учреждение высшего образования

«Бурятская государственная сельскохозяйственная академия имени В.Р. Филиппова»

Экономический факультет

Информатика и информационные технологии в экономике

Направленность (профиль) Прикладная информатика в экономике АПК

в учебном плане

является дисциплиной обязательной для изучения

Семестр 8

Зав. кафедрой Садуев Н.Б.

п/п

на заседании кафедры

Заведующий кафедрой

Садуев Н.Б.

(представитель работодателя)

Задачи: приобретение студентами знаний о технологиях подготовки, хранения, обработки и анализа больших данных; применение статистических и математических методов для анализа больших объемов информации;  изучение основных понятий и методов теории информации и кодирования, используемых при описании, проектировании и эксплуатации информационных систем.

ПКС-3: способность проектировать ИС по видам обеспечения;

ИД-1ПКС-3  Знает инструменты и методы проектирования архитектуры ИС, инструменты и методы верификации, принципы построения архитектуры программного обеспечения, методы управления проектами

ИД-2 ПКС-3  Умеет проектировать архитектуру ИС, проверять (верифицировать) архитектуру ИС, использовать существующие типовые решения и шаблоны проектирования программного обеспечения, распределять работы и контролировать их выполнение

ИД-3 ПКС-3  Разрабатывает архитектурную спецификацию ИС, проектирует структуры данных, подтверждение выполнения работ

:

:

форма текущего контроля успеваемости)

работ

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

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 лабораторных работ,

3. Перечень групповых заданий,

4. Комплект заданий для самостоятельной работы обучающихся,

5. Тестовые задания

Обработка и анализ больших данных

2) охватывает все разделы дисциплины

1. Дайте определение больших данных. Каковы их основные характеристики?

2. Перечислите основные этапы жизненного цикла данных в системах Big Data.

3. Какие архитектурные подходы используются для хранения и обработки больших данных?

4. Опишите основные отличия между структурированными и неструктурированными данными.

5. Что такое MapReduce? Опишите принцип его работы.

6. Назовите и кратко охарактеризуйте популярные платформы и инструменты для работы с большими данными (Hadoop, Spark и др.).

7. В чем заключается проблема масштабируемости при работе с большими данными?

8. Какие методы и алгоритмы анализа данных применяются в Big Data?

9. Что такое потоковые данные и какие технологии используются для их обработки?

10. Опишите основные этапы подготовки данных к анализу (очистка, нормализация и др.).

11. Какие существуют подходы к обеспечению безопасности и конфиденциальности при работе с большими данными?

12. Как осуществляется визуализация результатов анализа больших данных?

1. Выполните загрузку и первичный анализ большого набора данных (например, лог-файлы, открытые датасеты). Определите основные характеристики данных.

2. Реализуйте простую задачу MapReduce (например, подсчет количества вхождений слов в текстовом файле) с использованием выбранной платформы.

3. Постройте архитектурную схему системы для хранения и обработки больших данных для конкретной предметной области (например, интернет-магазин, социальная сеть).

4. Реализуйте обработку потоковых данных с помощью Apache Kafka или аналогичного инструмента.

5. Выполните визуализацию результатов анализа с помощью Python (matplotlib, seaborn) или специализированных BI-инструментов.

6. Разработайте и опишите процедуру очистки и подготовки данных для анализа на примере выбранного датасета.

7. Сравните производительность различных платформ (Hadoop, Spark) на примере одной и той же задачи.

8. Подготовьте отчет по вопросам обеспечения безопасности данных в системах Big Data.

Задания для промежуточной аттестации (зачет)

1. Тестовые задания по ключевым темам курса.

2. Решение комплексной задачи: анализ и обработка большого объема данных с использованием современных инструментов.

3. Проектная работа: разработка и защита собственного мини-проекта по обработке и анализу больших данных.

4. Устный опрос по теоретическим вопросам курса.

1. Перечень вопросов к зачету

1. Определите сущность понятия «большие данные» (ПКС-3).

2. Опишите методики анализа больших данных. (ПКС-3)

3. Процесс аналитики анализа больших данных. (ПКС-3)

4. Дайте характеристику Big Data на мировом рынке. (ПКС-3)

5. Охарактеризуйте Big Data в России. (ПКС-3)

6. Определите понятие Data Mining. (ПКС-3)

7. Вопросы безопасности больших данных. (ПКС-3)

8. В чем состоит когнитивный анализ данных. (ПКС-3)

9. Какие модели данных вы знаете? (ПКС-3)

10. Основные описательные статистики. (ПКС-3)

11. Определите различия между параметрическими, непараметрическими и номинальными методами. (ПКС-3)

12. Опишите основную идею корреляционного анализа. (ПКС-3)

13. Регрессионный анализ. (ПКС-3)

14. Основная идея дисперсионного анализа. (ПКС-3)

15. Сущность кластерного анализа. (ПКС-3)

16. Дискриминантный анализ: модель и общая процедура выполнения. (ПКС-3)

17. Цели факторного анализа. (ПКС-3)

18. Программные средства анализа данных: Statistica, SPSS, Excel; их преимущества и недостатки. (ПКС-3)

19. Преимущества работа с данными в программе R-Studio. (ПКС-3)

20. Представление исходных  данных в программе R-Studio. (ПКС-3)

21. Выполнение анализа данных в R-Studio. (ПКС-3)

22. Облачные платформы для анализа больших данных.

