4. М. Тим Джонс Программирование искусственного интеллекта в приложе-ниях [Электронный ресурс]/ М. Тим Джонс— Электрон. текстовые дан-ные.—


Чтобы посмотреть этот PDF файл с форматированием и разметкой, скачайте его и откройте на своем компьютере.
Федеральное государственное бюджетное образовательное учреждение

высшего образования


«Саратовский государственный технический университет

имени Гагарина Ю.А.»


Кафедра
«Информационно
-
коммуникационные системы

и программная инженерия»



РАБОЧАЯ ПРОГРАММА

по дисциплине

«Компьютерные методы
моделирования

нечеткой информации»

направления подготовки

09.03.03

«
Прикладная информатика
»

Профиль
«Прикладная информатика в экономике»

Квалификация


бакалавр



форма обучения


очная

курс


1


семестр


1

академическ
их часов


108

в том числе:

лекции

18

коллоквиум


нет

практические занятия


нет


лабораторные занятия


36

самостоятельная работа

54

зачет


1

экзамен


нет

РГР


нет

курсовая работа


нет

курсовой проект


нет


Рабочая программа обсуждена на заседан
ии кафедры

«___» ________ 20__ года, протокол №__

Зав. кафедрой _____________/ Сытник

А.А /


Рабочая программа утверждена на заседании

УМКС/УМКН

«___» _________ 20__ года, протокол № __

Председатель УМКС/УМКН _______/ Сытник

А.А /


Саратов 2015



1. Цели и задачи дисципли
ны


1.1.

Цель преподавания дисциплины:

Изучение базовых средств, способов
и методов представления и моделирования нечеткой информации в компь
ю
терных с
и
стемах.

1.2.

Задачи изучения дисциплины:


-

изучение основ
теории не
четких систем
, представления нечеткой инфо
р
мации, нече
т
кие и лингвистические переменные;

-

изучение возможности их применения при описании различных видов н
е
определенности;

-

и
зучение способов построения алгоритмов на базе нечеткой логики
;

-

изучение основ
ных концепций нейронных сетей, ассоциативной памяти
нейронной сети, основы построения нейрокомпьютеров;

-

ознакомление с возможностями наиболее распространенных программам
мод
е
лирования искусственных нейронных сетей;

-

приобретение практических навыков мод
елирования нечеткой информации
в компьютерных системах.

1.3.

Перечень дисциплин, усвоение которых студентами необходимо для
усвоения данной дисциплины:

«Информатика». Студенты должны владеть
практическими навыками работы в
MS

Office
:
MS

Excel
.



2.

Место дисциплин
ы в структуре ООП ВО


2.1. Изучение дисциплины «
Компьютерные методы обработки нечеткой и
н
формации
» базируется на знаниях математики и информатики,
основ объек
т
но
-
ори
ентированного программирования
и синтаксиса

одного из

языков пр
о
граммирования
С
++
,
C#
или
J
ava
,
полученных в школе

и университете
.

2.2. Дисциплина «
Компьютерные методы обработки нечеткой информации
»
формирует базовый уровень знаний, необходимых для изучения таких ди
с
циплин, как «
Моделирование компьютерных сетей
», «Теория автоматов»,
«Формальные
языки и грамматики», «Темпоральные логики», «
Безопасность
в компьютерных сетях
», «Программные средства для решения математич
е
ских задач», «Нейронные сети
»
.



3. Требования к результатам освоения дисциплины


Выпускник должен обладать следующими компетен
циями:

-

способность к самоорганизации

и самообразованию
(
ОК
-
7
);

-

способен
обосновывать проектные решения,
осуществлять
постановку и
выполнять эксперименты по проверке их корректности и эффективности

(
ПК
-
3
).


