Аналіз даних з використанням мови Python - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти	Перший (бакалаврський)
Галузь знань	12 Інформаційні технології
Спеціальність	126 Інформаційні системи та технології
Освітня програма	Інтегровані інформаційні системи, Інформаційні управляючі системи та технології, Інформаційне забезпечення робототехнічних систем
Статус дисципліни	Вибіркова
Форма навчання	очна(денна)/заочна/дистанційна
Рік підготовки, семестр	2,3 курс, осінній/весняний семестр
Обсяг дисципліни	120 годин (денна: 36 годин – лекції, 18 годин – лабораторні, 66 годин – СРС; заочна: 6 годин – лекції, 6 годин – лабораторні, 108 годин – СРС)
Семестровий контроль/ контрольні заходи	Залік/залікова робота
Розклад занять	http://rozklad.kpi.ua
Мова викладання	Українська
Інформація про керівника курсу / викладачів	ст. викладач Тимофєєва Юлія Сергіївна yulia.s.timofeeva@gmail.com моб. +38(097)492-57-27
Розміщення курсу	https://campus.kpi.ua

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Опис дисципліни

Під час навчання студенти ознайомляться з основними поняттями, методами та засобами попередньої підготовки, статистичної обробки, візуалізації та аналізу даних, основами машинного навчання. На лабораторних заняттях навчаться використовувати основні бібліотеки мови Python для роботи з даними (NumPу, SciPy, Mаtрlоtlіb, Sсіkіt-lеаrn, Pаndаѕ). Передбачено контроль якості отриманих знань у вигляді модульної контрольної роботи.

Предмет навчальної дисципліни

методи та засоби аналізу даних та їх реалізація на мові Python.

Міждисциплінарні зв’язки

Дисципліна Аналіз даних з використанням мови Python базується на дисциплінах:

• Вища математика
• Програмування – 1. Основи програмування
• Програмування – 2. Структури даних та алгоритми
• Спеціальні розділи математики-1. Дискретна математика
• Теорія ймовірностей та математична статистика

Мета навчальної дисципліни

Метою навчальної дисципліни є формування у студентів теоретичних знань і практичних здатностей застосовувати загальні методи і засоби підготовки, статистичної обробки, візуалізації та аналізу даних, використовуючи основні бібліотеки мови Python для роботи з даними.

Основні завдання навчальної дисципліни

Знання

• методів та засобів програмного представлення даних;
• методів та алгоритмів попередньої підготовки даних для аналізу;
• методів та інструментів статистичної обробки та візуалізації даних;
• основ машинного навчання;
• основних функції бібліотек мови Python для роботи з даними.

Уміння

• ефективно використовувати бібліотеки мови Python для обробки, візуалізації та аналізу даних;
• правильно обирати методи та алгоритми для попередньої обробки даних;
• правильно обирати найбільш інформативні способи представлення даних;
• використовувати алгоритми машинного навчання для класифікації, кластеризації, регресійного аналізу і т.д.
• ефективно обробляти, візуалізувати та аналізувати дані, отримані внаслідок власних експериментів та досліджень.
• створювати програми мовою Python для роботи з даними

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Пререквізити

вміти користуватися комп’ютером, мати базові знання з програмування, структур даних та алгоритмів, математичного аналізу, математичної статистики, мати досвід написання простих програм мовою Python.

Постреквізити

після проходження дисципліни студенти зможуть ефективно обробляти, візуалізувати та аналізувати дані, отримані внаслідок власних експериментів та досліджень застосовувати основні алгоритми машинного навчання, використовувати засоби бібліотек NumPу, SciPy, Mаtрlоtlіb, Sсіkіt-lеаrn, Pаndаѕ.

Зміст навчальної дисципліни

Очна форма

Лекційні заняття

• Розділ 1. Основні поняття обробки даних
• Розділ 2. Методи та алгоритми статистичної обробки даних
• Розділ 3. Методи та алгоритми попередньої обробки даних
• Розділ 4. Методи візуалізації та групування даних
• Розділ 5. Методи та алгоритми аналізу даних
• Розділ 6. Основи машинного навчання.

