Приложение
к рабочей программе дисциплины
«Анализ больших данных»
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
ВЛАДИВОСТОКСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ЭКОНОМИКИ И СЕРВИСА
КАФЕДРА ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И СИСТЕМ
АНАЛИЗ БОЛЬШИХ ДАННЫХ
Фонд оценочных средств для проведения промежуточной аттестации обучающихся
по направлению подготовки
09.04.03 Прикладная информатика
АНАЛИЗ БОЛЬШИХ ДАННЫХ
Фонд оценочных средств для проведения промежуточной аттестации обучающихся
по направлению подготовки
09.04.03 Прикладная информатика
Владивосток 2017
Фонд оценочных средств для проведения промежуточной аттестации обучающихся по дисциплине «Аанализ больших данных» разработан в соответствии с требованиями ФГОС ВО по направлению подготовки 09.04.03 «Прикладная информатика» и Порядком организации и осуществления образовательной деятельности по образовательным программам высшего образования – программам бакалавриата, программам специалитета, программам магистратуры (утв. приказом Минобрнауки России от 19 декабря 2013 г. № 000).
Составитель:
, к. б.н., доцент кафедры информационных технологий и систем
Утвержден на заседании кафедры ИТС от 19.04. 2017 г., протокол № 8.
Заведующий кафедрой (разработчика) _____________________
подпись фамилия, инициалы
«____»_______________2017 г.
Заведующий кафедрой (выпускающей) _____________________
__________________
подпись фамилия, инициалы
«____»_______________2017г.
1 ПЕРЕЧЕНЬ ФОРМИРУЕМЫХ КОМПЕТЕНЦИЙ
№ п/п | Код компетенции | Формулировка компетенции | Номер этапа (1–8) |
1 | ОК-1 | Способность к абстрактному мышлению, анализу, синтезу | 2 |
2 ОПИСАНИЕ ПОКАЗАТЕЛЕЙ И КРИТЕРИЕВ ОЦЕНИВАНИЯ КОМПЕТЕНЦИЙ
ОК-1 Способность к абстрактному мышлению, анализу, синтезу
Планируемые результаты обучения (показатели достижения заданного уровня освоения компетенций) | Критерии оценивания результатов обучения | ||||
1 | 2 | 3 | 4 | 5 | |
Знать: о больших данных и методиках их анализа | Отсутствие знания о больших данных и методиках их анализа | Фрагментарное знание о больших данных и методиках их анализа | Неполное знание о больших данных и методиках их анализа | В целом сформировавшееся знание о больших данных и методиках их анализа | Сформировавшееся систематическое знание о больших данных и методиках их анализа |
Уметь: использовать статистические методы для анализа больших данных | Отсутствие умения использовать статистические методы для анализа больших данных | Фрагментарное умение использовать статистические методы для анализа больших данных | Неполное умение использовать статистические методы для анализа больших данных | В целом сформировавшееся умение использовать статистические методы для анализа больших данных | Сформировавшееся систематическое знание о статистических методах анализа больших данных |
Владеть (навыками): основными методами математической статистики; навыками применения программы R-Studio для анализа данных | Отсутствие владения основными методами математической статистики; навыками применения программы R-Studio для анализа данных | Фрагментарное владение основными методами математической статистики; навыками применения программы R-Studio для анализа данных | Неполное владение основными методами математической статистики; навыками применения программы R-Studio для анализа данных | В целом сформировавшееся владение основными методами математической статистики; навыками применения программы R-Studio для анализа данных | Сформировавшееся систематическое знание основных методов математической статистики и приобретение навыков применения программы R-Studio для анализа данных |
Шкала оценивания (соотношение с традиционными формами аттестации) | неудовлетворительно | неудовлетворительно | удовлетворительно | хорошо | отлично |
3 ПЕРЕЧЕНЬ ОЦЕНОЧНЫХ СРЕДСТВ
№ п/п | Коды компетенций и планируемые результаты обучения | Оценочные средства | ||
Наименование | Представление в ФОС | |||
1. | ОК-1 | знать | Собеседование | Вопросы по темам |
уметь | Практические работы | Перечень тем практических работ | ||
владеть (навыками) |
4 ОПИСАНИЕ ПРОЦЕДУРЫ ОЦЕНИВАНИЯ
Промежуточная аттестация по дисциплине «Анализ больших данных» включает в себя проведение опросов по темам, позволяющие оценить уровень усвоения обучающимися знаний, и практические задания, выявляющие степень сформированности умений и владений (см. раздел 5).
Усвоенные знания и освоенные умения проверяются при помощи собеседования, умения и владения проверяются в ходе выполнения практических работ.
Объем и качество освоения обучающимися дисциплины, уровень сформированности дисциплинарных компетенций оцениваются по результатам текущих и промежуточной аттестаций количественной оценкой, выраженной в баллах, максимальная сумма баллов по дисциплине равна 100 баллам.
Сумма баллов, набранных студентом по дисциплине, переводится в оценку в соответствии с таблицей.
