МЕТОДИ І ЗАСОБИ ОБРОБКИ ВЕЛИКИХ ДАНИХ - Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Другий (магістерський) |
|---|---|
| Галузь знань | 12 Інформаційні технології |
| Спеціальність | 126 Інформаційні системи та технології |
| Освітня програма | Інформаційні управляючі системи та технології |
| Статус дисципліни | Обов’язкова (нормативна) |
| Форма навчання | Очна (денна), заочна |
| Рік підготовки, семестр | І курс, осінній семестр |
| Обсяг дисципліни | 4 кредити ECTS /120 годин (денна: 36 годин лекцій, 18 годин лабораторних занять; заочна: 6 годин лекцій, 6 годин лабораторних занять) |
| Семестровий контроль/ контрольні заходи | Екзамен/тестування, МКР, захист лабораторних робіт |
| Розклад занять | 1 лекція (2 години) 1 раз на тиждень; 1 лабораторна робота (2 години) 1 раз на 2 тижні. |
| Мова викладання | Українська |
| Інформація про керівника курсу / викладачів |
Лектор: к.т.н., доц. Завгородня Ганна Анатоліївна, annzavgorodnya@gmail.com Лабораторні роботи: к.т.н., доц. Завгородня Ганна Анатоліївна, annzavgorodnya@gmail.com |
| Розміщення курсу | https://campus.kpi.ua |
Програма навчальної дисципліни
Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
Силабус освітнього компонента «Методи і засоби обробки великих даних» складено відповідно до освітньо-професійної програми підготовки магістрів «Інформаційні управляючі системи та технології» спеціальності 126 Інформаційні системи та технології.
Метою навчальної дисципліни є формування та закріплення у студентів наступних загальних компетентностей: (ЗК01) Здатність до абстрактного мислення, аналізу та синтезу; а також наступних фахових (спеціальних) компетентностей:
(СК01) Здатність розробляти та застосувати ІСТ, необхідні для розв’язання стратегічних і поточних задач; (СК04) Здатність розробляти математичні, інформаційні та комп’ютерні моделі об’єктів і процесів інформатизації; (СК05) Здатність використовувати сучасні технології аналізу даних для оптимізації процесів в інформаційних системах; (СК07) Розробляти і реалізовувати інноваційні проекти у сфері ІСТ; (СК08) Здатність розробляти сховища великих даних, розробляти і використовувати інструментальні засоби інтеграції різнотипних даних у наборах великих обсягів і великої розмірності, видобувати знання шляхом інтеграції та аналізу великих даних, отриманих з різноманітних та різнорідних джерел інформації, створювати прикладні інформаційні продукти для цих цілей.
Предмет навчальної дисципліни: великі дані, методи та засоби їх зберігання, обробки та аналізу.
Програмні результати навчання, на формування та покращення яких спрямована дисципліна: (РН09) Розробляти і використовувати сховища даних, здійснювати аналіз даних для підтримки прийняття рішень; (РН11) Розв’язувати задачі цифрової трансформації у нових або невідомих середовищах на основі спеціалізованих концептуальних знань, що включають сучасні наукові здобутки у сфері інформаційних технологій, досліджень та інтеграції знань з різних галузей.
Пререквізити та постреквізити дисципліни
Пререквізити: мати знання з дисциплін: програмування, вища математика, аналіз даних в інформаційно-управляючих системах, теорія ймовірностей та математична статистика, ймовірнісні моделі та статистичне оцінювання в ІУС, системи штучного інтелекту, прийняття рішень в інформаційних системах.
Постреквізити: після проходження дисципліни студенти матимуть теоретичні знання та практичні навички, які необхідні для провадження інженерної та наукової діяльності в області аналізу великих даних, їх інтелектуальної обробки і створення відповідних прикладних інформаційних програм.