Лабораторні заняття

1. Базове знайомство з бібліотеками для роботи з даними мови Python.
2. Структури та представлення даних.
3. Статистична обробка даних засобами Python.
4. Попередня обробка даних засобами Python. Виявлення аномалій та залежностей.
5. Згладжування даних.
6. Візуалізація даних засобами Python.
7. Аналіз даних засобами Pаndаѕ.
8. Машинне навчання засобами бібліотеки Sсіkіt-lеаrn.

Заочна форма

Лекційні заняття

• Розділ 1. Основні поняття обробки даних
• Розділ 2. Методи та алгоритми попередньої обробки даних
• Розділ 3. Методи та алгоритми аналізу даних

Лабораторні заняття

1. Статистична обробка даних засобами Python.
2. Попередня обробка даних засобами Python.
3. Аналіз даних засобами Pаndаѕ.

Навчальні матеріали та ресурси

Базова література

1. Марченко О.О., Россада Т.В. Актуальні проблеми Data Mining: Навчальний посібник для студентів факультету комп’ютерних наук та кібернетики. – Київ. – 2017. – 150 с.
2. Ланде Д.В., Субач І.Ю., Бояринова Ю.Є. Основи теорії і практики інтелектуального аналізу даних у сфері кібербезпеки: навчальний посібник. – К.: ІСЗЗІ КПІ ім. Ігоря Сікорського», 2018. — 297 с.
3. Бахрушин В.Є. Методи аналізу даних : навчальний посібник для студентів. – Запоріжжя : КПУ, 2011. – 268 с.
4. Уэс Маккинли Python и анализ данных. – М.: ДМК Пресс, 2015. – 482 с.
5. Плас Дж. Вандер. Python для сложных задач: наука о данных и машинное обучение. — СПб.: Питер, 2018. — 576 с.
6. Майкл Хейдт. Изучаем pandas. Высокопроизводительная обработка и анализ данных в Python. — М.: ДМК Пресс, 2018. – 438 с.

Допоміжна література

1. Василенко О. А. Математично-статистичні методи аналізу у прикладних дослідженнях: навч. посіб. / О. А. Василенко, І. А. Сенча. – Одеса: ОНАЗ ім. О. С. Попова, 2011. – 166 с.
2. Себастьян Рашка, Вахид Мирджалили. Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn, TensorFlow. — К.: Диалектика, 2020. – 656 с.
3. Патрик Джоши. Искусственный интеллект с примерами на Python. —К.: Диалектика, 2020. – 448 с.
4. Joel Grus. Data Science from Scratch. – O’Reilly Media, Inc., 2019, 513p.

