В очередной раз происходит изменения государственных образовательных стандартов. С одной стороны это хорошо, но с другой стороны прибавляется хлопот, когда процентов 30 дисциплин полностью меняется.

В частности возникла вот эта новая дисциплина.
что может содержать данная дисциплина ФГОС ответа ясно не дает, хотя говорит, что студент должен
- знать основные виды и процедуры обработки информации, модели и методы решения задач обработки информации (генерация
отчетов, поддержка принятия решений, анализ данных, искусственный интеллект, обработка изображений);
- уметь осуществлять математическую и информационную постановку задач по обработке информации, использовать алгоритмы обработки информации для различных приложений;
- владеть инструментальными средствами обработки информации

При этом эти знать, уметь и владеть я выбирал довольно произвольно (интуитивно так сказать), видя слова "обработка информации".

Поиски в интернете не увенчались успехом. В таком названии  дисциплина ранее не встречалась.

Кто может посоветовать, что же должна содержать программа такой дисциплины? Напомню, что это в рамках направления Информационные системы и технологии.

Спасибо

ну как же, как же впервые. еще в годы моей учебы в нашем вузе имелся целый ФАКУЛЬТЕТ Механизированная обработка информации. Честно говоря, уже позабыл чему там учили (я-то на другом учился), да много воды утекло с тех пор... Так что действительно все оказывается движется по спирали...

к перечисленному я бы предложил добавить:
 - что-то по природе и структурированию информации
 - что-то, чтобы обеспечить связь процессов и процедур обработки информации с тем откуда она берется, зачем она нужна, как должна будет использоваться (в смысле - в предметной области)

P.S. в настоящее время на мой взгляд одной из наибольших проблем является работа на стыке предметных областей, например бизнеса и ИТ, т.к. бизнес в принципе не хочет формулировать задачу в ИТ-терминах, а ИТ делать этого не может в принципе. Прямо революционная ситуация какая-то...

Спасибо, Вадим, за интерес к теме. Тут проблема в чем? В окружении других предметов. Раз данный предмет выделяется, следовательно он должен иметь нечто оригинальное. Например ранее идут Информатика, Информационные технологии, Технология программирования, Теория алгоритмов. А после или параллельно Управление данными, Интеллектуальные ИС, Моделирование систем, Функциональные мат. модели, Теория принятия решения и т.п.

Кажется ФГОС довольно ясно говорит:
основные виды и процедуры обработки информации
модели и методы решения задач обработки информации

интересно, а что к этому относится? я что-то такое помню про пакетную, интерактивную обработку, обработку текстовой информации (чаще связанную с поиском), всякий датамайнинг - это?

в таком контексте это скорее всего относится к первой группе (свое второе предложение снимаю). тогда имеет смысл оттолкнуться именно от видов информации и особенноcтей ее обработки (типа того, что ты написал) - другое как-то в голову не приходит.

Мне кажется в качестве теоретической заправки можно немного о теории информации поговорить. К этому времени ведь теория вероятности уже будет прочитана студентам?

Мне кажется в качестве теоретической заправки можно немного о теории информации поговорить. К этому времени ведь теория вероятности уже будет прочитана студентам?

Теория информации читается в другом месте, в информ. технологиях - заведующим кафедрой. Я, конечно, понимаю - повторение мать учения, но учитывая 4 летний срок обучения, в который втискивается то, что ранее изучалось в течение 5 лет, заставляет подумать о большей определенности.

Лично я к образовательным стандартам и программам отношусь сугубо прагматически. Я глубоко уверен, что их авторы не представляют себе некоторую комплексную и сбалансированную систему различных профессий и потребностей. А раз так, то надо написать - так напишем. На уровне здравого смысла, а будет надо - раздуем воды. В этом смысле то, что написали Вы - нормально. Или этого мало? Тогда можно притягивать окрестности, только не сильно залезая в смежные области.

Может быть другая задача - в конкретном ВУЗе или его части (кафедра, факультет), построить некоторую понятную и хорошую систему дисциплин, обеспечивающих подготовку к профессии. Но это - другая задача. Тут надо отталкиваться от реалий (возможности преподавателей, желания студентов, потребители выпускников). А потом - привязать все это к госстандартами, чтобы было нормально обернуто.

P.S. Извиняюсь, если не совсем по теме. Или я не понял, и речь идет о разработке ФГОС?

P.S. Извиняюсь, если не совсем по теме. Или я не понял, и речь идет о разработке ФГОС?