Зміст навчальної дисципліни
Розділ 1. Загальні поняття та характеристики великих даних
Тема 1.1. Основні поняття великих даних
Тема 1.2. Етапи процесу обробки великих даних
Тема 1.3. Методи та засоби збирання та зберігання великих даних
Тема 1.4. Розробка сховищ великих даних
Розділ 2. Обробка великих даних за допомогою фреймворка Apache Spark
Тема 2.1. Знайомство з фреймворком Apache Spark для обробки та аналізу великих даних
Тема 2.2. Принципи роботи та складові Apache Spark
Тема 2.3. Операції Spark
Тема 2.4. Структури даних Spark
Тема 2.5. Читання та запис даних в Spark
Тема 2.6. Робота зі Spark SQL
Розділ 3. Обробка та аналіз потокових даних
Тема 3.1. Обробка потокових даних
Тема 3.2. Об’єднання потокових даних
Розділ 4. Моделі машинного навчання для великих даних
Тема 4.1. Попередня обробка даних
Тема 4.2. Класифікація в Spark MLlib
Тема 4.3. Кластеризація та регресія в Spark MLlib
Розділ 5. Аналіз даних з соціальних мереж та безпека даних
Тема 5.1. Методи та засоби візуалізації великих даних
Тема 5.2. Аналітика великих даних в соціальних мережах
Тема 5.3. Безпека та приватність великих даних
Навчальні матеріали та ресурси
Основна література
Zgurovsky M.Z., Zaychenko Y.P. Big Data: Conceptual Analysis and Applications. Springer, 2020. – 298 p.
T. Erl. Big Data Fundamentals. — Prentice Hall, 2021. – 235 p.
David Dietrich. Data Science & Big Data Analytics. —John Wiley & Sons, Inc, 2015. – 435 p.
B. Chambers . Spark: The Definitive Guide. — O’Reilly Media,2018. — 601 p.
D. K. Panda. High-Performance Big Data Computing. — The MIT Press, 2022. — 275 p.
Rajkumar Buyya. Big Data. Principles and Paradigms. — Elsevier, 2016. – 496p.
Додаткова література
Adi Wijaya. Data Engineering with Google Cloud Platform. — Packt Publishing, 2022. — 440 р.
Ситник В.Ф., Краснюк М.Т. Інтелектуальний аналіз даних (дейтамайнінг): Навч. пос. — К:КНЕУ, 2007 — 376 с.
Олійник А. О. Інтелектуальний аналіз даних : навчальний посібник. — Запоріжжя : ЗНТУ, 2012. — 278 с.
Phil Simon. Too Big to Ignore: The Business Case for Big Data. — Wiley, 2019. — 257p.
Навчальний контент
Методика опанування навчальної дисципліни (освітнього компонента)
Денна форма навчання
Лекційні заняття
№ з/п |
Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на інформаційні джерела) |
|---|---|
| 1 | Тема 1.1. Основні поняття великих даних Основні питання: Структура дисципліни та РСО. Поняття великих даних, їхні особливості та проблеми зберігання та обробки. Основні характеристики великих даних. Типи даних. |
| 2 | Тема 1.2. Етапи процесу обробки великих даних Основні питання: Основні етапи процесу роботи з великими даними: постановка задачі, визначення даних, фільтрація, видобування, валідація та підготовка, аналіз, візуалізація. Види систем для роботи з великими даними. |
| 3 | Тема 1.3. Методи та засоби збирання та зберігання великих даних Основні питання: Джерела великих даних, питання приватності та безпеки. Засоби збереження великих даних. Хмарні сховища, розподілені сховища. Складові фреймворку для роботи з великими даними. |
| 4 | Тема 1.4. Розробка сховищ великих даних Основні питання: Складові сховища даних. Сховища даних, озера даних, платформи даних. Особливості збереження потокових даних. Розробка та побудова сховища великих даних на прикладі BigQuery. |
| 5 | Тема 2.1. Знайомство з фреймворком Apache Spark для обробки та аналізу великих даних Основні питання: Основні складові Spark. Особливості роботи Spark та способи використання. Переваги та недоліки. Основні концепції: завдання, ациклічні орієнтовані графи етапів завдань, окремі задачі. |
| 6 | Тема 2.2. Принципи роботи та складові Apache Spark Основні питання: Логічні структури даних: RDD, DataFrame, Dataset. Мови програмування, які використовуються в Spark. Способи взаємодії зі Spark, командний рядок. Складові Spark: драйвер, менеджер кластера, виконавці. |
| 7 | Тема 2.3. Операції Spark Основні питання: Перша частина модульної контрольної роботи. Перетворення в Spark, їх види та спосіб виконання. Перетворення з вузькими та широкими залежностями. Дії в Spark, їх види та спосіб виконання. |
| 8 | Тема 2.4. Структури даних Spark Основні питання: Типи розподілених спільних змінних. Стійкі розподілені набори даних. Типи даних в Spark. Датафрейми, способи їх задання. Створення схеми даних. Фільтрування даних, створення вибірки, перейменування, групування, агрегація. Основні статистичні характеристики. |
