использование меньше данных
25. Какой алгоритм применяется для распознавания образов?
• a) Линейная регрессия
• b) CNN ✅
• c) K-means
• d) PCA
26. Что такое NDVI?
• b) Индекс нормализованной разницы растительности ✅
• c) Температурный индекс
• d) Показатель кислотности почвы
27. Какой метод используется для анализа изображений?
• a) PCA
• b) CNN ✅
• c) KNN
• d) SVM
28. Что означает R² в регрессии?
• a) Процент ошибок
• b) Коэффициент детерминации ✅
• c) Средняя абсолютная ошибка
• d) Вероятность класса
29. Что такое гиперпараметр?
• a) Параметр, который изменяется в процессе обучения
• b) Параметр, задаваемый пользователем перед обучением ✅
• c) Результат модели
• d) Точность модели
30. Какой метод позволяет находить оптимальные гиперпараметры?
• a) GridSearchCV ✅
• b) PCA
• c) Cross-validation
• d) Fit
31. Что означает слово “deep” в deep learning?
• a) Большое количество данных
• b) Большое количество слоёв ✅
• c) Высокая точность
• d) Быстрое выполнение
32. Какой формат чаще всего используется для хранения данных в агрономии?
• a) .txt
• b) .csv ✅
• c) .pptx
• d) .docx
33. Какая библиотека используется для визуализации?
• a) NumPy
• b) Pandas
• c) Matplotlib ✅
• d) Scikit-learn
34. Что такое label encoding?
• a) Преобразование числовых данных в текст
• b) Преобразование текстовых меток в числа ✅
• c) Удаление выбросов
• d) Нормализация данных
35. Что такое one-hot encoding?
• a) Преобразование чисел в логические значения
• b) Преобразование категориальных признаков в двоичные столбцы ✅
• c) Удаление ненужных данных
• d) Создание новых фич
________________________________________
Блок 3: (Знать, уметь, владеть)
Кейс-задание: Распознавание болезней картофеля через компьютерное зрение
Описание ситуации:
Фермерская кооператива сталкивается с частыми вспышками фитофтороза картофеля. Традиционные методы диагностики требуют много времени и могут привести к запущенным случаям. Компания рассматривает внедрение системы автоматического распознавания заболеваний на основе компьютерного зрения.
Задание:
Разработать модель компьютерного зрения, которая будет классифицировать изображения листьев картофеля на:
• Здоровые
• Поражённые фитофторозом
• Другие болезни
Этапы выполнения
1. Сбор данных
Использован датасет PlantVillage , содержащий изображения листьев картофеля:
2. Предобработка изображений
Использован генератор изображений Keras для аугментации и нормализации:
4. Оценка качества модели
Результат:
• Точность модели: 96% на обучающей выборке , 92% на тестовой .
• Confusion matrix показала высокую точность определения фитофтороза.
5. Визуализация результатов
6. Интеграция в систему
Создан простой интерфейс с использованием Streamlit или Flask, позволяющий загружать изображение и получать прогноз:
Ответы (ключ):
№ Ответ
1–15 b, c, a, b, c, c, c, c, b, a, b, b, a, c, c
16–35 c, c, a, b, a, a, b, b, b, b, a, b, b, c, a, b, b, b, b, a
1. Что такое искусственный интеллект? Какие его основные направления?
2. В чем отличие между ИИ, машинным обучением и глубоким обучением?
3. Какие типы машинного обучения вы знаете? Приведите примеры их применения в агрономии.
4. Что такое supervised learning и unsupervised learning? Приведите примеры.
5. Что такое переобучение модели и как с ним бороться?
6. Что такое кросс-валидация и зачем она нужна?
7. Как оценивается качество моделей машинного обучения? Назовите основные метрики.
8. Что такое нейронная сеть? Как работает перцептрон?
9. Какие архитектуры нейронных сетей вы знаете и где они применяются?
10. Что такое Big Data и как он используется в точном земледелии?
11. Какие данные используются в прогнозировании урожайности?
12. Как ИИ может быть использован для прогнозирования урожая?
13. Какие методы обработки изображений используются в компьютерном зрении?
14. Как ИИ помогает в распознавании болезней растений?
15. Что такое NDVI и как он используется в сельском хозяйстве?
16. Как ИИ может помочь в оптимизации полива и внесения удобрений?
17. Какие роботизированные системы используются в современном сельском хозяйстве?
18. Как собираются данные с дронов и как они анализируются с помощью ИИ?
19. Какие IoT-устройства применяются в агрономии?