Студент должен знать
:



основные понятия теории

нече
т
ких множеств
;




концептуальные основы нечеткого моделирования предметной обла
с
ти
;



особенности нечеткой логики;



основные математические методы, применяемые для представления
нечеткой информации в компьютерных системах, а также моделиров
а
ния объектов не
йронными с
е
тями
;



способы переработки информации при помощи технологий нечетких
множеств и нечеткого вывода;



возможности и особенности пр
о
граммной системы Deductor;



виды обеспечения информационных систем: техническое, информац
и
онное, программное, организаци
онно
-
методическое, лингви
с
тическое,
математическое, ко
н
цептуальное.

Студент должен уметь
:



описывать объекты с помощью аппарата нечетких множеств;



применять системный подход при рассмотрении задач обработки н
е
четкой информации;



алгоритмизировать процессы н
е
четкого логического вывода;



применять основные математические методы, применяемые для пре
д
ставления нечеткой информации в компьютерных системах, а также
моделирования объектов нейронными сетями;



решать практические задачи распознавания образов, идентификац
ии,
прогнозирования, управления сложными объектами на основе прим
е
нения нейронных сетей и нечеткой логики
;



использовать программу Deductor для решения практических задач
кластеризации и классификации, построения нейронных сетей пр
я
мого
распространения;



выб
рать соответствующий поставленной задаче математические мет
о
ды, язык и среду программирования, способы хранения и передачи
данных, компьютерное обеспечение
.

Студент должен

владеть
:



терминологией теорий нечетких множеств и нечеткого логическог
о
вывода;



мет
одами построения функций принадлежности нечетких мн
о
же
ств;



методами моделирования, теоретического и экспериментального и
с
следования объектов и явлений при помощи нейронных сетей;



современными системами программирования для самостоятельной
реализации нейрос
етевых а
л
горитмов на языках C# и Java;



программными средствами (Deductor) для моделирования искусстве
н
ных нейронных сетей;



умением работать с программой Deductor и средствами программир
о
вания в средах разработки .NET и NetBeans.


4.

Распределение трудоемкости

(час.) дисциплины по темам

и видам занятий


№ модуля

№ недели

№ темы


Наименование темы


Часы

всего

лекции

лаб.
зан.

пр. зан.

СРС

1

1
-
2

1

Нечеткие множества.

17

2

4


1
1

1

3
-
6

2

Нечеткие
отношения и операции с
ними
.

32

4

16


1
2

1

7
-
10

3

Нечеткая
логика. Нечеткий
логический вывод.

14

4



1
0

2

11
-
15

4

Нечеткое управление объектами.

25

4

10


1
1

2

16
-
18

5

Реализация применения нечетких
регуляторов
.

20

4

6


1
0

Итого


108

1
8

36


5
4




5.

Содержание лекционного курса.



№ темы

Всего ч
а
сов

№ лекции



Тем
а лекции. Вопросы, отрабатыва
е
мые на лекции

1

2

3

4

1

2


Нечеткие множества.

1
.1

2

1

Основные термины и определения
.
Свойства нечетких множеств
.
Нечеткие множества, операции над ними. Нечеткие и лингвист
и
ческие переменные.
Нечеткая арифметика
.

2

4


Нечеткие отношения и операц
ии с ними.

2
.1


2

2

Операции над нечеткими отношениями. Носитель и сечение н
е
четкого отношения. Отношения рефлексивные, антирефлекси
в
ные, симметричные, асимметричные, обратные.


2.2

2

3

Операции над нечеткими множествами: пересечение, объедин
е
ние, дополн
ение, максиминная композиция.

3

4


Нечеткая логика
.
Нечеткий

логический вывод.

3.1

2

4

Нечеткие алгоритмы

3.2

2

5

Нечеткая база знаний. Нечеткий вывод в базе знаний. Методы
дефазификации. Нечеткая система как универсальный аппро
к
симатор.

4

4


Нечеткое
управление объектами.

4.1

2

6

Проектирование нечетких алгоритмов управления динамическ
и
ми объектами

4.2

2

7

Синтез нечетких регуляторов из данных. Постановка задачи си
н
теза. Субтрактивная кластеризация Синтез нечеткого регулятора
по данным.

5

4


Реализа
ция применения нечетких регуляторов
.