| 9 | Тема 2.5. Читання та запис даних в Spark Основні питання: Основні джерела даних в Spark. Основна структура зчитування даних. Режими читання даних. Основна структура запису даних та режими збереження. Читання та запис csv-файлів, відповідні опції. Інші формати файлів та їх особливості. |
| 10 | Тема 2.6. Робота зі Spark SQL Основні питання: Зчитування з баз даних за допомогою SQL. Використання запитів SQL в командному рядку та через мовні API Spark. Створення таблиць та представлень у Spark SQL. Складні типи та функції для роботи з ними. |
| 11 | Тема 3.1. Обробка потокових даних Основні питання: Основні концепції, характеристики та платформи для обробки великих даних в реальному часі. Поняття події, потоку подій, потокової обробки. Використання Spark Streaming для роботи з потоковими даними. Особливості читання та запису потокових даних. |
| 12 | Тема 3.2. Об’єднання потокових даних Основні питання: Операції з потоковими даними в Spark Streaming, особливості використання агрегацій. Об’єднання потокових даних зі статичними. Об’єднання двох потоків, використання позначок. |
| 13 | Тема 4.1. Попередня обробка даних Основні питання: Друга частина модульної контрольної роботи. Перетворювачі в Spark MLlib та їх використання для попередньої обробки даних. Перетворення неперервних даних у дискретні. Перетворення категоріальних даних в числові. Масштабування даних. |
| 14 | Тема 4.2. Класифікація в Spark MLlib Основні питання: Токенізація текстових даних, видалення неінформативних слів, перетворення текстових даних на числові вектори. Класи для попереднього відбору ознак. Алгоритми класифікації, адаптовані для великих даних і відповідні класи Spark MLlib. Налаштування гіперпараметрів моделей та оцінка моделей. |
| 15 | Тема 4.3. Кластеризація та регресія в Spark MLlib Основні питання: Моделі регресії в Spark MLlib, їх гіперпараметри та метрики для оцінки. Узагальнена лінійна регресія, дерева рішень та випадкові ліси, ізотонічна регресія. Алгоритми для кластеризації та рекомендаційних систем. |
| 16 | Тема 5.1. Методи та засоби візуалізації великих даних Основні питання: Методи та інструменти візуального аналізу даних. Графіки числових рядів. Представлення мережі у вигляді графа. Обробка графів. Використання GraphX для створення графів. Алгоритми на графах для великих даних. |
| 17 | Тема 5.2. Аналітика великих даних в соціальних мережах Основні питання: Основні задачі, пов’язані з аналітикою даних в соціальних мережах. Методи визначення мови. Інтелектуальний аналіз тексту. Визначення трендових тем. Побудова рекомендаційних систем. Виявлення аномалій |
| 18 | Тема 5.3. Безпека та приватність великих даних Основні питання: Приватність даних з соціальних мереж. Політики диференційованої приватності. Безпека великих даних. Шифрування великих даних. |
Лабораторні роботи
№ з/п |
Перелік лабораторних робіт |
|---|---|
| 1 | Лабораторна робота №1. Встановлення та налаштування Apache Spark Мета роботи: Інсталювати та налаштувати фреймворк для обробки та аналізу великих даних Apache Spark. Вивчити різні опції запуску програм в Spark. |
| 2 | Лабораторна робота №2. Базове знайомство з Apache Spark Мета роботи: Ознайомитись з базовими можливостями пакетної обробки даних в Apache Spark: навчитись задавати схему даних та виконувати статистичний аналіз за допомогою Spark |
| 3 | Лабораторна робота №3. Обробка та аналіз великих даних в Spark SQL Мета роботи: ознайомитись з використанням методу sql об'єкту SparkSession; навчитись визначати таблиці та представлення, використовувати функції для роботи зі складними типами даних Spark. |
| 4 | Лабораторна робота №4. Робота з файлами в Spark Streaming Мета роботи: ознайомитись з потоковою обробкою файлів у Spark Streaming; навчитись формувати потокові запити та виконувати статистичну обробку потокових даних. |
| 5 | Лабораторна робота №5. Об’єднання потоків в Spark Streaming Мета роботи: ознайомитись з особливістю операції об’єднання потокових даних у Spark Streaming; навчитись об’єднувати потокові дані зі статичними даними; навчитись інтегрувати потокові дані з різних джерел, використовувати Watermark. |
| 6 | Лабораторна робота №6. Попередня обробка даних в Spark MLlib Мета роботи: ознайомитись з основними операціями для попередньої обробки даних у Spark MLlib; навчитись виконувати групування, масштабування числових даних, кодування категоріальних даних, токенізацію, фільтрацію та кодування текстових даних |