5. Методические материалы, определяющие процедуры оценивания знаний, умений, навыков и (или) опыта деятельности, характеризующих этапы формирования компетенций в процессе освоения образовательной программы

5.2. Критерии оценки к зачету

зачет /оценка «отлично» (86-100 баллов) ставится обучающемуся, обнаружившему систематические и глубокие знания учебно-программного материала, умения свободно выполнять задания, предусмотренные программой в типовой ситуации (с ограничением времени) и в нетиповой ситуации, знакомство с основной и дополнительной литературой, усвоение взаимосвязи основных понятий дисциплины в их значении приобретаемой специальности и проявившему творческие способности и самостоятельность в приобретении знаний.

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 

6. Оценочные материалы для организации текущего контроля успеваемости обучающихся

Форма, система оценивания, порядок проведения и организация текущего контроля успеваемости обучающихся устанавливаются Положением об организации текущего контроля успеваемости обучающихся.

2. Комплект заданий для лабораторных работ

Защита лабораторной работы осуществляется путем собеседования студента с преподавателем. При собеседовании студент представляет на проверку отчет по лабораторной работе.

Раздел 1. Введение в анализ больших данных.

Тема: Поиск источников информации в сети Интернет для Big Data

Содержание темы. Сбор и хранение больших данных. Поиск источников информации в сети Интернет: открытые и закрытые источники данных. Портал открытых данных РФ. Сохранение данных в программе Excel. Преобразование и первичная обработка данных.

Раздел 2. Методы анализа данных

Тема: Методы обработки и анализа больших данных.

Содержание темы. Представление исходных данных в программе R-Studio (векторы, массивы, матрицы, списки, таблицы). Статистическая обработка данных в программах Excel R-Studio: подсчет описательных статистик, графическое представление данных. Группировка данных, обнаружение значимых корреляций, зависимостей и тенденций в результате анализа имеющейся информации, выявления отношений между данными различного типа. Применение различных методов выделения, извлечения и группировки данных, которые позволяют выявить систематизированные структуры данных и вывести из них правила для принятия решений и прогнозирования их последствий (регрессионный, дисперсионный, кластерный, дискриминантный, факторный анализы).

Тема: Визуализация исходной информации и аналитических данных.

Содержание темы. Возможности графического представления информации в программе R-Studio: графические функции отображения одномерных и многомерных данных, графический вывод с использованием графических параметров.

Критерии оценивания:

- правильность выполнения задания на лабораторную работу;

- степень усвоения теоретического материала по теме лабораторной работы;

- способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач;

- качество подготовки отчета по  лабораторной работе;

- правильность и полнота ответов на вопросы преподавателя при защите работы.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Выполнены все задания лабораторной работы, обучающийся четко и без ошибок ответил на все контрольные вопросы

71-85 баллов «хорошо» Выполнены все задания лабораторной работы; обучающийся ответил на все контрольные вопросы с замечаниями

56-70 баллов  «удовлетворительно» Выполнены все задания лабораторной работы с замечаниями; обучающийся ответил на все контрольные вопросы с замечаниями

менее 56 баллов «неудовлетворительно» Обучающийся не выполнил или выполнил неправильно задания лабораторной работы; обучающийся ответил на контрольные вопросы с ошибками или не ответил на контрольные вопросы

3. Перечень групповых заданий

Работа в малых группах

Группа обучающихся делится на несколько малых групп. Количество групп определяется  числом творческих заданий, которые будут обсуждаться в процессе занятия. Малые группы формируются либо по желанию, либо по родственной тематике для обсуждения. Каждая малая группа составляет презентацию по своей теме для дальнейшей защиты.

Тема: Обзор источников информации для Big Data

1. Открытые источники информации: статистические сборники, опубликованные отчеты и результаты исследований. Портал открытых данных РФ

2. Закрытые источники данных. Доступ к закрытой информации. Вопросы безопасности данных.

