Машинное обучение и обработка больших данных в условиях современной школы
https://doi.org/10.32517/2221-1993-2020-19-7-25-29
Аннотация
Современный мир наполнен множеством разнообразных данных, и их объем с каждым годом многократно увеличивается. С одной стороны, Вig Data — это данные, которые невозможно обработать на одном компьютере, их сложно структурировать. С другой стороны, это специальные инструменты, подходы и методы обработки данных, которые применяются для того, чтобы человек мог получить конкретные и нужные ему результаты для их дальнейшего эффективного применения. Откуда берутся большие данные? Из интернета — данные соцсетей, блогов, СМИ, форумов, сайтов, интернета вещей. Из архивов и баз данных — корпоративные данные, транзакционная деловая информация. Из разного рода приборов и устройств — показания датчиков, измерителей, регистраторов, например, данные метеорологической службы и операторов сотовой связи. Миллиарды устройств сегодня подключены к интернету. Ожидается, что за несколько лет к глобальной сети будут подключены миллионы новых устройств, которые ежедневно будут генерировать несколько десятков миллионов терабайт данных. Такие цифры должны заинтересовать тех молодых людей, кто ищет свой путь в области информационных технологий. Очевидно, что в ближайшем будущем специалисты, которые умеют работать с большими данными, будут востребованы на рынке труда. «Машинное обучение и большие данные» («Machine learning and Big Data») — это одна из компетенций WorldSkills Junior (Future Skills). В статье представлен опыт подготовки к соревнований такого рода без выхода за рамки школьного предмета «Информатика».
Об авторе
Т. В. ТкачРоссия
Ткач Татьяна Васильевна, канд. пед. наук, учитель информатики
117041, г. Москва, ул. Адмирала Руднева, д. 16, корп. 1
Список литературы
1. Гельман В. Я. Решение математических задач средствами Excel. Практикум. СПб.: Питер, 2003. 240 с.
2. Горячев А. В. О целесообразности модульной организации курса информатики в основной и старшей школе // Информатизация непрерывного образования — 2018: Материалы Международной научной конференции. В 2 т. / под общ. ред. В. В. Гриншкуна. М.: Российский университет дружбы народов, 2018. С. 450–453.
3. Импорт данных из файлов формата CSV в базу данных MS Access. https://youtu.be/EzGZzfd3wtc
4. Как записать данные в csv-файл модуль csv Python. http://trainingweb.ru/page/write-data-csv-file-csv-module-python
5. Как читать и писать csv-файлы в Python. https://code.tutsplus.com/ru/tutorials/how-to-read-and-write-csv-files-inpython--cms-29907
6. Каштамов А. Введение в pandas: анализ данных на Python. https://khashtamov.com/ru/pandas-introduction/
7. Лалетина О. В., Липатов Д. В. Роль дополнительного образования в профессиональной ориентации школьников // Отечественная и зарубежная педагогика. 2018. № 2 (49). С. 192–199.
8. Машинное обучение для самых маленьких. https:// proglib.io/p/the-simplest-introduction-to-machine-learning/
9. Павлов Д. И. О возможном направлении изменений в содержании обучения информатике в основной и старшей школе // Актуальные проблемы обучения математике и информатике в школе и вузе: Материалы IV международной научной конференции. В 2 ч. (г. Москва, 4–5 декабря 2018 года). М.: АКФ «Политоп», 2018. С. 171–175.
10. Павлов Д. И. Об изменении методов реализации курса информатики в основной школе // Информатизация непрерывного образования — 2018: Материалы Международной научной конференции. В 2 т. / под общ. ред. В. В. Гриншкуна. М.: Российский университет дружбы народов, 2018. С. 486–491.
11. Федулов И. Н., Квач И.В. Правовые аспекты управления big data в странах БРИКС и ШОС // Сервис +. 2019. № 3. С. 85–92.
12. Электронная книга Devpractice Team. Pandas. Работа с данными. 2-е изд. 2020. 170 с. https://devpractice.ru
Рецензия
Для цитирования:
Ткач Т.В. Машинное обучение и обработка больших данных в условиях современной школы. Информатика в школе. 2020;1(7):25-29. https://doi.org/10.32517/2221-1993-2020-19-7-25-29
For citation:
Tkach T.V. MACHINE LEARNING AND BIG DATA PROCESSING IN A MODERN SCHOOL. Informatics in school. 2020;1(7):25-29. (In Russ.) https://doi.org/10.32517/2221-1993-2020-19-7-25-29