| 7 | Лабораторна робота №7. Задачі класифікації в Spark MLlib Мета роботи: ознайомитись з використанням основних алгоритмів машинного навчання для задач класифікації у Spark MLlib; навчитись налаштовувати гіперпараметри моделей, оцінювати моделі класифікації та обирати найкращу. |
| 8 | Лабораторна робота №8. Задачі регресії в Spark MLlib Мета роботи: ознайомитись з використанням основних алгоритмів машинного навчання для задач регресії у Spark MLlib; навчитись оцінювати моделі регресії, обирати найкращу, виконувати передбачення. |
Самостійна робота студента
№ з/п |
Вид самостійної роботи | Кількість годин СРС |
|---|---|---|
| 1 | Підготовка до лабораторних робіт | 28 |
| 2 | Підготовка до МКР | 8 |
| 3 | Підготовка до екзамену | 30 |
Заочна форма навчання
Лекційні заняття
№ з/п |
Назва теми лекції та перелік основних питань (перелік дидактичних засобів, посилання на інформаційні джерела) |
|---|---|
| 1 | Теми 1.1, 1.2 Основні поняття великих даних. Етапи процесу обробки великих даних Основні питання: Структура дисципліни та РСО. Поняття великих даних, їхні особливості та проблеми зберігання та обробки. Основні характеристики великих даних. Типи даних. Основні етапи процесу роботи з великими даними: постановка задачі, визначення даних, фільтрація, видобування, валідація та підготовка, аналіз, візуалізація. Види систем для роботи з великими даними. |
| 2 | Теми 1.3, 1.4. Методи та засоби збирання та зберігання великих даних. Розробка сховищ великих даних Основні питання: Джерела великих даних, питання приватності та безпеки. Засоби збереження великих даних. Хмарні сховища, розподілені сховища. Складові фреймворку для роботи з великими даними. Складові сховища даних. Сховища даних, озера даних, платформи даних. Особливості збереження потокових даних. Розробка та побудова сховища великих даних на прикладі BigQuery. |
| 3 | Тема 2.1. Знайомство з фреймворком Apache Spark для обробки та аналізу великих даних Основні питання: Основні складові Spark. Особливості роботи Spark та способи використання. Переваги та недоліки. Основні концепції: завдання, ациклічні орієнтовані графи етапів завдань, окремі задачі. Логічні структури даних: RDD, DataFrame, Dataset. Складові Spark: драйвер, менеджер кластера, виконавці. Перетворення в Spark, їх види та спосіб виконання. Перетворення з вузькими та широкими залежностями. Дії в Spark, їх види та спосіб виконання. |
| 4 | Теми 2.4-2.6. Структури даних Spark. Читання та запис даних в Spark. Робота зі Spark SQL Основні питання: Типи даних в Spark. Датафрейми, способи їх задання. Створення схеми даних. Фільтрування даних, створення вибірки, перейменування, групування, агрегація. Основні статистичні характеристики. Основні джерела даних в Spark. Основна структура зчитування даних. Режими читання даних. Основна структура запису даних та режими збереження. Читання та запис csv-файлів, відповідні опції. Інші формати файлів та їх особливості. Зчитування з баз даних за допомогою SQL. |
| 5 | Теми 3.1, 3.2. Обробка потокових даних. Об’єднання потокових даних Основні питання: Основні концепції, характеристики та платформи для обробки великих даних в реальному часі. Поняття події, потоку подій, потокової обробки. Використання Spark Streaming для роботи з потоковими даними. Особливості читання та запису потокових даних. Операції з потоковими даними в Spark Streaming, особливості використання агрегацій. Об’єднання потокових даних зі статичними. Об’єднання двох потоків, використання позначок. |
| 6 | Теми 4.1-4.3. Машинне навчання великих даних Основні питання: Перетворювачі в Spark MLlib та їх використання для попередньої обробки даних. Перетворення неперервних даних у дискретні. Перетворення категоріальних даних в числові. Масштабування даних. Алгоритми класифікації, адаптовані для великих даних і відповідні класи Spark MLlib. Налаштування гіперпараметрів моделей та оцінка моделей. Моделі регресії в Spark MLlib, їх гіперпараметри та метрики для оцінки. Узагальнена лінійна регресія, дерева рішень та випадкові ліси, ізотонічна регресія. Алгоритми для кластеризації та рекомендаційних систем. |
Лабораторні роботи
№ з/п |
Перелік лабораторних робіт |
|---|---|