Тема: Облачные платформы для анализа больших данных

1. Аналитика больших данных. Преимущества облаков для аналитики больших данных

3. Частные, публичные и гибридные облака для аналитики больших данных

4. Основные сферы применения  больших данных для принятия решений. Обзор тенденций и проблем больших данных

Критерии оценивания групповых заданий

- 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;

- оформление презентации.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Работа демонстрирует точное понимание задания. Все материалы имеют непосредственное отношение к теме; источники цитируются правильно. Результаты работы представлены четко и логично, информация точна и отредактирована. Работа отличается яркой индивидуальностью и выражает точку зрения обучающегося. Соблюден единый стиль оформления презентации

71-85 баллов «хорошо» Помимо материалов, имеющих непосредственное отношение к теме, включаются некоторые материалы, не имеющие отношение к ней; используется ограниченное количество источников. Не вся информация взята из достоверных источников; часть информации неточна или не имеет прямого отношения к теме. Недостаточно выражена собственная позиция и оценка информации. Соблюден единый стиль оформления презентации. Допускается незначительная перегрузка слайда информацией.

56-70 баллов «удовлетворительно» Часть материалов не имеет непосредственного отношения к теме, используется 2-3 источника. Делается слабая попытка проанализировать информацию. Материал логически не выстроен и подан внешне непривлекательно, не дается четкого ответа на поставленные вопросы. Нет критического взгляда на проблему. Единый стиль оформления нарушен.

менее 56 баллов «неудовлетворительно» Больше половины материалов не имеет непосредственного отношения к теме, используется один источник. Не делается попытка проанализировать информацию. Материал логически не выстроен и подан внешне непривлекательно, не дается ответа на поставленные вопросы. Презентация не представлена.

4. Комплект заданий для самостоятельной работы обучающихся

Изучить теоретический материал в соответствии с темой работы

Раздел 1. Введение в анализ больших данных.

1. Определите сущность понятия «большие данные».

2. Опишите методики анализа больших данных.

3. Процесс аналитики анализа больших данных.

4. Дайте характеристику Big Data на мировом рынке.

5. Охарактеризуйте Big Data в России.

6. Определите понятие Data Mining.

7. Вопросы безопасности больших данных.

8. В чем состоит когнитивный анализ данных.

9. Какие модели данных вы знаете?

Раздел 2. Методы анализа данных

1. Основные описательные статистики.

2. Определите различия между параметрическими, непараметрическими и номинальными методами.

3. Опишите основную идею корреляционного анализа.

4. Регрессионный анализ.

5. Основная идея дисперсионного анализа.

6. Сущность кластерного анализа.

7. Дискриминантный анализ: модель и общая процедура выполнения.

8. Цели факторного анализа.

9. Программные средства анализа данных: Statistica, SPSS, Excel; их преимущества и недостатки. 19. Преимущества работа с данными в программе R-Studio.

10. Представление исходных данных в программе R-Studio.

11. Выполнение анализа данных в R-Studio.

Критерии оценивания самостоятельной работы:

- правильность выполнения задания;

- степень усвоения теоретического материала по теме;

- способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач;

- правильность и полнота ответов на вопросы преподавателя при защите работы.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Выполнены все задания самостоятельной работы, обучающийся четко и без ошибок ответил на все контрольные вопросы

71-85 баллов «хорошо» Выполнены все задания самостоятельной работы; обучающийся ответил на все контрольные вопросы с замечаниями

56-70 баллов «удовлетворительно» Выполнены все задания самостоятельной работы с замечаниями; обучающийся ответил на все контрольные вопросы с замечаниями

менее 56 баллов «неудовлетворительно» Обучающийся не выполнил или выполнил неправильно задания самостоятельной работы; обучающийся ответил на контрольные вопросы с ошибками или не ответил на контрольные вопросы

5. Тестовые задания

1. большинство данных в мире в 2011 году содержалось:

1) в цифровом виде

2) в аналоговом виде

2. В каком веке произошёл перевес объёмов накопленных человечеством данных в сторону цифровых?

Ответ:  20

3. Объём накопленных человечеством цифровых данных на 2012 год измеряется:

1) петабайтами

2) зеттабайтами

3) экзабайтами

4) йоттабайтами

4. Сколько Петабайт в Зеттабайте? Укажите число.

Ответ:  1024

5. укажите фактор, способствовавший появлению тренда больших данных

1) маркетинговые кампании крупных корпораций

2) снижение издержек на хранение данных

3) появление новых технологий обработки потоковых данных

4) выпуск баз данных с обработкой данных в памяти

6. Какие вероятные разочарования тренда больших данных?

1) из-за угрозы безопасности личной жизни (privacy) граждан будут усложнены процедуры сбора данных, что приведёт к падению ценности больших данных

2) из-за угрозы безопасности личной жизни (privacy) граждан будут упрощены процедуры сбора данных, что приведёт к падению ценности больших данных

3) нет

7. Отметьте значимые события, повлиявшие на формирование тренда больших данных:

1) разработка Hadoop

2) изобретение принципа MapReduce

3) разработка языка Pyhton

4) победа Deepblue в матче с Г.Каспаровым

8. Выберите верный ответ

1) большие данные – это обработка или хранение более 1 Тб информации

2) проблема больших данных – это такая проблема, когда при существующих технологиях хранения и обработки сущностная обработка данных затруднена или невозможна