20. Как происходит интеграция данных с IoT-датчиков в единую систему?
21. Как облачные платформы могут использоваться для хранения и анализа агроданных?
22. Как создать отчет на основе ML-анализа данных?
23. Какие проблемы могут возникнуть при внедрении ИИ в агрономию?
24. Какие этические и экономические аспекты связаны с применением ИИ в сельском хозяйстве?
25. Какие ограничения имеют модели машинного обучения в реальных условиях фермерского хозяйства?
26. Как можно использовать генетические алгоритмы или другие методы оптимизации в управлении посевами?
27. Какие современные тренды в области ИИ актуальны для сельского хозяйства?
28. Как blockchain может быть использован в цепочках поставок сельскохозяйственной продукции?
29. Что такое точное земледелие и какую роль в нем играет искусственный интеллект?
30. Какие цифровые инструменты вы использовали в рамках курса?
31. Какие библиотеки Python вы использовали для анализа данных?
32. Как подготовить данные перед обучением модели (нормализация, кодирование)?
33. Какие этапы включает процесс построения модели машинного обучения?
34. Какие алгоритмы машинного обучения вы использовали и почему?
35. Какие метрики оценки качества моделей вы применяли?
36. Как вы интерпретировали результаты моделирования?
37. Какие данные вы использовали в проектной работе?
38. Какие проблемы вы решали с помощью ИИ в своих лабораторных работах?
39. Как вы проверяли эффективность вашей модели?
40. Какие выводы вы сделали по результатам своего проекта?
Комплект заданий для практических работ
Практическая работа №1: Анализ кейсов: ИИ в мониторинге урожайности
Цель: Ознакомиться с примерами использования ИИ в сельском хозяйстве и научиться анализировать эффективность решений.
Задания:
• Выделить проблему, используемые данные, применяемые методы ИИ, результаты.
• Составить таблицу сравнения традиционных и ИИ-подходов.
Форма отчетности: Таблица + письменный анализ (1–2 страницы).
Практическая работа №2: Работа с библиотеками Python. Построение модели классификации культур
Цель: Научиться использовать Python и ML-библиотеки для создания простых моделей.
Задания:
• Установить Jupyter Notebook, загрузить датасет с характеристиками культур (например, из Kaggle или учебных источников).
• Обработать данные: удалить пропуски, нормализовать значения.
• Обучить модель классификации (например, Random Forest) для определения типа культуры.
• Оценить точность модели с помощью метрик accuracy и confusion matrix.
Форма отчетности: Код программы + графики/таблицы + выводы.
Практическая работа №3: Анализ данных с дронов для оценки состояния посевов
Цель: Освоить работу с данными дистанционного зондирования и создать визуализацию состояния посевов.
Задания:
• Загрузить спутниковые или дроновые изображения полей (например, NDVI-карты).
• Обработать изображения с помощью OpenCV или QGIS.
• Построить тепловую карту состояния растений.
• Определить зоны стресса и возможные причины (засуха, болезни, нехватка питательных веществ).
Форма отчетности: Визуализации + описание выявленных зон + рекомендации.
Практическая работа №4: Разработка модели прогнозирования урожайности
Цель: Создать модель регрессии для прогнозирования урожайности на основе климатических и почвенных данных.
Задания:
• Собрать данные о температуре, осадках, pH почвы и урожайности.
• Подготовить данные: нормализация, разделение на train/test выборки.
• Обучить модель линейной регрессии или случайного леса.
• Оценить качество модели (MAE, R²).
• Проанализировать важность факторов, влияющих на урожайность.
Форма отчетности: Код программы + графики предсказаний vs реальных значений + выводы.
Практическая работа №5: Настройка IoT-датчиков и создание отчета на основе ML-анализа
Цель: Освоить сбор данных с IoT-устройств и создание отчетов на основе ML-анализа.
Задания:
• Настроить симулятор датчиков (например, Arduino + Blynk) или использовать готовый набор данных.
• Собрать данные о температуре, влажности почвы, уровне освещенности.
• Использовать модель машинного обучения для прогнозирования необходимости полива или внесения удобрений.
• Сформировать отчет с рекомендациями по управлению системой.
Форма отчетности: Данные + код модели + рекомендации в виде таблицы/графика.
Пример структуры отчета по практической работе №4:
Тема: Прогнозирование урожайности пшеницы
Ход работы:
• Собраны данные по температуре, осадкам, содержанию азота и урожайности.
• Данные нормализованы и разделены на обучающую и тестовую выборки.
• Обучена модель случайного леса.