| 1 | Лабораторна робота №1. Встановлення та налаштування Apache Spark. Обробка та аналіз великих даних в Spark SQL Мета роботи: інсталювати та налаштувати фреймворк для обробки та аналізу великих даних Apache Spark. Вивчити різні опції запуску програм в Spark. Ознайомитись з базовими можливостями пакетної обробки даних в Apache Spark: навчитись задавати схему даних та виконувати статистичний аналіз за допомогою Spark. ознайомитись з використанням методу sql об'єкту SparkSession; навчитись визначати таблиці та представлення, використовувати функції для роботи зі складними типами даних Spark. |
| 2 | Лабораторна робота №2. Робота зі Spark Streaming Мета роботи: ознайомитись з потоковою обробкою файлів у Spark Streaming; навчитись формувати потокові запити та виконувати статистичну обробку потокових даних. Ознайомитись з особливістю операції об’єднання потокових даних у Spark Streaming; навчитись об’єднувати потокові дані зі статичними даними; навчитись інтегрувати потокові дані з різних джерел, використовувати Watermark. |
| 3 | Лабораторна робота №3. Машинне навчання великих даних Мета роботи: ознайомитись з основними операціями для попередньої обробки даних у Spark MLlib; навчитись виконувати групування, масштабування числових даних, кодування категоріальних даних, токенізацію, фільтрацію та кодування текстових даних. ознайомитись з використанням основних алгоритмів машинного навчання для задач класифікації у Spark MLlib; навчитись налаштовувати гіперпараметри моделей, оцінювати моделі класифікації та обирати найкращу. ознайомитись з використанням основних алгоритмів машинного навчання для задач регресії у Spark MLlib |
Самостійна робота студента
№ з/п |
Вид самостійної роботи | Кількість годин СРС |
|---|---|---|
| 1 | Підготовка до лабораторних робіт | 28 |
| 2 | Підготовка до МКР | 8 |
| 3 | Опрацювання теоретичного матеріалу | 42 |
| 4 | Підготовка до екзамену | 30 |
Політика та контроль
Політика навчальної дисципліни (освітнього компонента)
Система вимог, які викладач ставить перед студентом:
правила відвідування занять: заборонено оцінювати присутність або відсутність здобувача на аудиторному занятті, в тому числі нараховувати заохочувальні або штрафні бали. Відповідно до РСО даної дисципліни бали нараховують за відповідні види навчальної активності на лекційних та лабораторних заняттях;
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;
політика щодо академічної доброчесності: Кодекс честі Національного технічного університету України «Київський політехнічний інститут» https://kpi.ua/files/honorcode.pdf встановлює загальні моральні принципи, правила етичної поведінки осіб та передбачає політику академічної доброчесності для осіб, що працюють і навчаються в університеті, якими вони мають керуватись у своїй діяльності, в тому числі при вивченні та складанні контрольних заходів з дисципліни «Методи і засоби обробки великих даних»;
при використанні цифрових засобів зв’язку з викладачем (електронна пошта та телеграм) необхідно дотримуватись загальноприйнятих етичних норм, зокрема бути ввічливим та обмежувати спілкування робочим часом викладача.
Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Поточний контроль: МКР, виконання та захист лабораторних робіт.
Календарний контроль: провадиться двічі на семестр як моніторинг поточного стану виконання вимог силабусу.
Семестровий контроль: екзамен.
Умови допуску до семестрового контролю: виконані та захищені лабораторні роботи, написана модульна контрольна робота, семестровий рейтинг більше 30 балів.
Таблиця відповідності рейтингових балів оцінкам за університетською шкалою:
| Кількість балів | Оцінка |
| 95-100 | Відмінно |
| 85-94 | Дуже добре |
| 75-84 | Добре |
| 65-74 | Задовільно |
| 60-64 | Достатньо |
| Менше 60 | Незадовільно |
| Менше 30 | Не допущено |
Загальна рейтингова оцінка студента після завершення семестру складається з балів, отриманих за:
виконання та захист лабораторних робіт;
виконання модульної контрольної роботи (МКР);
заохочувальні та штрафні бали;
відповіді на екзамені.
Система рейтингових балів та критерії оцінювання
Денна форма навчання
Лабораторні завдання:
«відмінно», повна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації), повне виконання завдання лабораторної роботи – 5 балів;
«добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації), повне виконання завдання лабораторної роботи – 4 бали;
«задовільно», неповна відповідь на питання під час захисту (не менш ніж 60% потрібної інформації), незначні помилки у виконанні завдання лабораторної роботи – 3 бали;
«незадовільно», незадовільна відповідь та/або значні помилки у виконання завдання лабораторної роботи – 0 балів.