Речь идет об создании ООП - образовательной программы по конкретной дисциплине в рамках, утвержденног ФГОС. Нам уж его делать не доверят, максимум рецензирование:) Современные ФГОС устанавливают только компетенции, остальные моменты на откуп вузам.

"знать основные виды и процедуры обработки информации, модели и методы решения задач обработки информации (генерация отчетов, поддержка принятия решений, анализ данных, искусственный интеллект, обработка изображений);"
конечно этого вполне может быть достаточно в общем, однако много не ясного в частности.

Например вопросы поиска в текстовой информации - само по себе очень большое и самостоятельное направление
Или обработка графической информации, звуковой информации и т.п.

Кроме того некая обработка для принятия решения - это что OLAP? DataMining? ....

Генерация отчетов - какие особенности обработки информации тут имеются?

Искусственный интеллект - зачем он тут вообще, имеются в виду генетические, эвристические, эволюционные и т.п. алгоритмы?

Мне кажется здесь ближе
Data Mining + алгоритмы + общая информация по методам распознавания и классификации.

Речь идет об создании ООП - образовательной программы по конкретной дисциплине в рамках, утвержденног ФГОС. Нам уж его делать не доверят, максимум рецензирование:) Современные ФГОС устанавливают только компетенции, остальные моменты на откуп вузам.

Тогда я бы работал комплексно. Есть некоторое представление о предметной области, которой учим. Первоначально его можно получить, сделав некоторую смесь из имеющихся программ, госстандартов и оглавлений основополагающих книг. Убираем то, чему научить не можем и не хотим. Остальное - распределяем по дисциплинам, что-то записываем в несколько. Учитываем особенности преподавателей и их видение, сложившиеся курсы. Теоретически для этой цели MindMap должен неплохо подходить...

Тогда я бы работал комплексно. Есть некоторое представление о предметной области, которой учим. Первоначально его можно получить, сделав некоторую смесь из имеющихся программ, госстандартов и оглавлений основополагающих книг. Убираем то, чему научить не можем и не хотим. Остальное - распределяем по дисциплинам, что-то записываем в несколько. Учитываем особенности преподавателей и их видение, сложившиеся курсы. Теоретически для этой цели MindMap должен неплохо подходить...

Максим, спасибо за предложение. Но ну их распределение по дисциплинам. Это такой геморой согласовывать свое с другими Лучше как-то за себя и в интересах студентов

Что я точно могу сейчас - теория поиска и сосбтвенно все что связанно с поиском, теория распознавания образов и собственно практика и алгоритмы, аналитическая обработка информации - всякие муравьиные и прочии алгоритмы

Нормально или скучно?

Еще раз оттолкнемся от компетенций ФГОС

 - основные виды и процедуры обработки информации,
что можно отнести к видам обработки информации? Сложно ответить точно, но:
централизованная, децентрализованная, распределенная и интегрированная ? Или что-то иное, например по виду информации? или по виду операции? - сбор, анализ, поиск, представление, хранение???
процедуры обработки это что? тот же поиск, анализ, модификация, создание и т.п.?

-модели и методы решения задач обработки информации
--генерация отчетов,
   о чем тут можно говорить? преобразование форматов, использование шаблонов?
--поддержка принятия решений,
  тут можно напихать по-моему массу всего математические методы обработки данных, методы принятия решений и т.п.
--анализ данных,
  поиск закономерностей датамайнинг ....??
--искусственный интеллект,
   генетические алгоритмы и т.п. что составляет интеллектуальную обработку
--обработка изображений
   тут вроде более понятно

---инструментальными средствами обработки информации
что тут можно посоветовать??

Коллеги, продолжаю вас террорезировать, но ситуация без выходная .... Программу нужно вчера, а еще конь не валялся

Мои поиски привели меня к некотороым скромным онтологическим результатам:

Обработка информации - это обработка данных такая, что новые данные (неявно присутствующие в источнике) проявляются в полезной форме. По сути делается равенство между обработкой информации и обработкой данных

Там же. Британика дает такое определение - сбор (получение), запись, орагнизация, поиск, выборка, отображение и распространение информации. ну и далее по тексту

Обработка данных же - есть конверсия данных в форму, которая может быть обработана компьютером, лбо хранение и обработка данных компьютером

Так или иначе, весь курс по информационным системам и технологиям можно считать ТЕХНОЛОГИЯМИ обработки данных и информации.

Можно тогда остановиться на анализе данных(информации) с целью поддержки принятия решения (раз уж направление есть Информационные системы и технологии).