5.1

2

8

Нечеткий регулятор для управления неустойчивым объектом

5.2

2

9

Нечеткий регулятор для управление движением

объектов


1
8



6.

Содержание коллоквиумов
.


Учебным планом не предусмотрен
o
.


7.

Перечень практиче
ских занятий.


Учебным планом не предусмотрен
o
.



8.


Перечень лабораторных работ.




т
е
мы

Всего
часов

№ з
а
нятия

Тема лабораторного занятия.


1

2

3

4

1
-
2

4

1
,2

Нечеткие множества, операции над ними. Нечеткие и
лингвистич
е
ские переменные.

3

10

3
-
7

И
сследование способов формирования нечетких мн
о
жеств и операции над ними

4

9

8
-
12

Моделирование нечеткой системы средствами инстр
у
ментария нечеткой логики

4

9

12
-
16

Нечеткий логический вывод

4

4

17
,
18

Нечеткие регуляторы. Управление тележкой с переве
р
нут
ым маятником.


36











9.

Задания для самостоятельной работы студентов.




Всего

Вопросы для самостоятельного изучения (зад
а
ния)

темы


ч
а
сов

1

2

3

1

9

Нечеткие отношения.
Сравнение алгоритмов нечёткого вывода
.

.

[2
,
5
,18
]

3

6

Многозначные логики
.

[2
,
9
]

3

6

Новые исследования в области теории нечеткой логики
.

[
9,10,11
]

5

9

Синтез нечетких нейронных сетей. Алгоритмы обучения и испол
ь
зования нечетких нейро
н
ных сетей.

[2
,
5
,71,14
]

5

9


Нечеткий классификатор. Генетические алгоритмы и их особенн
о
сти. Обу
чение нечетких нейронных сетей на основе генетических
алгоритмов.

[5]

1
-
5

6

Основные функциональные возможности современных программ
моделирования
нечетких систем
.
[
8,10,19
]

4

6

Примеры применения
нечеткой логики и нечеткого вывода
.

[8
,10,15,16,19
]



10.


Р
асчетно
-
графическая работа


Учебным планом не предусмотрен
o
.



11.


Курсовая работа


Учебным планом не предусмотрен
o
.



12.


Курсовой проект
.

Учебным планом не предусмотрен
o
.


13.

Фонд оценочных средств

14.


для проведения промежуточной аттестации обуча
ющихся по
дисциплине (модулю)


Карта компетенции ОК
-
7
:
способность к самоорганизации и самообразованию
.


Части компонентов

Технологии формирования

Средства и техн
о
логии оценки

Знает:

-

основные понятия теории нече
т
ких множеств
,


-

концептуальные основы не
че
т
кого моделирования предметной
области,

-

особенности нечеткой логики.


Лекции

Самостоятельная работа


Тестирование

Умеет:

-

описывать объекты с помощью
аппарата нечетких множеств,

Лабораторные работы с и
с
пользованием активных и
интерактивных приемов
Тестирование


-

п
рименять системный подход
при рассмотрении

задач обрабо
т
ки нечеткой и
нформации
,

-

алгоритмизировать процессы н
е
четкого логического вывода
.



обучения.

Самостоятельная работа

Владеет:

-

терминологией теорий нечетких
множеств и нечеткого ло
гическ
о
го вывода,

-

методами построения функц
ий
принадлежности нечетких мн
о
же
ств,

-

навыками постановки задач м
о
делирования нечетких систем
.


Лекции

Лабораторные работы с и
с
пользованием активных и
интерактивных приемов
обучения.

Самостоятельная работа

Экза
мен



Карта компетенции ПК
-
3
:
способен обосновывать проектные решения, осуществлять п
о
становку и выполнять эксперименты по проверке их корректности и эффективности
.

Части компонентов

Технологии формирования

Средства и те
х
нологии оценки

Знает:

виды обеспе
чения информацио
н
ных систем: техническое, инфо
р
мационное, программное, орган
и
зационно
-
методическое, лингви
с
тическое, математическое, ко
н
цептуальное.