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Очна форма

Лекційні заняття

№	Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на літературу та завдання на СРС)
1	Лекція 1. Основні поняття обробки даних.
	Структура дисципліни та РСО. Поняття даних, основні завдання обробки даних, особливості обробки даних. Класифікація та загальний огляд етапів та методів обробки даних.
	Література: ( 1,2 )
	Завдання на СРС. Поняття інформації та знання. Атрибути даних.
2	Лекція 2. Огляд бібліотек мови Python для аналізу даних.
	Основні елементи та налаштування бібліотек мови Python. Джерела даних для обробки. Структури та представлення даних в мові Python.
	Література: (4,5,6)
	Завдання на СРС. Встановлення бібліотек мови Python.
3	Лекція 3. Методи статистичної обробки даних.
	Основні засоби статистики для виявлення характеристик набору даних. Перевірка гіпотез. Статистичні методи аналізу даних.
	Література: ( 2,3)
	Завдання на СРС. Дисперсійний аналіз даних.
4	Лекція 4. Статистична обробка даних засобами Python.
	Виявлення статистичних характеристик масивів даних засобами NumPy. Дослідження та моделювання експериментальних даних.
	Література: (4)
	Завдання на СРС. Масиви в NumPy.
5	Лекція 5. Попередня обробка даних. Виявлення аномальних даних.
	Структурування та індексація даних. Об’єднання, злиття та агрегування даних. Виявлення аномальних значень. Методи обробки аномальних значень. Обробка відсутніх даних.
	Література: (4,5,6)
	Завдання для СРС. Налаштування бібліотеки Pаndаѕ.
6	Лекція 6. Попередня обробка даних в бібліотеці Pаndаѕ.
	Інструменти завантаження даних в бібліотеці Pаndаѕ. Засоби підготовки даних до обробки. Об’єднання та зміна форми даних.
	Література: ( 4,5,6)
	Завдання для СРС. Підготовка до першої частини модульної контрольної роботи.
7	Лекція 7. Кореляційних аналіз даних.
	Перша частина модульної контрольної роботи. Екстраполяція та інтерполяція даних. Основи кореляційного аналізу даних.
	Література: ( 2,3)
	Завдання для СРС. Регресійний аналіз даних.
8	Лекція 8. Згладжування даних.
	Проведення кореляційного аналізу засобами Python. Основні методи згладжування даних та їх реалізація.
	Література: ( 2,3)
	Завдання для СРС. Нелінійне згладжування даних.
9	Лекція 9. Часові ряди
	Поняття часових рядів. Статистична обробка часових рядів. Аналіз часових рядів засобами Pаndаѕ.
	Література: (3, 5, 6 )
	Завдання для СРС. Віконні функції.
10	Лекція 10. Візуальне представлення даних.
	Основні види та способи представлення даних, їхні особливості, переваги і недоліки. Вибір засобів та інструментів представлення даних.
	Література: (5)
	Завдання для СРС. Види діаграм для представлення даних.
11	Лекція 11. Візуалізація даних з Mаtрlоtlіb.
	Можливості та налаштування бібліотеки Mаtрlоtlіb. Основні засоби з візуалізації даних. Представлення двовимірних та тривимірних даних. Представлення часових рядів.
	Література: (5,6)
	Завдання для СРС. Використання бібліотеки Seaborn для візуалізації.
12	Лекція 12. Основи інтелектуального аналізу даних.
	Класифікація методів та алгоритмів інтелектуального аналізу даних: OLAP, Data Mining, Text Mining, машинне навчання і т.д.. Особливості їх застосування.
	Література: (5)
	Завдання для СРС. Підготовка до другої частини модульної контрольної роботи.
13	Лекція 13. Основи машинного навчання
	Друга частина модульної контрольної роботи. Основні методи машинного навчання та їх класифікації. Види навчання. Застосування методів до різних етапів обробки даних.
	Література: (5)
	Завдання для СРС. Встановлення та налаштування бібліотеки Sсіkіt-lеаrn.
14	Лекція 14. Підготовка даних для навчання.
	Попередня обробка даних засобами машинного навчання. Вибір ознак та зменшення вимірності. Вибір даних для тренування.
	Література: (5)
	Завдання для СРС. Факторний аналіз.
15	Лекція 15. Методи класифікації даних
	Основні методи класифікації даних, їхні особливості та критерії вибору. Наївний байєсівський класифікатор.
	Література: (1,2,3)
	Завдання для СРС. Поняття класифікації. Ймовірність, формула Байєса.
16	Лекція 16. Метод опорних векторів.
	Реалізація байєсівського класифікатора у Sсіkіt-lеаrn. Використання та реалізація лінійної регресії. Метод опорних векторів.
	Література: ( 1, 5)
	Завдання для СРС. Представлення даних в Sсіkіt-lеаrn.
17	Лекція 17. Основи кластерного аналізу.
	Поняття кластерного аналізу. Основні методи кластерного аналізу. Метод k-середніх.
	Література: (2,5)
	Завдання для СРС. Семантичний аналіз.
18	Лекція 18. Залікова робота.

Лабораторні заняття

№	Назва лабораторної роботи	Кількість ауд. годин
1	Базове знайомство з бібліотеками для роботи з даними мови Python.	2
2	Структури та представлення даних.	2
3	Статистична обробка даних засобами Python.	2
4	Попередня обробка даних засобами Python. Виявлення аномалій та залежностей.	2
5	Згладжування даних	2
6	Візуалізація даних засобами Python	2
7	Аналіз даних засобами Pаndаѕ	2
8	Машинне навчання засобами бібліотеки Sсіkіt-lеаrn	2
9	Підсумкове заняття	2