• Оценены метрики: MAE = 0.18 т/га, R² = 0.87.
• Построен график зависимости урожайности от количества осадков.
Вывод:
Модель позволяет с высокой точностью прогнозировать урожайность пшеницы. Осадки оказывают наибольшее влияние на показатель.
Перечень контрольных вопросов для проведения устных опросов
Вопросы по теоретическим основам ИИ и машинного обучения
1. В чём отличие между искусственным интеллектом, машинным обучением и глубоким обучением?
2. Какие задачи решает машинное обучение в сельском хозяйстве? Приведите примеры.
3. Что такое supervised learning и unsupervised learning? Приведите примеры применения в агрономии.
4. Что такое кластеризация? Какой алгоритм вы можете описать подробно?
5. Что такое нейронная сеть? Как работает перцептрон?
6. Какие архитектуры нейронных сетей вы знаете и где они применяются в аграрной сфере?
7. Как оценивается качество модели машинного обучения? Перечислите метрики.
8. Что такое переобучение (overfitting) и как его избежать?
9. Что такое кросс-валидация и зачем она нужна при обучении моделей?
10. Какие библиотеки Python используются для анализа данных и машинного обучения?
Вопросы по применению ИИ в агрономии
11. Как ИИ может быть использован для прогнозирования урожайности?
12. Какие данные необходимы для построения точной модели прогнозирования урожая?
13. Как компьютерное зрение помогает в распознавании болезней растений?
15. Как ИИ может помочь в оптимизации полива и внесения удобрений?
16. Что такое точное земледелие и какую роль в нем играет искусственный интеллект?
17. Какие роботизированные системы используются в современном сельском хозяйстве?
18. Как собираются данные с дронов и как они анализируются с помощью ИИ?
19. Какие IoT-устройства применяются в агрономии?
20. Как происходит интеграция данных с IoT-датчиков в единую систему?
Вопросы по цифровым технологиям и интеграции ИИ в производство
21. Как облачные платформы могут использоваться для хранения и анализа агроданных?
22. Как создать отчет на основе ML-анализа данных?
23. Какие проблемы могут возникнуть при внедрении ИИ в агрономию?
24. Какие этические и экономические аспекты связаны с применением ИИ в сельском хозяйстве?
25. Какие ограничения имеют модели машинного обучения в реальных условиях фермерского хозяйства?
26. Как можно использовать генетические алгоритмы или другие методы оптимизации в управлении посевами?
27. Какие современные тренды в области ИИ актуальны для сельского хозяйства?
28. Как blockchain может быть использован в цепочках поставок сельскохозяйственной продукции?
Форма проведения устного опроса
• Индивидуальный или групповой опрос.
• Возможны вопросы по выполненным лабораторным и практическим работам.
• Требуется не только воспроизведение информации, но и объяснение принципов работы, выбора методов и возможностей их применения в агрономии.
Перечень вопросов для самостоятельного изучения
Темы для самостоятельного изучения
1. Основы искусственного интеллекта
• Что такое искусственный интеллект (ИИ)? Виды ИИ: слабый и сильный.
• Краткая история развития ИИ: от экспертных систем до глубокого обучения.
• Современные тренды в области ИИ: Big Data, IoT, автоматизация, роботы в сельском хозяйстве.
2. Машинное обучение и его виды
• Supervised learning: задачи классификации и регрессии.
• Unsupervised learning: кластеризация, снижение размерности.
• Reinforcement learning: обучение с подкреплением.
• Примеры использования каждого типа машинного обучения в агрономии.
3. Алгоритмы машинного обучения
• Метод ближайших соседей (kNN).
• Линейная и логистическая регрессия.
• Деревья решений и случайный лес.
• Метод опорных векторов (SVM).
• Градиентный бустинг (например, XGBoost, LightGBM).
4. Нейронные сети и глубокое обучение
• Основы нейронных сетей: нейроны, слои, функции активации.
• Архитектуры нейронных сетей: перцептрон, многослойный перцептрон.
• Сверточные нейронные сети (CNN) и их применение в компьютерном зрении.
• Рекуррентные нейронные сети (RNN) и обработка временных рядов.
• Обучение нейронных сетей: backpropagation, функция потерь, оптимизаторы.
5. Анализ данных и предобработка
• Подготовка данных: очистка, нормализация, кодирование категориальных признаков.
• Работа с пропущенными значениями и выбросами.
• Визуализация данных: графики, диаграммы, тепловые карты.
• Корреляционный анализ и выбор факторов для модели.
