Наименование компетенции ФГОС ВО	Индикаторы достижения компетенций
Способен осуществлять поиск, критический анализ и синтез информации, применять системный подход для решения поставленных задач (УК-1)	Знаний: принципы использования системного подхода алгоритмы принятия решения (в том числе, методики постановки задачи, моделирования, выбора и принятия решения) Умений: анализировать задачу, выделяя этапы ее решения, действия по решению задачи оценивать их преимущества и риски Навыков: навыками применения системного подхода для оценки современных научных достижений и принятия решений в социальной и профессиональной деятельности
Способен определять круг задач в рамках поставленной цели и выбирать оптимальные способы их решения, исходя из действующих правовых норм, имеющихся ресурсов и ограничений (УК-2)	Знаний: закономерности целеполагания и пути достижения поставленной цели Умений: формулировать задачи, обеспечивающие достижение поставленной цели работы Навыков: навыками осуществления проектной деятельности
Способен управлять своим временем, выстраивать и реализовывать траекторию саморазвития на основе принципов образования в течение всей жизни (УК-6)	Знаний: сущность личности и индивидуальности, структуру личности и движущие силы ее развития Умений: планировать перспективные цели саморазвития с учетом условий, средств, личностных возможностей, этапов карьерного роста и перспектив развития рынка труда Навыков: приемами эффективного целеполагания
Способен осуществлять обучение учебному предмету на основе предметных методик и современных образовательных технологий (ПК-1.1)	Знаний: концептуальные положения и требования к организации образовательного процесса по учебному предмету, определяемые ФГОС и примерными программами Умений: планировать, моделировать и реализовывать различные организационные формы в процессе обучения учебному предмету (урок, экскурсию, домашнюю, внеклассную и внеурочную работу) обосновывать выбор методов обучения учебному предмету и образовательных технологий, применять их в образовательной практике, исходя из особенностей содержания учебного материала, возраста и образовательных потребностей обучающихся Навыков: технологиями обучения учебному предмету на основе предметных методик и современных образовательных технологий

Вид учебной работы	Часов (по видам работ)	Семестры
8
Контактная работа (всего)	36	36
Лекционные занятия	8	8
Лабораторные занятия	28	28
Самостоятельная работа	72	72
Всего, часов/зачетных единиц	108 / 3	108 / 3

Показаны записи 1-6 из 6.

Наименование раздела дисциплины	Содержание раздела	Всего, час (без контроля и консультаций)	Лек	Лаб	СР
Введение в методы обработки больших данных	- Основные характеристики и вызовы Big Data (объём, разнообразие, скорость). - Архитектура экосистемы: традиционные СУБД, NoSQL, Hadoop/Spark. - Колоночные форматы данных (Parquet, ORC) и их преимущества. - Роль специалиста в прикладной информатике и смежных дисциплинах. - Обзор инструментов курса: R, SQL, Apache Spark, Arrow, MediaWiki API.	18	2	4	12
Получение и подготовка данных из больших источников	- Источники больших данных: Wikimedia Dumps, MediaWiki API, гос. открытые данные, BigQuery Public Datasets. - Загрузка файлов большого объёма, подключение к API и удалённым БД (ODBC/JDBC). - Предобработка: очистка, нормализация типов, удаление шумовых записей. - Конвертация форматов CSV/XML → Parquet и организация партиционированных наборов.	24	2	6	16
Масштабная аналитическая обработка данных в R и SQL	- Высокопроизводительные пакеты в R: data.table, dtplyr, arrow. - Выполнение сложных SQL-запросов к большим наборам через DBI - Гибридные подходы: объединение SQL-фильтрации и R-последующей обработки. - Параллельная обработка данных, оптимизация чтения/записи.	21	1	6	14
Визуализация и представление результатов	- Визуализация больших наборов в R (ggplot2, plotly). - Интерактивные панели и отчёты (Shiny, RMarkdown). - Приёмы оптимизации визуализации при работе с большими объёмами данных. - Примеры образовательных дашбордов (успеваемость, активность авторов).	15	1	4	10
Анализ структур и сетей в больших данных	- Основы графового анализа: узлы, рёбра, взвешенные и ориентированные графы. - Извлечение и построение сетей из данных (граф ссылок Википедии, сеть соавторов). - Метрики центральности, модулярности, кластеризация сообществ. - Визуализация и интерпретация графов в прикладных сценариях.	17	1	4	12
Основы машинного обучения для анализа больших данных	- Понятия машинного обучения в прикладных задачах: прогнозирование, классификация, кластеризация. - Простые алгоритмы: k-means, линейная регрессия, деревья решений. - Подготовка данных: кодирование признаков, нормализация, отбор входных переменных. - Применение моделей к большим наборам данных - Интерпретация результатов	13	1	4	8