Заочна форма

Лекційні заняття

№	Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на літературу та завдання на СРС)
1	Лекція 1. Основні поняття обробки даних
	Структура дисципліни та РСО. Поняття даних, основні завдання обробки даних, особливості обробки даних. Класифікація та загальний огляд етапів та методів обробки даних. Основні елементи та налаштування бібліотек мови Python. Джерела даних для обробки. Структури та представлення даних в мові Python.
	Література: ( 1,2,4,5,6 )
	Завдання на СРС. Поняття інформації та знання. Атрибути даних. Встановлення бібліотек мови Python.
2	Лекція 2. Попередня обробка даних. Виявлення аномальних даних.
	Структурування та індексація даних. Об’єднання, злиття та агрегування даних. Виявлення аномальних значень. Методи обробки аномальних значень. Обробка відсутніх даних. Інструменти завантаження даних в бібліотеці Pаndаѕ. Засоби підготовки даних до обробки. Об’єднання та зміна форми даних.
	Література: (4,5,6)
	Завдання для СРС. Налаштування бібліотеки Pаndаѕ. Статистична обробка даних. Візуалізація даних.
3	Лекція 3. Основи інтелектуального аналізу даних.
	Класифікація методів та алгоритмів інтелектуального аналізу даних: OLAP, Data Mining, Text Mining, машинне навчання і т.д. Особливості їх застосування. Друга частина модульної контрольної роботи. Основні методи машинного навчання та їх класифікації. Види навчання. Застосування методів до різних етапів обробки даних.
	Література: (1,2,5)
	Завдання для СРС. Встановлення та налаштування бібліотеки Sсіkіt-lеаrn. Методи класифікації даних. Основи кластерного аналізу.

Лабораторні заняття

№	Назва лабораторної роботи	Кількість ауд. годин
1	Статистична обробка даних засобами Python.	2
2	Попередня обробка даних засобами Python. Виявлення аномалій та залежностей.	2
3	Аналіз даних засобами Pаndаѕ	2

Самостійна робота студента/аспіранта

Очна форма

№	Назва теми, що виноситься на самостійне опрацювання	Кількість годин СРС
1	Поняття інформації та знання. Атрибути даних	3
2	Встановлення бібліотек мови Python	4
3	Дисперсійний аналіз даних	5
4	Масиви в NumPy	5
5	Налаштування бібліотеки Pаndаѕ	4
6	Підготовка до першої частини модульної контрольної роботи	4
7	Регресійний аналіз даних	4
8	Нелінійне згладжування даних	4
9	Віконні функції	5
10	Види діаграм для представлення даних	4
11	Використання бібліотеки Seaborn для візуалізації	3
12	Підготовка до другої частини модульної контрольної роботи	4
13	Встановлення та налаштування бібліотеки Sсіkіt-lеаrn	4
14	Факторний аналіз	3
15	Поняття класифікації. Ймовірність, формула Байєса	3
16	Представлення даних в Sсіkіt-lеаrn	4
17	Семантичний аналіз	3

Заочна форма

№	Назва теми, що виноситься на самостійне опрацювання	Кількість годин СРС
1	Поняття інформації та знання. Атрибути даних. Встановлення бібліотек мови Python	4
2	Основні засоби статистики для виявлення характеристик набору даних. Перевірка гіпотез. Статистичні методи аналізу даних. Дисперсійний аналіз даних	8
3	Виявлення статистичних характеристик масивів даних засобами NumPy. Дослідження та моделювання експериментальних даних.	8
4	Дисперсійний аналіз даних. Налаштування бібліотеки Pаndаѕ	8
5	Екстраполяція та інтерполяція даних. Основи кореляційного аналізу даних.	10
6	Проведення кореляційного аналізу засобами Python. Основні методи згладжування даних та їх реалізація. Нелінійне згладжування даних	10
7	Поняття часових рядів. Статистична обробка часових рядів. Аналіз часових рядів засобами Pаndаѕ.	8
8	Основні види та способи представлення даних, їхні особливості, переваги і недоліки. Вибір засобів та інструментів представлення даних. Види діаграм для представлення данихх	8
9	Можливості та налаштування бібліотеки Mаtрlоtlіb. Основні засоби з візуалізації даних. Представлення двовимірних та тривимірних даних. Представлення часових рядів. Використання бібліотеки Seaborn для візуалізації	8
10	Попередня обробка даних засобами машинного навчання. Вибір ознак та зменшення вимірності. Вибір даних для тренування. Встановлення та налаштування бібліотеки Sсіkіt-lеаrn	8
11	Основні методи класифікації даних, їхні особливості та критерії вибору. Наївний байєсівський класифікатор.	8
12	Реалізація байєсівського класифікатора у Sсіkіt-lеаrn. Використання та реалізація лінійної регресії. Метод опорних векторів.	8
13	Поняття кластерного аналізу. Основні методи кластерного аналізу. Метод k-середніх.	8
14	Підготовка до модульної контрольної роботи	4