Лекции

Самостоятельная работа


Тестирование

Умеет:

в
ыбрать соответствующий п
о
ставленной

задаче математич
е
с
кие методы,
язык и среду пр
о
граммирования, способы хранения
и передачи данных,
компьютерное
обеспечение.

Лабораторные работы с и
с
пользованием активных и
интерактивных приемов
обучения.

Самостоятельная работа

Тестирование

рефераты

Владеет:

умением работать

с п
рограммой
Deductor

и средствами програ
м
мирования в средах разработки
.

и
NetBeans
.

Лекции

Лабораторные работы с и
с
пользованием активных и
интерактивных приемов
обучения.

Самостоятельная работа

Экзамен



Описание шкалы оценивания



«отлично»

-

выстав
ляется студенту, показавшему всесторонние, си
с
тематизированные, глубокие знания учебной программы дисциплины и
умение уверенно применять их на

практике при решении конкретных
задач, свободное и правильное обоснование принятых решений; ответ
на экзамене хар
актеризуется научной терминологией, четкостью, л
о
гичностью, умением самостоятельно мыслить и делать выводы.



«хорошо»

-

выставляется студенту, если он твердо знает материал,
грамотно и по существу излагает его, умеет применять полученные
знания на практике,

но допускает в ответе или в решении задач нек
о
торые неточности;



«удовлетворительно»

-

выставляется студенту, показавшему фрагме
н
тарный, разрозненный характер знаний, недостаточно правильные
формулировки базовых понятий, нарушения логической последов
а
тельн
ости в изложении программного материала, но при

этом он вл
а
деет основными разделами учебной программы, необходимыми для
дальнейшего обучения и может применять полученные знания по о
б
разцу в стандартной ситуации;



«неудовлетворительно
»
-

выставляется студент
у, который не знает
большей части основного содержания учебной программы дисципл
и
ны, допускает грубые ошибки в формулировках основных понятий
дисциплины и не умеет использовать полученные знания

при решении
типовых практических задач.


Вопросы для экзамена
.

1.

Понятие нечеткой информации. Нечеткие множества, операции над
ними.

2.

Нечеткие и лингвистические переменные
.

Нечеткие величины, числа и
инте
р
валы. Понятие чисел (
L
-
R)

-
типа.

3.

Основные характеристики нечетких множеств
. Классы функций пр
и
надлежн
о
стей
. Методы построения функций принадлежности.

4.

Нечеткие отношения. Нечеткий логический вывод.

5.

Биологический нейрон. Структура и свойства искусственного нейрона.

6.

Классификация нейронных сетей и их свойства.

7.

Обучения нейронных сетей. Обучение с учи
телем. Обучение без уч
и
теля.

8.

Алгоритм обратного распространения.

9.

Самообучающиеся сети. Общие характеристики. Соревновательное
обучение.

10.


Сети Кохонена
: структура, свойства, алгоритм обучения
.

11.


Ассоциации. Модели ассоциативной памяти. Двунаправленная асс
о
ци
ативная память.

12.


Рек
ур
р
ентные сети Хопфилда.

13.


Персептроны. Когнитрон. Неокогнитрон.

14.


Нейронные сети встречного распространения.

15.


Оптимизирующие нейронные сети.

16.


Сети адаптивной резонансной теории.

17.


Основные понятия, определения и синтез нечетких нейронных
сетей.

18.


Алгоритмы обучения и использования нечетких нейронных сетей.

19.


Нечеткий классификатор.

20.


Генетические алгоритмы и их особенности. Обучение нечетких не
й
ронных с
е
тей на основе генетических алгоритмов.

21.


Метод муравьиной колонии.

22.


Основные функциональные

возможности современных программ м
о
делиров
а
ния
нечетких систем
.



Тестовые задания по дисциплине
.

Предусмотрено бланковое тестирование по разделам дисциплины.


15.