3) большие данные – это огромная PR-акция крупных вендоров и не более того  

4) большие данные – это явление, когда цифровые данные наиболее полно представляют изучаемый объект

9. Выберите неверный ответ:

1) большие данные – это данные объёма свыше 1 Тб

2) проблема больших данных – это проблема, когда при существующих технологиях хранения и обработки сущностная обработка данных затруднена или невозможна

3) большие данные – это тренд в области ИТ, подогреваемый маркетинговыми кампаниями крупных вендоров

4) большие данные как правило не структурированы

10. Отметьте те из вариантов, в которых данные структурированы:

1) данные о продажах компании, представленные в виде помесячных отчётов в формате MS Word

3) текст педагогической поэмы А.С. Макаренко, представленный в формате PDF

4) библиотека фильмов, представленных в формате mpeg4 на одном жестком диске

11. Перечислите четыре основных характеристики Big Data:

1) Virtualization, Volume, Variability, Vehicle

2) Variety, Velocity, Volume, Value

3) Verification, Volume, Velocity, Visualization

4) Video, Value, Variety, Volume

12. Выберите неверное высказывание:

1) большие объёмы данных приводят к слабой их структуризации, поэтому появляется такое разнообразие данных

2) увеличившаяся производительность телекоммуникационных каналов привела к росту объёмов передаваемой информации

3) удешевление систем хранения на единицу информации привело к росту рынка больших данных

13. Отметьте неверное понимание Variety в контексте характеристик Big Data:

1) высокая скорость генерирования данных

2) разные типы данных в колонках таблиц реляционных СУБД

3) разнообразие отраслей, являющихся источниками данных

4) разнообразие типов данных, включающих в себя структурированные, полуструктурированные и неструктурированные

14. Принцип MapReduce состоит в том, чтобы

1) производить вычисления на узлах, где информация изначально была сохранена

2) использовать вычислительные мощности систем хранения

3) использовать функциональное программирование для решения задач массивно-параллельной обработки

15. Выберите одно неверное высказывание про MapReduce:

1) интерфейс для массово-параллельной обработки данных, где вычисления производятся на узлах, где информация изначально была сохранена

2) MapReduce – это две операции: распределения и сборки данных

3) MapReduce был придуман разработчиками Hadoop

4) MapReduce был анонсирован разработчиками Google

16. Во сколько раз теоретически вырастет производительность при подсчёте числа слов в тексте при работе MapReduce при переходе от одного узла к двум? (Введите число.)

Ответ: 2

17. Какие из следующих технологий СУБД не используют принцип MapReduce

1) Hadoop

2) Cassandra

3) HDInsight

4) Redis

18. Какие СУБД полностью полагаются на оперативную память при хранении информации:

1) Oracle Exalytics

2) SAP HANA

3) BigTable

4) HBase

19. В чём преимущество колоночно-ориентированных СУБД?

1) они позволяют выполнять более сложные SQL-запросы по сравнению с реляционными СУБД

2) они позволяют динамически дополнять содержание записей новыми полями

3) они имеют более гибкие возможности аналитики

4) они позволяют эффективно делать межколоночные сравнения

20. Для чего аналитику необходима "песочница"?

1 ) для высокопроизводительной аналитики за счёт использования оперативной памяти и inDB операций

2) для хранения всех полученных от заказчика данных

3) для построения отчётов о результатах анализа

4) для снижения затрат, связанных с репликацией данных

21. Какие из следующих средств разумно использовать для анализа данных, представленных единственным csv-файлом размера более 100Гб:

1) Hadoop

2) Data Warehouse

3) "Песочница"

22. Выберите верное утверждение:

1) Data Warehouse создаются для проверки гипотез при анализе больших данных

2) "Песочница" используется для снижения нагрузки на основной Data Warehouse

3) каждый Data Warehouse должен содержать "песочницу"

4) "Песочница" необходима для любого процесса аналитики

23. Ниже приведена последовательность этапов проекта аналитики в соответствии с CRISP-DM, укажите первый этап.

1) моделирование (Modeling)

2) внедрение (Deployment)

3) подготовка данных (Data Preparation)

4) понимание бизнеса (Business understanding)

5) оценка (Evaluation)

6) понимание данных (Data Understanding)

24. На каком из этапов процесса CRISP-DM происходит проверка гипотез?

1) понимание бизнеса (Business understanding)

2) понимание данных (Data Understanding)

3) моделирование (Modeling)

4) оценка (Evaluation)

25. Вы являетесь владельцем и аналитиком в компании из 10 человек, в которой требуется проанализировать продажи за 1 год (1 млн. продаж). Какие из этапов CRISP-DM можно опустить:

1) понимание бизнеса (Business understanding)

2) подготовка данных (Data Preparation)

3) моделирование (Modeling)

4) оценка (Evaluation)

26. Пример благоразумного использования Hadoop

1) анализ 10 Гб данных

2) ежедневное сохранение данных температуры, поступающих со всех городов России (по одному показанию на город, всего городов 1100 шт)

3) посекундное сохранение данных температуры, поступающих со всех городов России (по одному показанию на город, всего городов 1100 шт)

4) построение графика пульса пациента в реальном времени

27. Начиная с каких размеров данных обоснованно применение кластера Hadoop для хранения данных?