6. Оценка качества моделей
• Метрики оценки для регрессии: MAE, MSE, R².
• Метрики оценки для классификации: accuracy, precision, recall, F1-score, ROC-AUC.
• Cross-validation: методы и практическое применение.
• Борьба с переобучением: регуляризация, dropout, ансамблирование.
7. Инструменты и технологии
• Python как основной язык программирования в машинном обучении.
• Библиотеки Python: Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, TensorFlow, Keras.
• Jupyter Notebook: работа с блокнотами, визуализация, документирование.
• Облачные платформы: Google Colab, AWS, Azure.
8. Применение ИИ в агрономии
• Прогнозирование урожайности на основе климатических и почвенных данных.
• Распознавание болезней растений с помощью компьютерного зрения.
• Использование дронов и спутниковых снимков для мониторинга состояния посевов.
• Оптимизация полива и внесения удобрений с помощью ML.
• Автоматизация процессов с использованием IoT-датчиков и ИИ.
9. Этические, правовые и экономические аспекты ИИ
• Этические проблемы внедрения ИИ в сельское хозяйство.
• Экономическая эффективность внедрения ИИ-решений.
• Перспективы развития точного земледелия с использованием ИИ.
Формы работы при самостоятельном изучении:
• Изучение учебных материалов и статей (в том числе на английском языке).
• Практическая реализация задач в Jupyter Notebook или аналогах.
• Создание презентаций, таблиц сравнения, аналитических обзоров.
• Подготовка рефератов по темам.
• Выполнение дополнительных заданий к лабораторным и практическим работам.
6. Кейс-задания по дисциплине «Методы искусственного интеллекта»
Кейс 1: Распознавание болезней картофеля через компьютерное зрение
Описание ситуации:
Фермерская кооператива сталкивается с частыми вспышками фитофтороза картофеля. Традиционные методы диагностики требуют много времени и могут привести к запущенным случаям. Компания рассматривает внедрение системы автоматического распознавания заболеваний на основе компьютерного зрения.
Задание:
Разработать модель компьютерного зрения, способную классифицировать изображения листьев картофеля на "здоровый", "поражённый фитофторозом", "другие болезни".
Этапы выполнения:
1. Сбор данных — использовать датасет PlantVillage или собрать фото с поля (при наличии).
2. Подготовка изображений — ресайз, аугментация (повороты, яркость), разделение на выборки.
3. Обучение модели — использовать сверточную нейронную сеть (например, ResNet, MobileNet или простую CNN).
4. Оценка качества — accuracy, precision, recall, confusion matrix.
5. Интеграция в систему — создать интерфейс для загрузки изображений и вывода результата.
Форма отчетности:
• Код модели и интерфейса (Jupyter + Flask / Streamlit).
• Демонстрация работы модели на тестовых изображениях.
• Анализ точности и возможностей применения в реальности.
Кейс 2: Управление поливом на основе IoT и ML
Описание ситуации:
Фермер использует капельный полив, но расход воды остаётся высоким. Он хочет внедрить систему автоматического управления поливом на основе данных с датчиков и алгоритмов машинного обучения.
Задание:
Разработать модель, которая будет оптимально управлять поливом, основываясь на данных с датчиков и внешних факторах (температура, влажность воздуха, тип почвы, стадия развития культуры).
Этапы выполнения:
1. Настройка датчиков — имитация с помощью программного обеспечения или реальные устройства (Arduino, Blynk).
2. Сбор данных — температура, влажность почвы, уровень освещённости, показатель ЭЦП.
3. Обучение модели — построить модель регрессии или использовать reinforcement learning для принятия решений.
4. Автоматизация — создать скрипт, который на основе входных данных определяет, когда и сколько воды требуется.
5. Тестирование — проверить работу модели на исторических данных или симуляции.
Форма отчетности:
• Описание архитектуры системы.
• Модель и примеры предсказаний.
• Рекомендации по интеграции в существующую инфраструктуру.
Кейс 3: Интеграция данных с дронов для оценки состояния посевов
Описание ситуации:
Хозяйство начало использовать дроны для мониторинга состояния посевов. Однако обработка большого объема данных занимает много времени. Нужно создать систему, которая автоматически анализирует эти данные и выдает рекомендации.
Задание:
Разработать систему, которая на основе спутниковых или дроновых изображений рассчитывает NDVI и выявляет зоны стресса у растений.
Этапы выполнения:
1. Сбор изображений — получить NDVI-карты с дронов или использовать открытые данные (например, Sentinel Hub).
2. Обработка изображений — вычисление NDVI, сегментация участков.