Модульна контрольна робота:
«відмінно», повна відповідь (не менш ніж 90% потрібної інформації), завдання виконано без помилок, дії обґрунтовано – 15 балів;
«добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), завдання виконано без значних помилок – 12-14 балів;
«задовільно», неповна відповідь, в деяких завданнях можуть бути присутні значні помилки, але не менше 60% виконано правильно – 9-11 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.
Штрафні бали
штрафні бали виставляються за: несвоєчасну здачу лабораторних робіт без поважних причин; переписування модульної контрольної роботи. Кількість штрафних балів не більше 10.
Календарний контроль
За результатами навчальної роботи за перші 7 тижнів максимально можлива кількість балів – 15 балів (3 лабораторних завдання). На першій атестації (8-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 8 балів.
За результатами 13 тижнів навчання максимально можлива кількість балів – 45 балів (6 лабораторних завдань, модульна контрольна робота). На другій атестації (14-й тиждень) студент отримує «зараховано», якщо його поточний рейтинг не менший ніж 23 бали.
Максимальна сума вагових балів контрольних заходів протягом семестру складає:
RD = 7*rл.р.+rмкр + (rз - rш)=7*5+15+ (rз - rш)=50 + (rз - rш),
де rл.р. – бал за лабораторне завдання (0…5);
rмкр – бал за написання частини МКР (0…15);
rз – заохочувальні бали (0…10);
rзш – штрафні бали (0…10).
Заочна форма навчання
Лабораторні завдання:
«відмінно», повна відповідь на питання під час захисту (не менш ніж 90% потрібної інформації), повне виконання завдання лабораторної роботи – 11 балів;
«добре», достатньо повна відповідь на питання під час захисту (не менш ніж 75% потрібної інформації), повне виконання завдання лабораторної роботи – 9-10 балів;
«задовільно», неповна відповідь на питання під час захисту (не менш ніж 60% потрібної інформації), незначні помилки у виконанні завдання лабораторної роботи – 6-8 бали;
«незадовільно», незадовільна відповідь та/або значні помилки у виконання завдання лабораторної роботи – 0 балів.
Модульна контрольна робота:
«відмінно», повна відповідь (не менш ніж 90% потрібної інформації), завдання виконано без помилок, дії обґрунтовано – 17 балів;
«добре», достатньо повна відповідь (не менш ніж 75% потрібної інформації), завдання виконано без значних помилок – 13-16 балів;
«задовільно», неповна відповідь, в деяких завданнях можуть бути присутні значні помилки, але не менше 60% виконано правильно – 10-12 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*rл.р.+rмкр + (rз - rш)=3*11+17+ (rз - rш)=50 + (rз - rш),
де rл.р. – бал за лабораторне завдання (0…11);
rмкр – бал за написання частини МКР (0…17);
rз – заохочувальні бали (0…10);
rзш – штрафні бали (0…10).
Екзамен
Максимальна сума балів стартової складової дорівнює 50 балів. Необхідною умовою допуску до екзамену є виконання та захист всіх лабораторних робіт, написання модульної контрольної і стартовий рейтинг не менше 30 балів.
На екзамені студенти готуються до усного екзамену. Кожен білет містить два питання.
Система оцінювання питань:
«відмінно», повна відповідь (не менше 90% потрібної інформації) – 24-25 балів;
«добре», достатньо повна відповідь (не менше 75% потрібної інформації, або незначні неточності) – 19-23 балів;
«задовільно», неповна відповідь (не менше 60% потрібної інформації та деякі помилки) – 15-18 балів;
«незадовільно», незадовільна відповідь – 0-14 балів.
Сума набраних балів, набраних за семестрову роботу та за екзамен переводиться до підсумкової оцінки згідно з таблицею відповідності рейтингових балів оцінкам за університетською шкалою.
Робочу програму навчальної дисципліни (силабус):
Складено:
доцент кафедри інформаційних систем та технологій, к.т.н., доц. Завгородня Ганна Анатоліївна
ст.викладач кафедри інформаційних систем та технологій Тимофєєва Юлія Сергіївна
Ухвалено: кафедрою інформаційних систем та технологій ФІОТ (протокол № 21 від 29.06.2023 р.)
Погоджено: Методичною комісією факультету (протокол № 11 від 30.06.2023 р.)