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Система вимог, які ставляться перед студентом:

• відвідування лекційних та лабораторних занять є обов’язковою складовою вивчення матеріалу;
• на лекції викладач користується власним презентаційним матеріалом; використовує гугл-диск для викладання матеріалу поточної лекції, додаткової інформації, завдань до лабораторних робіт та інше;
• питання на лекції задаються у відведений для цього час;
• звіти з лабораторних робіт завантажуються напередодні захисту; для захисту лабораторної роботи необхідно продемонструвати роботу відповідної завданню програми та відповісти на питання щодо програми та контрольні питання;
• модульні контрольні роботи пишуться на лекційних заняттях без застосування допоміжних засобів (мобільні телефони, планшети та ін.); результат завантажується у файлі через гугл-форму до відповідної директорії гугл-диску;
• заохочувальні бали виставляються за: участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць тощо. Кількість заохочуваних балів не більше 10;
• штрафні бали виставляються за: несвоєчасну здачу лабораторних робіт без поважних причин; переписування модульної контрольної роботи. Кількість штрафних балів не більше 10.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента складається з балів, що він отримує за:

1. виконання та захист лабораторних робіт;
2. виконання модульної контрольної роботи;
3. заохочувальні та штрафні бали.

Система рейтингових балів та критерії оцінювання

Денна форма навчання:

Лабораторні завдання

• «відмінно», пповна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації), повне виконання завдання лабораторної роботи – 9 балів;
• «добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації), повне виконання завдання лабораторної роботи – 7-8 балів;
• «задовільно», неповна відповідь на питання під час захисту (не менш ніж 60% потрібної інформації), незначні помилки у виконанні завдання лабораторної роботи – 5-6 балів;
• «незадовільно», незадовільна відповідь та/або значні помилки у виконання завдання лабораторної роботи – 0 балів.

За запізнення з поданням лабораторної роботи до захисту від встановленого терміну оцінка знижується на 1 бал.

Модульні контрольні роботи

• «відмінно», повна відповідь (не менш ніж 90% потрібної інформації), завдання виконано без помилок, дії обґрунтовано – 14 балів;
• «добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), завдання виконано без значних помилок – 10-13 балів;
• «задовільно», неповна відповідь, в деяких завданнях можуть бути присутні значні помилки, але не менше 60% виконано правильно – 7-9 балів;
• «незадовільно», незадовільна відповідь (неправильне виконання завдань), потребує обов’язкового повторного написання в кінці семестру – 0 балів.

Заохочувальні бали

за виконання творчих робіт з кредитного модуля (наприклад, участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць тощо) 1-2 бали, але в сумі не більше 10.

Міжсесійна атестація

За результатами навчальної роботи за перші 7 тижнів максимально можлива кількість балів – 41 бал (3 лабораторних завдань, перша частина модульної контрольної роботи). На першій атестації (8-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 15 балів.

За результатами 13 тижнів навчання максимально можлива кількість балів – 82 бала (6 лабораторних завдань, модульна контрольна робота). На другій атестації (14-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 38 балів.

Максимальна сума вагових балів контрольних заходів протягом семестру складає:

RD = 8*r_л.р.+2*r_мкр+ (r_з - r_ш)=8*9+2*14+(r_з - r_ш)=100 + (r_з - r_ш), де r_л.р. – бал за лабораторну роботу (0…9); r_мкр – бал за написання МКР (0…14); r_з – заохочувальні бали (0…10); r_зш – штрафні бали (0…10);.