1) 100Гб

2) 1Тб

3) 100Тб

4) 1Пб

28. Hadoop – это:

1) набор утилит, и программный каркас для выполнения распределённых программ, работающих на кластерах

2) распределённая СУБД, позволяющая обрабатывать большие данные

3) язык выполнения заданий в парадигме MapReduce

4) распределённая файловая система, предназначенная для хранения файлов большого объёма

Критерии оценивания тестовых заданий

- отношение правильно выполненных заданий к общему их количеству

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов  «отлично» выполнено от 86% до 100% теста

71-85 баллов «хорошо» выполнено от 72% до 85% теста

56-70 баллов «удовлетворительно» выполнено от 56% до 71% теста

0-55 баллов «неудовлетворительно» выполнено менее 56% теста

1. Перечень вопросов к зачету

1. Определите сущность понятия «большие данные» (ПКС-3).

2. Опишите методики анализа больших данных. (ПКС-3)

3. Процесс аналитики анализа больших данных. (ПКС-3)

4. Дайте характеристику Big Data на мировом рынке. (ПКС-3)

5. Охарактеризуйте Big Data в России. (ПКС-3)

6. Определите понятие Data Mining. (ПКС-3)

8. В чем состоит когнитивный анализ данных. (ПКС-3)

9. Какие модели данных вы знаете? (ПКС-3)

10. Основные описательные статистики. (ПКС-3)

11. Определите различия между параметрическими, непараметрическими и номинальными методами. (ПКС-3)

12. Опишите основную идею корреляционного анализа. (ПКС-3)

13. Регрессионный анализ. (ПКС-3)

14. Основная идея дисперсионного анализа. (ПКС-3)

15. Сущность кластерного анализа. (ПКС-3)

16. Дискриминантный анализ: модель и общая процедура выполнения. (ПКС-3)

17. Цели факторного анализа. (ПКС-3)

18. Программные средства анализа данных: Statistica, SPSS, Excel; их преимущества и недостатки. (ПКС-3)

19. Преимущества работа с данными в программе R-Studio. (ПКС-3)

20. Представление исходных  данных в программе R-Studio. (ПКС-3)

21. Выполнение анализа данных в R-Studio. (ПКС-3)

22. Облачные платформы для анализа больших данных.

5. Методические материалы, определяющие процедуры оценивания знаний, умений, навыков и (или) опыта деятельности, характеризующих этапы формирования компетенций в процессе освоения образовательной программы

5.2. Критерии оценки к зачету

зачет /оценка «отлично» (86-100 баллов) ставится обучающемуся, обнаружившему систематические и глубокие знания учебно-программного материала, умения свободно выполнять задания, предусмотренные программой в типовой ситуации (с ограничением времени) и в нетиповой ситуации, знакомство с основной и дополнительной литературой, усвоение взаимосвязи основных понятий дисциплины в их значении приобретаемой специальности и проявившему творческие способности и самостоятельность в приобретении знаний.

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.

6. Оценочные материалы для организации текущего контроля успеваемости обучающихся

Форма, система оценивания, порядок проведения и организация текущего контроля успеваемости обучающихся устанавливаются Положением об организации текущего контроля успеваемости обучающихся.

2. Комплект заданий для лабораторных работ

Защита лабораторной работы осуществляется путем собеседования студента с преподавателем. При собеседовании студент представляет на проверку отчет по лабораторной работе.

Раздел 1. Введение в анализ больших данных.

Тема: Поиск источников информации в сети Интернет для Big Data

Содержание темы. Сбор и хранение больших данных. Поиск источников информации в сети Интернет: открытые и закрытые источники данных. Портал открытых данных РФ. Сохранение данных в программе Excel. Преобразование и первичная обработка данных.

Раздел 2. Методы анализа данных

Тема: Методы обработки и анализа больших данных.

Содержание темы. Представление исходных данных в программе R-Studio (векторы, массивы, матрицы, списки, таблицы). Статистическая обработка данных в программах Excel R-Studio: подсчет описательных статистик, графическое представление данных. Группировка данных, обнаружение значимых корреляций, зависимостей и тенденций в результате анализа имеющейся информации, выявления отношений между данными различного типа. Применение различных методов выделения, извлечения и группировки данных, которые позволяют выявить систематизированные структуры данных и вывести из них правила для принятия решений и прогнозирования их последствий (регрессионный, дисперсионный, кластерный, дискриминантный, факторный анализы).

Тема: Визуализация исходной информации и аналитических данных.

Содержание темы. Возможности графического представления информации в программе R-Studio: графические функции отображения одномерных и многомерных данных, графический вывод с использованием графических параметров.