Образовательные технологии

Для успешного освоения дисциплины применяются различные образ
о
вател
ьные технологии, которые обеспечивают достижение желаемых резул
ь
татов обучения согласно основной образовательной программе. Удельный
вес занятий, проводимых в интерактивных формах, по требованиям ФГОС, с
учетом специфики ООП, должен составлять не менее 20
%. В данном курсе
количество занятий, проводимых в интерактивной форме составляет
36

часов
практических занятий (
18

занятий по 2 часа).

С учетом данного требования в учебный процесс внедряются следующие
интерактивные формы обучения: метод мозгового шту
рма, работа в малых
группах, метод портфолио.

При проведении занятий в аудитории используется метод мозгового
штурма при работе в малых группах. Данный метод используется для нахо
ж
дения возможно большего количества и максимально разнообразных по к
а
честву
идей, пригодных для решения поставленной задачи, то есть выявляе
т
ся как можно более широкий спектр направлений решения задачи, с дал
ь
нейшим определением наиболее оптимального метода решения.

Работа в малых группах дает студентам возможность участвовать в
раб
о
те, практиковать навыки сотрудничества, межличностного общения (в час
т
ности, умение активно слушать, вырабатывать общее мнение, разрешать во
з
никающие разногласия).

Метод портфолио заключается в том
,

что студентам даются определе
н
ные задания в течение
семестра, и каждый студент самостоятельно отслеж
и
вает и фиксирует результаты обучения, формируя из них своего рода уче
б
ную и творческую копилку, то есть множество всевозможных решений з
а
данных задач. В связи с развитием информационно
-
коммуникационных те
х
но
логий такая копилка формируется либо на сайте учебного заведения, либо
в социальных сетях. По окончании данного курса или семестра студент пок
а
зывает результаты работы преподавателю.

Для изучения темы «
Нейроннные сети. Обучение с учителем и без учит
е
ля.
» в

лабораторн
ых

работ
ах



7 и 12

используется программная система
Deductor

(
http://www.basegroup.ru/
)
.

Для выполнения лабораторных работ по
теме «
Постановка и возможные пути решения задачи обучения нейронных
сетей. Об
учение с учителем. Алгоритм обратного распространения. Обуч
е
ние без учителя
» требуется знание языка С
#
.



1
5
.
ПЕРЕЧЕНЬ УЧЕБНО
-
МЕТОДИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ
ОБУЧАЮЩИХСЯ ПО ДИСЦИПЛИНЕ

Обязательные издания


1.

Барский А.Б. Введение в нейронные сети [Электронн
ый ресурс]/ Барский
А.Б.


Электрон. текстовые данные.


М.: Интернет
-
Университет Информ
а
ционных Технологий (ИНТУИТ), 2016.


358 c.


Режим доступа:
http://www.iprbookshop.ru/16694.


ЭБС «IPRbooks», по п
а
ролю

2.
Борисов В.В. Нечеткие модели и сети [Электронны
й ресурс]: монография/
Борисов В.В., Круглов В.В., Федулов А.С.


Электрон. текстовые данные.


М.: Горячая линия
-

Телеком, 2012.


284 c.


Режим доступа:
http://www.iprbookshop.ru/12007.


ЭБС «IPRbooks», по паролю.

3
.

Глухих, И.Н.

Интеллектуальные информацио
нные системы : учеб. пособие
для студ. учреждений высш. проф. образования / И. Н. Глухих ; Тюменский
гос. ун
-
т.
-

М. : ИЦ "Академия", 2010.
-

112 с. (НБ СГТУ 201
5

г.


3
0 экз.)

4.
М. Тим Джонс Программирование искусственного интеллекта в прилож
е
ниях [Элект
ронный ресурс]/ М. Тим Джонс


Электрон. текстовые да
н
ные.


М.: ДМК Пресс, 2011.


312 c.


Режим доступа:
http://www.iprbookshop.ru/7857.


ЭБС «IPRbooks», по паролю
.

5
.
Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие сист
е
мы [Электронный ресу
рс]/ Рутковская Д., Пилиньский М., Рутковский Л.


