Преподавание анализа данных и машинного обучения в вузе
обобщение опыта и перспективы
Аннотация
В работе обосновывается вывод об актуальности подготовки профессиональных кадров, которые могут быть вовлечены в выполнение национального проекта "Цифровые технологии", в частности, как специалисты в области технологий, связанных с анализом данных, обработкой больших данных и машинным обучением. Очевидно, что особенно важным является изучение технологий, связанных с анализом данных, обработкой больших данных и машинным обучением, для студентов физико-математических и ИТ-направлений подготовки. Однако знакомство с задачами, которые возникают в анализе данных, приводит к мысли, что этот раздел информатики может быть особенно полезен и студентам естественно-научных, медицинских направлений подготовки, а также социологам, историкам, психологам и пр. Это определяется накоплением значительного объема информации по различным прикладным задачам в области медицины, социологии, психологии, где появляется возможность обрабатывать и исследовать данные для исследования и прогнозирования развития различных ситуаций. С учетом междисциплинарной направленности рассматриваемых прикладных задач, становится очевидным, что при освоении соответствующих компетенций студентам придется столкнутся с серьезными проблемами изучения абсолютно новых для них разделов науки. В статье предпринята попытка систематизации опыта работы по обучению студентов ФГБОУ ВО "Орловский государственный университет имени И.С.Тургенева" технологиям анализа данных и машинного обучения, который был получен в течении последних четырех лет в рамках обучения по основным и дополнительным образовательным программам. Целью проводимого исследования является обощение полученного опыта и поиск решений по преодолению трудностей, связанных с разработкой и модификацией дисциплин, направленных на изучение технологий анализа данных и машинного обучения. Демонстрируются разработанные дисциплины (модули) по изучению анализа данных и машинного обучения для студентов различных направлений подготовки. Отмечается, что для выполнения современных задач в области информационных технологий, подготовленным специалистам необходимо иметь навыки не только в программировании, но и в быть успешными в анализе междисциплинарных проблем, что требует от обучающихся развития широкого кругозора и стремления к получению современной информации.
Литература
2. Guz N.A. The digital transformation of higher education: global trends and anti-trends. Mir Nauki, Kultury, Obrazovaniya. 2022;(3):99-103. https://doi.org/10.24412/1991-5497-2022-394-99-104
3. Abramov V.I., Mindzaeva E.V., Beshenkov S.A., Yalamov G.Y., Alexandrovna A.A., Vadimovna D.Y. Management of Ungraded Educational Organizations in the Digital Transformation of Education. In: 2022 2nd International Conference on Technology Enhanced Learning in Higher Education (TELE). Lipetsk, Russian Federation: IEEE Press; 2022. p. 14-16. https://doi.org/10.1109/TELE55498.2022.9801052
4. Mukhamediev R.I., Popova Y., Kuchin Y., Zaitseva E., Kalimoldayev A., Symagulov A., Levashenko V., Abdoldina F., Gopejenko V., Yakunin K., Muhamedijeva E., Yelis M. Review of Artificial Intelligence and Machine Learning Technologies: Classification, Restrictions, Opportunities and Challenges. Mathematics. 2022;10(15):2552. https://doi.org/10.3390/math10152552
5. Sakhanevich D.Yu., Kremin A.E. Machine learning methods for building artificial intelligence in socio-economic processes. Bulletin of the Vladimir State University named after Alexander G. and Nicholas G. Stoletovs. Series: Economics. 2019;(4):57-65. (In Russ., abstract in Eng.) EDN: PQFDPE
6. Borovskii A.A. Prospects for the use of machine learning techniques in processing large volumes of historical data. Cybernetics and programming. 2015;(1):77-114. (In Russ., abstract in Eng.) https://doi.org/10.7256/2306-4196.2015.1.13730
7. Sakhanevich D.Yu. Research of approaches and methods of applying artificial intelligence and machine learning in socio-economic processes. Herald of Omsk University. Series "Economics". 2020;18(2):65-79. (In Russ., abstract in Eng.) https://doi.org/10.24147/1812-3988.2020.18(2).65-79