Критерии оценивания:

- правильность выполнения задания на лабораторную работу;

- степень усвоения теоретического материала по теме лабораторной работы;

- способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач;

- качество подготовки отчета по  лабораторной работе;

- правильность и полнота ответов на вопросы преподавателя при защите работы.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Выполнены все задания лабораторной работы, обучающийся четко и без ошибок ответил на все контрольные вопросы

71-85 баллов «хорошо» Выполнены все задания лабораторной работы; обучающийся ответил на все контрольные вопросы с замечаниями

56-70 баллов  «удовлетворительно» Выполнены все задания лабораторной работы с замечаниями; обучающийся ответил на все контрольные вопросы с замечаниями

менее 56 баллов «неудовлетворительно» Обучающийся не выполнил или выполнил неправильно задания лабораторной работы; обучающийся ответил на контрольные вопросы с ошибками или не ответил на контрольные вопросы

3. Перечень групповых заданий

Работа в малых группах

Группа обучающихся делится на несколько малых групп. Количество групп определяется  числом творческих заданий, которые будут обсуждаться в процессе занятия. Малые группы формируются либо по желанию, либо по родственной тематике для обсуждения. Каждая малая группа составляет презентацию по своей теме для дальнейшей защиты.

Тема: Обзор источников информации для Big Data

1. Открытые источники информации: статистические сборники, опубликованные отчеты и результаты исследований. Портал открытых данных РФ

2. Закрытые источники данных. Доступ к закрытой информации. Вопросы безопасности данных.

Тема: Облачные платформы для анализа больших данных

1. Аналитика больших данных. Преимущества облаков для аналитики больших данных

3. Частные, публичные и гибридные облака для аналитики больших данных

4. Основные сферы применения  больших данных для принятия решений. Обзор тенденций и проблем больших данных

5. Мотивирующие примеры применения Big Data в бизнесе

Критерии оценивания групповых заданий

- 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;

- оформление презентации.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Работа демонстрирует точное понимание задания. Все материалы имеют непосредственное отношение к теме; источники цитируются правильно. Результаты работы представлены четко и логично, информация точна и отредактирована. Работа отличается яркой индивидуальностью и выражает точку зрения обучающегося. Соблюден единый стиль оформления презентации

71-85 баллов «хорошо» Помимо материалов, имеющих непосредственное отношение к теме, включаются некоторые материалы, не имеющие отношение к ней; используется ограниченное количество источников. Не вся информация взята из достоверных источников; часть информации неточна или не имеет прямого отношения к теме. Недостаточно выражена собственная позиция и оценка информации. Соблюден единый стиль оформления презентации. Допускается незначительная перегрузка слайда информацией.

56-70 баллов «удовлетворительно» Часть материалов не имеет непосредственного отношения к теме, используется 2-3 источника. Делается слабая попытка проанализировать информацию. Материал логически не выстроен и подан внешне непривлекательно, не дается четкого ответа на поставленные вопросы. Нет критического взгляда на проблему. Единый стиль оформления нарушен.

менее 56 баллов «неудовлетворительно» Больше половины материалов не имеет непосредственного отношения 

4. Комплект заданий для самостоятельной работы обучающихся

Изучить теоретический материал в соответствии с темой работы

Раздел 1. Введение в анализ больших данных.

1. Определите сущность понятия «большие данные».

2. Опишите методики анализа больших данных.

3. Процесс аналитики анализа больших данных.

4. Дайте характеристику Big Data на мировом рынке.

5. Охарактеризуйте Big Data в России.

6. Определите понятие Data Mining.

7. Вопросы безопасности больших данных.

8. В чем состоит когнитивный анализ данных.

9. Какие модели данных вы знаете?

Раздел 2. Методы анализа данных

1. Основные описательные статистики.

2. Определите различия между параметрическими, непараметрическими и номинальными методами.

3. Опишите основную идею корреляционного анализа.

4. Регрессионный анализ.

5. Основная идея дисперсионного анализа.

6. Сущность кластерного анализа.

7. Дискриминантный анализ: модель и общая процедура выполнения.

8. Цели факторного анализа.

9. Программные средства анализа данных: Statistica, SPSS, Excel; их преимущества и недостатки. 19. Преимущества работа с данными в программе R-Studio.

10. Представление исходных данных в программе R-Studio.

11. Выполнение анализа данных в R-Studio.

Критерии оценивания самостоятельной работы:

- правильность выполнения задания;

- степень усвоения теоретического материала по теме;

- способность продемонстрировать преподавателю навыки работы в инструментальной программной среде, а также применить их к решению типовых задач;

- качество подготовки отчета по самостоятельной работе;

- правильность и полнота ответов на вопросы преподавателя при защите работы.