Электрон. текстовые данные.


М.: Горячая линия
-

Телеком, 2013.


384
c.


Режим доступа: http://www.iprbookshop.ru/37190.


ЭБС «IPRbooks», по
паролю.

6.
Степанов,

М.Ф.

Искусственные нейронные сети

в задачах планирования и
управления : учеб. пособие по дисциплине "Автоматизация проектирования
систем и средств управления" для студ. спец. "Управление и информатика в
технических системах" / М. Ф. Степанов ; Саратовский гос. техн. ун
-
т.
-

С
а
ратов : СГТУ
, 2010.
-

128 с
.

(НБ СГТУ 201
5

г.


4
0 экз.)


Дополнительн
ые

издания


7
.

Борисов В.В. Нечеткие модели и сети [Электронный ресурс]: монография/
Борисов В.В., Круглов В.В., Федулов А.С.


Электрон. текстовые данные.


М.: Горячая линия
-

Телеком, 2012.


284 c.


Режим доступа:
http://www.iprbookshop.ru/12007.


ЭБС «IPRbooks», по паролю
.

8
.
Дьяконов

В
.
П
. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6.
Инструме
н
ты искусственного интеллекта и биоинформатики [Электронный ресурс]:
мон
о
графия/ Дьяконов В.П., Круглов В.В.


Электрон. текстовые данные.


М.: СОЛОН
-
ПРЕСС, 2009.


454 c.


Режим доступа:
http://www.iprbookshop.ru/8683.


ЭБС «IPRbooks», по паролю
.

9
. Нечеткие задачи в математическом моделировании [Электронный р
е
сурс]:
методические указания к самостоятельной работе
/


Электрон. текстовые
данные.


Липецк: Липецкий государственный технический университет,
ЭБС АСВ, 2013.


22 c.


Режим доступа: http://www.iprbookshop.ru/22896.


ЭБС «IPRbooks», по паролю.

10
.
Применение искусственных нейронных сетей и системы остаточных
классов в криптографии [Электронный ресурс]/ Н.И. Червяков [и др.].


Электрон. текстовые данные.


М.: ФИЗМАТЛИТ, 2012.


280 c.


Режим
дост
у
па: http://www.iprbookshop.ru/24508.


ЭБС «IPRbooks», по паролю
.

1
1
. Анджей Пегат Нечеткое моделирование и управление

[Электронный р
е
сурс]/ Анджей Пегат


Электрон. текстовые данные.


М.: БИНОМ. Лабор
а
тория знаний, 2013.


798 c.


Режим доступа:
http://www.iprbookshop.ru/26050.


ЭБС «IPRbooks», по паролю.

1
2
.
Сысоев Д.В. Введение в теорию искусственного интеллекта [Электро
н
ный ресурс]: учебное пособие/ Сысоев Д.В., Курипта О.В., Проскурин Д.К.


Электрон. текстовые данные.


Воронеж: Воронежский государственный а
р
хитектурно
-
строительный университет, ЭБС АСВ, 2014.


171 c.


Режим
доступа: http://www.iprbookshop.ru/30835.


ЭБС
«IPRbooks», по паролю.


1
3
. Тарков М.С. Нейрокомпьютерные системы [Электронный ресурс]/ Та
р
ков М.С.


Электрон. текстовые данные.


М.: Интернет
-
Университет И
н
формационных Технологий (ИНТУИТ), 2016.


170 c.


Режим доступа:
http://www.iprbookshop.ru/22413.


Э
БС «IPRbooks», по паролю
.

1
4
.
Яхъяева Г.Э. Нечеткие множества и нейронные сети [Электронный р
е
сурс]: учебное пособие/ Яхъяева Г.Э.


Электрон. текстовые данные.


М.:
БИНОМ. Лаборатория знаний, Интернет
-
Университет Информационных
Технологий (ИНТУИТ), 2008.


316 c.


Режим доступа:
http://www.iprbookshop.ru/22414.


ЭБС «IPRbooks», по паролю.


Периодические издания

1
5
.