3. Анализ состояния посевов — определение зон с низкой растительной активностью.
4. Визуализация — тепловая карта, графики.
5. Интеграция с ML — прогнозирование последствий снижения активности растений.
• Визуализированные карты и графики.
• Отчет по выявленным проблемам и рекомендациям.
• Возможная демонстрация интеграции с GIS-системами (QGIS, ArcGIS).
Реферат — это научно-исследовательская работа объемом 8–12 страниц, ориентированная на изучение и анализ теоретических и практических аспектов применения ИИ в агрономии.
Темы:
1. Искусственный интеллект в современном сельском хозяйстве: состояние и перспективы.
2. Применение машинного обучения для прогнозирования урожайности культур.
3. Компьютерное зрение в диагностике болезней растений.
4. Использование IoT-устройств и Big Data в точном земледелии.
5. Роботизированные системы в сельскохозяйственном производстве.
6. Методы глубокого обучения в анализе спутниковых снимков.
7. Облачные технологии и их роль в управлении аграрными данными.
8. Экономическая эффективность внедрения ИИ в агрономию.
9. Этические и правовые аспекты использования ИИ в сельском хозяйстве.
10. Системы поддержки принятия решений на основе ИИ в управлении посевами.
2. Темы эссе (УК-1)
Эссе — это краткая письменная работа (1–2 страницы), отражающая личное мнение студента по актуальной проблеме или вопросу, требующая анализа, интерпретации и аргументации.
Темы:
1. Как ИИ может изменить будущее сельского хозяйства?
2. Может ли искусственный интеллект полностью заменить человека в агрономии?
3. Почему важно использовать данные при планировании сельскохозяйственных процессов?
4. Какие риски связаны с внедрением ИИ в агрономию?
5. Является ли цифровизация сельского хозяйства неизбежностью?
6. Влияние ИИ на экологическую устойчивость сельскохозяйственного производства.
7. Как ИИ помогает бороться с изменениями климата в агрономии?
8. Чем отличается машинное обучение от традиционных методов анализа данных в агрономии?
9. Как ИИ влияет на занятость в сельском хозяйстве?
10. Что такое цифровое фермерство и какую роль в нем играет ИИ?
3. Аналитические обзоры (УК-1, ПКС-2, ПЦК-1)
Обзор — это работа, посвященная анализу существующих исследований, технологий или трендов по выбранной теме. Формат — структурированное описание, сравнение и выводы.
Темы:
1. Сравнительный анализ алгоритмов машинного обучения в задачах прогнозирования урожайности.
2. Современные подходы к автоматизации полива с использованием ИИ.
3. Применение дронов и ИИ в мониторинге состояния посевов.
4. Сравнение открытых датасетов для анализа аграрных данных.
5. Анализ популярных ML-библиотек для решения агрономических задач.
6. Опыт внедрения ИИ в крупных агрохолдингах России и мира.
7. Перспективы развития цифрового двойника поля.
8. Использование blockchain в цепочках поставок сельскохозяйственной продукции.
9. Автоматизация сбора урожая: технологии и вызовы.
10. Использование генетических алгоритмов в оптимизации сельскохозяйственных процессов.
4. Темы проектных/исследовательских работ (УК-1, ПКС-2, ПЦК-1)
Проектная работа — углубленное исследование с элементами практической реализации или моделирования. Объем — 10–15 страниц.
Темы:
1. Разработка модели прогнозирования урожайности пшеницы на основе климатических данных.
2. Создание системы распознавания болезней картофеля на основе компьютерного зрения.
3. Построение модели управления поливом на основе данных с датчиков почвы.
4. Оптимизация системы удобрения с использованием алгоритмов машинного обучения.
5. Интеграция IoT-датчиков в единую систему управления агропроизводством.
6. Разработка цифрового двойника участка поля с использованием GIS-технологий и ИИ.
7. Прогнозирование погодных условий и их влияния на урожайность культур.
8. Применение NLP в обработке аграрной информации из открытых источников.
9. Анализ NDVI-карт с помощью сверточных нейронных сетей.
10. Разработка рекомендательной системы для выбора сортов культур под конкретные условия.
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:
- проведено научное исследование в соответствие с полученным заданием;
- отчет выполнен с использованием современных информационных технологий и ресурсов;
- 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»
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)
для учета в рейтинге (оценка)
«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)
расчетно-графической работы, работы на тренажере
Примерная шкала оценивания:
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
для учета в рейтинге (оценка)
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:
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.
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 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:
- 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)
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