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов «отлично» Выполнены все задания самостоятельной работы, обучающийся четко и без ошибок ответил на все контрольные вопросы

71-85 баллов «хорошо» Выполнены все задания самостоятельной работы; обучающийся ответил на все контрольные вопросы с замечаниями

56-70 баллов «удовлетворительно» Выполнены все задания самостоятельной работы с замечаниями; обучающийся ответил на все контрольные вопросы с замечаниями

менее 56 баллов «неудовлетворительно» Обучающийся не выполнил или выполнил неправильно задания самостоятельной работы; обучающийся ответил на контрольные вопросы с ошибками или не ответил на контрольные вопросы

5. Тестовые задания

1. большинство данных в мире в 2011 году содержалось:

1) в цифровом виде

2) в аналоговом виде

2. В каком веке произошёл перевес объёмов накопленных человечеством данных в сторону цифровых?

Ответ:  20

3. Объём накопленных человечеством цифровых данных на 2012 год измеряется:

1) петабайтами

2) зеттабайтами

3) экзабайтами

4) йоттабайтами

Ответ:  1024

5. укажите фактор, способствовавший появлению тренда больших данных

1) маркетинговые кампании крупных корпораций

2) снижение издержек на хранение данных

3) появление новых технологий обработки потоковых данных

4) выпуск баз данных с обработкой данных в памяти

6. Какие вероятные разочарования тренда больших данных?

1) из-за угрозы безопасности личной жизни (privacy) граждан будут усложнены процедуры сбора данных, что приведёт к падению ценности больших данных

2) из-за угрозы безопасности личной жизни (privacy) граждан будут упрощены процедуры сбора данных, что приведёт к падению ценности больших данных

3) нет

7. Отметьте значимые события, повлиявшие на формирование тренда больших данных:

1) разработка Hadoop

2) изобретение принципа MapReduce

3) разработка языка Pyhton

4) победа Deepblue в матче с Г.Каспаровым

8. Выберите верный ответ

1) большие данные – это обработка или хранение более 1 Тб информации

2) проблема больших данных – это такая проблема, когда при существующих технологиях хранения и обработки сущностная обработка данных затруднена или невозможна

3) большие данные – это огромная PR-акция крупных вендоров и не более того  

4) большие данные – это явление, когда цифровые данные наиболее полно представляют изучаемый объект

9. Выберите неверный ответ:

1) большие данные – это данные объёма свыше 1 Тб

2) проблема больших данных – это проблема, когда при существующих технологиях хранения и обработки сущностная обработка данных затруднена или невозможна

3) большие данные – это тренд в области ИТ, подогреваемый маркетинговыми кампаниями крупных вендоров

4) большие данные как правило не структурированы

10. Отметьте те из вариантов, в которых данные структурированы:

1) данные о продажах компании, представленные в виде помесячных отчётов в формате MS Word

2) таблица с ежедневными показаниями температуры помещения за год в файле формата csv

3) текст педагогической поэмы А.С. Макаренко, представленный в формате PDF

4) библиотека фильмов, представленных в формате mpeg4 на одном жестком диске

11. Перечислите четыре основных характеристики Big Data:

1) Virtualization, Volume, Variability, Vehicle

2) Variety, Velocity, Volume, Value

3) Verification, Volume, Velocity, Visualization

4) Video, Value, Variety, Volume

12. Выберите неверное высказывание:

1) большие объёмы данных приводят к слабой их структуризации, поэтому появляется такое разнообразие данных

2) увеличившаяся производительность телекоммуникационных каналов привела к росту объёмов передаваемой информации

3) удешевление систем хранения на единицу информации привело к росту рынка больших данных

13. Отметьте неверное понимание Variety в контексте характеристик Big Data:

1) высокая скорость генерирования данных

2) разные типы данных в колонках таблиц реляционных СУБД

3) разнообразие отраслей, являющихся источниками данных

4) разнообразие типов данных, включающих в себя структурированные, полуструктурированные и неструктурированные

14. Принцип MapReduce состоит в том, чтобы

1) производить вычисления на узлах, где информация изначально была сохранена

2) использовать вычислительные мощности систем хранения

3) использовать функциональное программирование для решения задач массивно-параллельной обработки

15. Выберите одно неверное высказывание про MapReduce:

1) интерфейс для массово-параллельной обработки данных, где вычисления производятся на узлах, где информация 

2) MapReduce – это две операции: распределения и сборки данных

3) MapReduce был придуман разработчиками Hadoop

4) MapReduce был анонсирован разработчиками Google

16. Во сколько раз теоретически вырастет производительность при подсчёте числа слов в тексте при работе MapReduce при переходе от одного узла к двум? (Введите число.)

Ответ: 2

17. Какие из следующих технологий СУБД не используют принцип MapReduce

1) Hadoop

2) Cassandra

3) HDInsight

4) Redis

18. Какие СУБД полностью полагаются на оперативную память при хранении информации:

1) Oracle Exalytics

2) SAP HANA

3) BigTable

4) HBase

19. В чём преимущество колоночно-ориентированных СУБД?