Глущук,

П
.
С
. Система контроля качества производства кабельных изд
е
лий [Текст
] / П. С. Глущук // Известия Томского политехнического униве
р
ситета.
-

2004.
-

Т. 307,

№ 3.
-

С. 118
-
121 : ил.
-

Библиогр.: с. 121 (4 назв.) .
-

ISSN 1684
-
8519

1
6
.

Метод, алгоритмы и

интерфейс распознавания ситуационной обстановки
посредством интеграции ин
формации и ее интеллектуальной обработки
[Текст] = Methods, Algorithms and Authentication Interface Situational
Environment Through the Integration of Information and Business Intelligence / Т.
Ю. Мороз
о
ва [и др.] // Промышленные АСУ и контроллеры.
-

2013.

-

№ 11.
-

С. 38
-
44 : ил.
-

Библ
и
огр.: с. 44 (9 назв.) .
-

ISSN 1561
-
1531


1
7
.

Федотов,

В.Х.

Использование

нечеткой

логики для построения адеква
т
ных кинетических моделей химических реакций [Текст] / В. Х. Федотов, Н.
И. Кольцов // Известия вузов. Хими
я и химическая технология.
-

2013.
-

Т.
56,

вып. 9.
-

С. 50
-
53 : 1 рис., 2 табл.
-

Библиогр.: с. 53 (9 назв.) .
-

ISSN 0579
-
2991
.


Список
и
нтернет
-
ресурсов

1
8
.

Лотфи Заде, отец нечеткой логики
.

[Электронный ресурс] //

zadeh.narod.ru
: [сайт].


Режим доступ
а:
http://zadeh.narod.ru/


ата обращ
е
ния: 02.
10
.201
5
).

1
9
.

Технологии анализа данных.

[Электронный ресурс] //

basegroup.ru
: [сайт].


Режим доступа:

http://www.basegroup.ru/

(
Д
ата обращения:
11
.
09
.201
5
)
.


1
6
. Материально
-
техническое обеспечение дисциплины

Для преподавания дисциплины предоставляется оснащенная совреме
н
ным проекционным оборудованием лекционная аудитория и компьютерные
классы.

Оснащение аудитории (ауд. 409) для проведения лабораторных и пра
к
тических занятий:


Компьютеров

Процессор

ОЗУ

HDD

Video

15

AMD Athlon
64x2 Dual
Core Proce
s-
sor 4800,
251Ghz

2Gb

500Gb

1
G
b

Nvidia
GeForce7300SE/7200GS


Оснащение лекционной аудитории (ауд.
426
):


Компьютеров

Проекторов

Процессор

ОЗУ

HDD

Video

1

1
, проект
ор
Acer P5280

AMD

Athlon

64
x
2
Dual

core

5000+
(2
cpu
)

2Gb

150Gb

1266
mb

GeForce
8200

Все компьютеры объединены в локальную сеть с автоматическим в
ы
ходом в корпоративную сеть СГТУ и глобальную сеть Интернет.


Используемое программное обеспечение:


N
пп


а
уд. 4
09

Виртуальный
сервер

SRV
-
VS2010

ауд. 4
26

1

Windows 7

X


X

2

MS Office 2007

X


X

3

Антивирус Kaspersky
Endpoint 8

X


X

4

Adobe Reader XI

X

X


5

Deductor Studio 5.3 Build
0.66


X


6



X


7


X



8

MS Virtual PC

X





Рабочую программу составил


доц.каф.ИСТ____________________________/_
Ивженко С.П
._/





17. Дополнения и изменения в рабочей программе


Рабочая программа пересмотрена на заседании кафедры

«____»_________ 201 ___ года, протокол № ____


Зав. кафедрой _
______________/_____________/


Внесенные изменения утверждены на заседании

УМКС/УМКН

«_____»_________ 201 __ года, протокол № ____



Председатель УМКН ________/______________/



Приложенные файлы

  • pdf 83714663
    Размер файла: 375 kB Загрузок: 0

Добавить комментарий