Заочна форма навчання:

Лабораторні завдання

• «відмінно», пповна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації), повне виконання завдання лабораторної роботи – 20 балів;
• «добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації), повне виконання завдання лабораторної роботи – 16-19 балів;
• «задовільно», неповна відповідь на питання під час захисту (не менш ніж 60% потрібної інформації), незначні помилки у виконанні завдання лабораторної роботи – 12-15 балів;
• «незадовільно», незадовільна відповідь та/або значні помилки у виконання завдання лабораторної роботи – 0 балів.

За запізнення з поданням лабораторної роботи до захисту від встановленого терміну оцінка знижується на 1 бал.

Модульна контрольна робота

• «відмінно», повна відповідь (не менш ніж 90% потрібної інформації), завдання виконано без помилок, дії обґрунтовано – 40 балів;
• «добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), завдання виконано без значних помилок – 31-39 балів;
• «задовільно», неповна відповідь, в деяких завданнях можуть бути присутні значні помилки, але не менше 60% виконано правильно – 24-30 балів;
• «незадовільно», незадовільна відповідь (неправильне виконання завдань), потребує обов’язкового повторного написання в кінці семестру – 0 балів.

Заохочувальні бали

за виконання творчих робіт з кредитного модуля (наприклад, участь у факультетських та інститутських олімпіадах з навчальних дисциплін, участь у конкурсах робіт, підготовка оглядів наукових праць тощо) 1-2 бали, але в сумі не більше 10.

Максимальна сума вагових балів контрольних заходів протягом семестру складає:

RD = 3*r_л.р.+r_мкр+ (r_з - r_ш)=3*20+40+(r_з - r_ш)=100 + (r_з - r_ш), де r_л.р. – бал за лабораторну роботу (0…20); r_мкр – бал за написання МКР (0…40); r_з – заохочувальні бали (0…10); r_зш – штрафні бали (0…10);

Залік

Студенти, які виконали всі умови допуску до семестрової атестації (написали всі модульні контрольні, виконали і захистили всі лабораторні роботи) та набрали протягом семестру необхідну кількість балів (RD ≥ 60), отримують залікову оцінку (залік) автоматично відповідно до набраного рейтингу (табл. 1, що наведена нижче). У такому разі до заліково-екзаменаційної відомості вносяться бали RD та відповідні оцінки. Студенти, які набрали протягом семестру менше ніж 60 балів та не мають заборгованостей, зобов’язані виконувати залікову контрольну роботу. Залікова контрольна робота містить п’ять питань. Кожне питання оцінюється у 20 балів. Студентам, які протягом семестру набрали більш ніж 60 балів та виконали всі умови допуску, надається можливість виконувати залікову контрольну роботу з метою підвищення оцінки. В такому разі, попередній рейтинг студента з кредитного модуля скасовується і він отримує оцінку з урахуванням результатів залікової контрольної роботи (табл. 1, що наведена нижче).

Система оцінювання питань

• «відмінно», повна відповідь (не менше 90% потрібної інформації) – 18-20 балів;
• «добре», достатньо повна відповідь (не менше 75% потрібної інформації, або незначні неточності) – 15-17 балів;
• «задовільно», неповна відповідь (не менше 60% потрібної інформації та деякі помилки) – 12-14 балів;
• «незадовільно», незадовільна відповідь – 0-11 балів.

Сума набраних балів RD або балів за залікову роботу переводиться до залікової оцінки згідно з таблицею:

Таблиця 1. Переведення рейтингових балів до оцінок за університетською шкалою

Кількість балів	Оцінка
100-95	Відмінно
94-85	Дуже добре
84-75	Добре
74-65	Задовільно
64-60	Достатньо
Менше 60	Незадовільно
Не виконані умови допуску	Не допущено

Додаткова інформація з дисципліни (освітнього компонента)

Робочу програму навчальної дисципліни (Силабус): Складено ст. викладач, Тимофєєва Юлія Сергіївна Ухвалено кафедрою ІСТ (протокол № 1 від 30.08.2021 р.) Погоджено Методичною комісією факультету[1] (протокол № 1 від 30.08.2021 р.)