8. Grebenuyk A.A., Maksimova A.S., Lemer L.G. Study of social tension based on electronic social networks big data. Digital sociology. 2021;4(4):4-12. (In Russ., abstract in Eng.) https://doi.org/10.26425/2658-347X-2021-4-4-4-12
9. Kosnikov S.N., Novikova D.N., Sukhinenko D.D. Modeling and forecasting indicators of socio-economic development. Bulletin of the Academy of Knowledge. 2022;(41):151-154. (In Russ., abstract in Eng.) EDN: JEPSPG
10. Sedova N.O., Pertseva I.A, Yur’eva O.D. Analysis of the Effectiveness of Vocational Guidance Activities of the University Using Machine Learning. Modern Information Technologies and IT-Education. 2021;17(4):1032-1046. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.17.202104.1032-1046
11. Schwab-McCoy A., Baker C.M., Gasper R.E. Data Science in 2020: Computing, Curricula, and Challenges for the Next 10 Years. Journal of Statistics and Data Science Education. 2021;29(sup1):S40-S50. https://doi.org/10.1080/10691898.2020.1851159
12. Baumer B. A Data Science Course for Undergraduates: Thinking With Data. The American Statistician. 2015;69:334-342. https://doi.org/10.1080/00031305.2015.1081105
13. Brunner R.J., Kim E.J. Teaching Data Science. Procedia Computer Science. 2016;80:1947-1956. https://doi.org/10.1016/j.procs.2016.05.513
14. Albert J., Rizzo M. An Undergraduate Data Science Program. In: JSM 2016 Proceedings. Section on Statistical Education. Chicago, Illinois: American Statistical Association; 2016. p. 1135-1147. Available at: https://ww2.amstat.org/meetings/proceedings/2016/data/assets/pdf/389584.pdf (accessed 15.11.2023).
15. Majumder M., Cheng X. Focusing on the Needs: Experiences of Developing a Data Science Program.Journal of Computational and Graphical Statistics. 2017;26(4):779-780. https://doi.org/10.1080/10618600.2017.1385475
16. Hicks S.C., Irizarry R.A. A Guide to Teaching Data Science. American Statistician. 2018;72(4):382-391. https://doi.org/10.1080/00031305.2017. 1356747
17. Tang R., Sae-Lim W. Data Science Programs in the U.S. Higher Education: An Exploratory Content Analysis of Program Description, Curriculum Structure, and Course Focus. Education for Information. 2016;32:269-290. https://doi.org/10.3233/EFI-160977
18. Song I.-Y., Zhu Y. Big Data and Data Science: What Should We Teach? Expert Systems. 2016;33(4):364-373. https://doi.org/10.1111/exsy.12130
19. West J. Teaching Data Science: An Objective Approach to Curriculum Validation. Computer Science Education. 2018;28(2):136-157. https://doi.org/10.1080/08993408.2018.1486120
20. Lapenok M.B., Shestakova L.G. Formation of bachelor's skills in the field of machine learning and intelligent data analysis. Scholarly Notes of Transbaikal State University. 2024;19(3):17-26. (In Russ., abstract in Eng.) https://doi.org/10.21209/2658-7114-2024-19-3-17-26
21. Medvedeva E.I., Kroshilin S.V., Avacheva T.G. The need to develop information competencies in the preparation of students in medical universities. Meditsinskoe obrazovanie i professional’noe razvitie = Medical education and professional development. 2023;14(1):66-78. (In Russ., abstract in Eng.) https://doi.org/10.33029/2220-8453-2023-14-1-66-78
22. Hazzan O., Mike K. The Birth of a New Discipline: Data Science Education. In: Guide to Teaching Data Science. Cham: Springer; 2023. p. 59-72. https://doi.org/10.1007/978-3-031-24758-3_4
23. Aljawarneh S., Lara J.A. Data science for analyzing and improving educational processes. Journal of Computing in Higher Education. 2021;33(3):545-550. https://doi.org/10.1007/s12528-021-09299-7
24. Dorofeeva V.I., Stroev S.P., Dorofeeva E.Y. On the Issue of Teaching Data Analysis and Machine Learning to Students of Medical Specialties. In: 2023 3rd International Conference on Technology Enhanced Learning in Higher Education (TELE). Lipetsk, Russian Federation: IEEE Press; 2023. p. 101-103. https://doi.org/10.1109/TELE58910.2023.10184352
25. Dorofeeva V.I. On the question of teaching disciplines related to data analysis to students of the training direction "Applied Mathematics and Computer Science". Uchenye zapiski Oryol State University = Scientific Notes of Orel State University. 2022;(4):244-246. (In Russ., abstract in Eng.) EDN: TBIJRK
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