Поиск информации - особенно в документальных системах с их поисковыми образами документа и запроса

Можно наверное затронуть регулярные выражения как некоторая технология поиски и выборки данных и информации

Что такое генерация отчетов и каковы тут технологии особые - затрудняюсь ответить

Обработка изображений, звука, голоса и видео - думаю слишком специфично, хотя теоретические основы классификации и распознавания образов дать вполне можно

Тема реально довольно безграничная

Что скажите?

Коллеги, хотел заручиться Вашим советом. Как Вы считаете, можно ли в основу курса положить разработки по Deductor http://www.basegroup.ru/edu/?

Я все равно Вас достану

Вот вычленил. Как Вы полагаете если из этого набрать курс по обработки информации в рамках напрвалениея Информационные системы и технологии, пойдет?

Технологии анализа данных - Современные подходы к анализу данных, Базовая термино-логия анализа данных, понятие модели и моделирования, Последовательность шагов по ана-лизу данных, Машинное обучение и классы задач Data Mining, Классификация программ-ных продуктов для создания аналитических решений, Характеристики аналитических плат-форм, Языки визуального моделирования в аналитических платформах

Консолидация данных - Основные задачи консолидации данных, Обобщенная схема про-цесса консолидации, Предпосылки появления ХД, Основные требования к ХД, Задачи, решаемые ХД, Детализированные и агрегированные данные, метаданные, Много-мерное представление данных и многомерный куб, MOLAP, Измерения и факты; операции с многомерным кубом, ROLAP, схемы "звезда" и снежинка", HOLAP, преимущества и недостатки гибридной архитектуры ХД, Витрины данных, Концепция виртуальных хранилищ данных, Процесс ETL, его основные цели и задачи, Выбор используемых источников данных, Организация процесса извлечения данных, Уровни очистки данных, Классификация проблем в "грязных" данных, Преобразование структур данных: агрегирование, перевод значений и пр., Организация процесса загрузки в ХД, Многопоточная загрузка и постзагрузочные операции, Преимущества и недостатки отказа от создания ХД, Особенности загрузки из локальных источников данных, Необходимость обогащения данных и способы обогащения

Трансформация данных - Что такое трансформация, Цели трансформации и ее роль в про-цессе ETL, Основные методы трансформации, Трансформация временных рядов: скользящее окно, интервал и горизонт прогноза, глубина погружения, Преобразование даты и времени, Группировка и разгруппировка данных, Объединение данных, Внутреннее и внешнее соединение, Цели квантования, Выбор числа интервалов квантования, Методы квантования, Основные методы нормализации, Нормализация с помощью поэлементных преобразований, Кодирование категориальных данных

Визуализация данных - Цели и задачи визуализации данных, Группы методов визуализа-ции, Общие визуализаторы: графики, диаграммы, гистограммы, статистика, OLAP-анализ, Манипуляции с OLAP-кубами, Матрицы классификации, Диаграммы рассеяния, Ретропрог-ноз, Коэффициенты регрессии, Визуализация контроля обучения моделей, Древовидные ви-зуализаторы, Визуализаторы связей, Двумерные карты

Очистка и предобработка данных - Концепция управления качеством данных, Уровни ка-чества данных, Оценка пригодности данных к анализу, Оценка качества данных по их про-исхождению, Что такое профайлинг данных, Визуальная оценка качества данных, Выявление трудно формализуемых ошибок, Предобработка данных и ее отличие от очистки, Почему "грязные" данные доходят до аналитической системы, Типичный набор инструментов предобработки в аналитическом приложении, Фильтрация данных, Обобщенная модель дубликатов и противоречий, Влияние дубликатов и противоречий на эффективность анализа, Обработка дубликатов и противоречий, Виды аномалий, Обнаружение аномальных значений статистическими методами, Обнаружение аномальных значений на основе меры расстояний, Методы корректировки аномальных значений, Происхождение пропусков в данных, Методы восстановления пропущенных значений, Постановка задачи сокращения размерности, Требования к алгоритмам снижения размерности данных, Когда необходимо сокращение числа признаков, Алгоритмы и методы сокращения числа признаков, Отбор признаков на основе статистических показателей, Сокращение признаков на основе информационных оценок, Метод главных компонент, Сокращение числа значений признака, Уменьшение числа наблюдений, Сущность, цели и задачи сэмплинга, Методы сэмплинга

Data Mining – Задача ассоциации, Кластеризация, Классификация и регрессия, Статические методы, Машинное обучение