1) они позволяют выполнять более сложные SQL-запросы по сравнению с реляционными СУБД

2) они позволяют динамически дополнять содержание записей новыми полями

3) они имеют более гибкие возможности аналитики

4) они позволяют эффективно делать межколоночные сравнения

20. Для чего аналитику необходима "песочница"?

1 ) для высокопроизводительной аналитики за счёт использования оперативной памяти и inDB операций

2) для хранения всех полученных от заказчика данных

3) для построения отчётов о результатах анализа

4) для снижения затрат, связанных с репликацией данных

21. Какие из следующих средств разумно использовать для анализа данных, представленных единственным csv-файлом размера более 100Гб:

1) Hadoop

2) Data Warehouse

3) "Песочница"

4) Python

22. Выберите верное утверждение:

1) Data Warehouse создаются для проверки гипотез при анализе больших данных

2) "Песочница" используется для снижения нагрузки на основной Data Warehouse

3) каждый Data Warehouse должен содержать "песочницу"

4) "Песочница" необходима для любого процесса аналитики

23. Ниже приведена последовательность этапов проекта аналитики в соответствии с CRISP-DM, укажите первый этап.

1) моделирование (Modeling)

2) внедрение (Deployment)

3) подготовка данных (Data Preparation)

4) понимание бизнеса (Business understanding)

5) оценка (Evaluation)

6) понимание данных (Data Understanding)

24. На каком из этапов процесса CRISP-DM происходит проверка гипотез?

1) понимание бизнеса (Business understanding)

2) понимание данных (Data Understanding)

3) моделирование (Modeling)

4) оценка (Evaluation)

25. Вы являетесь владельцем и аналитиком в компании из 10 человек, в которой требуется проанализировать продажи за 1 год (1 млн. продаж). Какие из этапов CRISP-DM можно опустить:

1) понимание бизнеса (Business understanding)

2) подготовка данных (Data Preparation)

3) моделирование (Modeling)

4) оценка (Evaluation)

1) анализ 10 Гб данных

2) ежедневное сохранение данных температуры, поступающих со всех городов России (по одному показанию на город, всего городов 1100 шт)

3) посекундное сохранение данных температуры, поступающих со всех городов России (по одному показанию на город, всего городов 1100 шт)

4) построение графика пульса пациента в реальном времени

27. Начиная с каких размеров данных обоснованно применение кластера Hadoop для хранения данных?

1) 100Гб

2) 1Тб

3) 100Тб

4) 1Пб

28. Hadoop – это:

1) набор утилит, и программный каркас для выполнения распределённых программ, работающих на кластерах

2) распределённая СУБД, позволяющая обрабатывать большие данные

3) язык выполнения заданий в парадигме MapReduce

4) распределённая файловая система, предназначенная для хранения файлов большого объёма

Критерии оценивания тестовых заданий

- отношение правильно выполненных заданий к общему их количеству

Шкала оценивания

Баллы для учета в рейтинге (оценка) Степень удовлетворения критериям

86-100 баллов  «отлично» выполнено от 86% до 100% теста

71-85 баллов «хорошо» выполнено от 72% до 85% теста

56-70 баллов «удовлетворительно» выполнено от 56% до 71% теста

0-55 баллов «неудовлетворительно» выполнено менее 56% теста

1. Понятие и характеристики больших данных: современные подходы и перспективы развития

2. Архитектуры хранения и обработки больших данных: сравнение традиционных и современных решений

3. Технологии распределённой обработки данных: MapReduce, Hadoop, Spark

4. Роль искусственного интеллекта и машинного обучения в анализе больших данных

5. Потоковые данные: особенности обработки и современные инструменты (Kafka, Flink, Storm)

6. Методы очистки и подготовки больших данных к анализу

7. Визуализация больших данных: инструменты, подходы, примеры

8. Безопасность и защита информации при работе с большими данными

9. Применение больших данных в различных отраслях (медицина, финансы, транспорт, образование и др.)

10. Этические аспекты работы с большими данными

11. Хранилища данных: Data Lake, Data Warehouse и их роль в инфраструктуре Big Data

12. Облачные решения для хранения и обработки больших данных

13. Сравнительный анализ платформ для работы с большими данными: Hadoop vs Spark

14. Технологии NoSQL: виды, особенности, применение в Big Data

15. Роль систем управления метаданными в проектах по анализу больших данных

16. Интернет вещей (IoT) как источник больших данных: проблемы и перспективы анализа

17. Big Data и цифровая трансформация бизнеса

18. Распределённые файловые системы: HDFS, Ceph, GlusterFS

19. Проблемы масштабируемости и отказоустойчивости в системах Big Data

20. Будущее профессии специалиста по большим данным: требования рынка и направления развития

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. 

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;

- 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 

- 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:

«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)

«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;

– 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)

для учета в рейтинге (оценка)

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 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

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).

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