Сумма баллов по дисциплине | Оценка по промежуточной аттестации | Характеристика уровня освоения дисциплины |
от 91 до 100 | «отлично» | Студент демонстрирует сформированность дисциплинарной компетенции на итоговом уровне, обнаруживает всестороннее, систематическое и глубокое знание учебного материала, усвоил основную литературу и знаком с дополнительной литературой, рекомендованной программой, умеет свободно выполнять практические задания, предусмотренные программой, свободно оперирует приобретенными знаниями, умениями, применяет их в ситуациях повышенной сложности. |
от 76 до 90 | «хорошо» | Студент демонстрирует сформированность дисциплинарной компетенции на среднем уровне: основные знания, умения освоены, но допускаются незначительные ошибки, неточности, затруднения при аналитических операциях, переносе знаний и умений на новые, нестандартные ситуации. |
от 61 до 75 | «удовлетворительно» | Студент демонстрирует сформированность дисциплинарной компетенции на базовом уровне: в ходе контрольных мероприятий допускаются значительные ошибки, проявляется отсутствие отдельных знаний, умений, навыков по дисциплинарной компетенции, студент испытывает значительные затруднения при оперировании знаниями и умениями при их переносе на новые ситуации. |
от 41 до 60 | «неудовлетворительно» | Студент демонстрирует сформированность дисциплинарной компетенции на уровне ниже базового, проявляется недостаточность знаний, умений, навыков. |
от 0 до 40 | «неудовлетворительно» | Дисциплинарная компетенция не сформирована. Проявляется полное или практически полное отсутствие знаний, умений, навыков. |
5 КОМПЛЕКС ОЦЕНОЧНЫХ СРЕДСТВ
5.1 Контрольные вопросы для собеседования
Определите сущность понятия «большие данные». Определите понятие Data Mining. Перечислите технологии хранения больших данных. Что включает первичная обработка данных? Дайте определение основным описательным статистика. Опишите свойства нормального распределения. Определите различия между параметрическими, непараметрическими и номинальными методами. Опишите основную идею корреляционного анализа. Что показывает коэффициент корреляции Пирсона? Для чего рассчитывают коэффициент корреляции Спирмена? Для чего применяют регрессионный анализ? Что показывает коэффициент детерминации? Как проверить адекватность построенной регрессионной модели? Основные методы прогнозирования. Основная идея дисперсионного анализа. Для чего применяют критерий Фишера в дисперсионном анализе? Сущность кластерного анализа. Для чего используют дискриминантный анализ? Цели применения факторного анализа. Преимущества работа с данными в программе R-Studio. Каковы основные принципы организации среды R? Перечислите типы данных в среде R. Каковы графические возможности представления данных в программе R-Studio?
Краткие методические указания
Собеседование проводится после изучения соответствующей темы. Преподаватель в устной форме задает вопросы студентам на лекционных занятиях.
Критерии оценки
№ | Баллы | Описание |
5 | 19–20 | Процент правильных и обоснованных ответов от 95% до 100% |
4 | 16–18 | Процент правильных и обоснованных ответов от 80 до 94% |
3 | 13–15 | Процент правильных ответов с помощью наводящих вопросов от 65 до 79% |
2 | 9–12 | Процент правильных ответов от 45 до 64% |
1 | 0–8 | Процент правильных ответов менее 45% |
5.2 Перечень тем практических работ
Тема 1. Знакомство с программой R-Studio. Синтаксис.
Тема 2. Типы данных в программе R-Studio (векторы, массивы, матрицы, списки, таблицы).
Тема 3. Статистическая обработка данных в программе R-Studio: подсчет описательных статистик. Графическое представление данных.
Тема 4. Корреляционный анализ. Определение зависимостей между переменными. Подсчет коэффициентов корреляции.
Тема 5. Регрессионный анализ. Построение модели. Проверка адекватности построенной модели.
Тема 6. Проведение дисперсионного анализа.
Тема 7. Факторный анализ.
Тема 8. Кластерный анализ.
Краткие методические указания
На выполнение одной практической работы отводится не более одного двухчасового занятия. После выполнения каждой практической работы студент должен представить отчет о ее выполнении, а также, ответить на сопутствующие вопросы по теме.
Критерии оценки.
№ | Баллы | Описание |
5 | 71–80 | Студент демонстрирует умения на итоговом уровне: умеет свободно выполнять практические задания, предусмотренные программой, свободно оперирует приобретенными знаниями и умениями, применяет их в ситуациях повышенной сложности. |
4 | 60–70 | Студент демонстрирует умения на среднем уровне: освоил основные умения, но допускаются незначительные ошибки, неточности, затруднения при аналитических операциях, переносе умений на новые, нестандартные ситуации. |
3 | 49–59 | Студент демонстрирует умения и навыки на базовом уровне: в ходе контрольных мероприятий допускаются значительные ошибки, проявляется отсутствие отдельных умений, навыков по дисциплинарным компетенциям, испытываются значительные затруднения при оперировании умениями и при их переносе на новые ситуации. |
2 | 34–48 | Студент демонстрирует умения и навыки на уровне ниже базового: проявляется недостаточность умений и навыков. |
1 | 0–33 | Студентом проявляется полное или практически полное отсутствие умений и навыков. |