1) Нестеров, Сергей Александрович. Базы данных [Электронный ресурс] : учеб. и практикум для вузов / С. А. Нестеров. – Москва : Юрайт, 2024. – (Высшее образование). – Добавлено: 04.09.2025. – Проверено: 31.10.2025. – Режим доступа: ЭБС Юрайт по паролю. – ISBN 978-5-534-18107-4. - URL: https://urait.ru/bcode/536687.
2) Дадян, Эдуард Григорьевич. Данные: хранение и обработка [Электронный ресурс] : учебник / Э. Г. Дадян. – Москва : ИНФРА-М, 2021. – (Высшее образование – Бакалавриат). – Добавлено: 25.07.2025. – Проверено: 31.10.2025. – Режим доступа: ЭБС Znanium по паролю. – ISBN 978-5-16-016447-2. - URL: https://znanium.com/catalog/document?id=360938.
3) Макшанов, Андрей Владимирович. Большие данные. Big Data [Электронный ресурс] : учебник / А. В. Макшанов, А. Е. Журавлев, Л. Н. Тындыкарь. – Санкт-Петербург ; Москва ; Краснодар : Лань, 2024. – Добавлено: 21.06.2024. – Проверено: 31.10.2025. – Режим доступа: ЭБС Лань по паролю. – ISBN 978-5-507-46866-9. - URL: https://e.lanbook.com/book/322664.

1) Григорьев, Анатолий Алексеевич. Методы и алгоритмы обработки данных [Электронный ресурс] : учеб. пособие / А. А. Григорьев, Е. А. Исаев. – Москва : ИНФРА-М, 2024. – (Высшее образование – Бакалавриат). – Добавлено: 27.05.2025. – Проверено: 31.10.2025. – Режим доступа: ЭБС Znanium по паролю. – DOI 10.12737/1032305. – ISBN 978-5-16-015581-4. - URL: https://znanium.ru/catalog/document?id=446072.
2) Павлов, Леонид Александрович. Структуры и алгоритмы обработки данных [Электронный ресурс] : учебник / Л. А. Павлов, Н. В. Первова. – Санкт-Петербург ; Москва ; Краснодар : Лань, 2021. – Добавлено: 30.05.2024. – Проверено: 31.10.2025. – Режим доступа: ЭБС Лань по паролю. – ISBN 978-5-8114-7259-8. - URL: https://e.lanbook.com/book/156929.
3) Волк, Владимир Константинович. Базы данных. Проектирование, программирование, управление и администрирование [Электронный ресурс] : учебник / В. К. Волк. – Санкт-Петербург ; Москва ; Краснодар : Лань, 2023. – Добавлено: 31.05.2024. – Проверено: 31.10.2025. – Режим доступа: ЭБС Лань по паролю. – ISBN 978-5-8114-9368-5. - URL: https://e.lanbook.com/book/346439.

Показаны записи 1-3 из 3.

Учебная аудитория	Материально-техническое обеспечение
Аудитория для проведения занятий лекционного типа	Специализированная мебель, персональный компьютер, обеспеченный доступом к сети «Интернет», проектор, интерактивная доска, доска классная 3-элементная, набор демонстрационного оборудования и учебно-наглядных пособий, обеспечивающие тематические иллюстрации.
Аудитория для лабораторной работы	Специализированная мебель, персональный компьютер, обеспеченный доступом к сети «Интернет», проектор, интерактивная доска, доска классная 3-элементная, набор демонстрационного оборудования и учебно-наглядных пособий, обеспечивающие тематические иллюстрации.
Помещение для самостоятельной работы	Специализированная мебель, персональный компьютер, обеспеченный доступом к сети «Интернет», проектор, интерактивная доска, доска классная 3-элементная, набор демонстрационного оборудования и учебно-наглядных пособий, обеспечивающие тематические иллюстрации.

Место в структуре образовательной программы

Промежуточная аттестация