Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Биоинформатика_магистратура

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение
высшего профессионального образования
«Московский физико-технический институт (государственный университет)»
«УТВЕРЖДАЮ»
Проректор по учебной и методической работе
Д.А. Зубцов
Рабочая программа дисциплины (модуля)
по дисциплине: Вычислительная биология и биоинформатика
по направлению: Прикладные математика и физика (магистратура)
профиль подготовки:
факультет: биологической и медицинской физики
кафедра: молекулярной и биологической физики
курс: 1
квалификация: магистр
Семестры, формы промежуточной аттестации:
1(Осенний) - Дифференцированный зачет
2(Весенний) - Экзамен
Аудиторных часов: 60 всего, в том числе:
лекции: 60 час.
практические (семинарские) занятия: 0 час.
лабораторные занятия: 0 час.
Самостоятельная работа: 90 час.
Подготовка к экзамену: 30 час.
Всего часов: 180, всего зач. ед.: 5
Количество курсовых работ, заданий: 4
Программу составил: Д.Г. Алексеев, канд. биол. наук, доцент
Программа обсуждена на заседании кафедры
30 июля 2015 г.
СОГЛАСОВАНО:
Заведующий кафедрой И.А. Попов
Декан факультета биологической и медицинской физики
Начальник учебного управления И.Р. Гарайшина
1. Цели и задачи
Цель дисциплины
Цель курса – приобретение теоретических знаний по вычислительной биологии и биоинформатике, практических навыков анализа данных протеомных и геномных экспериментов для построение системных моделей биологических процессов.
Задачи дисциплины
-формирование навыков и опыта анализа данных Омиксных исследований, интерпретации результатов;
-формирование культуры построения алгоритмов обработки биологических и медицинских данных;
-формирование системного взгляда на современные исследования в области системной биологии и трансляционной медицины;
-формирование подхода к организации и проведению системно биологических исследований ориентированных на получение большого количества данных.
2. Место дисциплины (модуля) в структуре образовательной программы
Курс Вычислительной биологии и биоионформатики является введением в дисциплину анализа и интерпретации биологических данных. Курс оперирует понятиями молекулярной биологии, биохимии, физ. методов исследования, статистики, математики и информатики. Для освоения дисциплины обучающийся должен обладать следующими знаниями:
- устройство клетки и организма
- понимание молекулярных основ генетики
- понимание принципов статистики в части анализа экспериментальных данных
- владеть навыками программирования
- знать основные современные методы исследования в молекулярной биологии: протеомику, геномику и т.д.
- владеть знаниями  об алгоритмах и языках программирования.
Данная дисциплина относится к вариативной части образовательной программы.
Дисциплина «Вычислительная биология и биоинформатика» базируется на дисциплинах:
Физические методы исследований;
Физические методы исследований: лабораторный практикум;
Биохимия;
Введение в математический анализ;
Молекулярная биология;
Статистика;
Информатика.
Дисциплина «Вычислительная биология и биоинформатика» предшествует изучению дисциплин:
Системная биология.
3. Перечень планируемых результатов обучения по дисциплине (модулю), соотнесенных с планируемыми результатами освоения образовательной программы
Освоение дисциплины направлено на формирование следующих общекультурных, общепрофессиональных и профессиональных компетенций:
способность использовать на практике углубленные фундаментальные знания, полученные в области естественных и гуманитарных наук, и владением научным мировоззрением (ОПК-3);
способность самостоятельно и (или) в составе исследовательской группы разрабатывать, исследовать и применять математические модели для качественного и количественного описания явлений и процессов и (или) разработки новых технических средств (ПК-1);
способность ставить, формализовать и решать задачи, уметь системно анализировать научные проблемы, генерировать новые идеи и создавать новое знание (ПК-2).
В результате освоения дисциплины обучающиеся должны
знать:
- основные алгоритмы и подходы к анализу данных геномных экспериментов;
- основы работы с геномными данным;
- подходы к определению достоверности результатов экспериментов;
- методы моделирования сложных биологических систем;
- основные программные  и технические средства анализа в биоинформатике.
уметь:
- анализировать корректность анализа данных;
- интерпретировать подходы и результаты полученные в современных работах по молекулярной биологии и медицине;
- составлять схему анализа данных для био-медицинских экспериментов.
владеть:
- биоинофрматическими подходами к анализу данных.
4. Содержание дисциплины (модуля), структурированное по темам (разделам) с указанием отведенного на них количества академических часов и видов учебных занятий
4.1. Разделы дисциплины (модуля) и трудоемкости по видам учебных занятий
             
Тема (раздел) дисциплины Виды учебных занятий, включая самостоятельную работу
Лекции Практич. (семинар.) задания Лаборат. работы Задания, курсовые работы Самост. работа
1 Введение. Мол. биология, статистика 4       4
2 Методы визуализации и стат. обработки 4       4
3 Биоинформатические методы в протеомике и геномике 2       4
4 Системная биология и интеграция данных 2       4
5 Исследование сложных микробных сообществ 4       4
6 Геном человека, GWAS и раковый геномный проект 4       4
7 Организация данных в мультицентровых исследованиях с большими массивами данных 2       4
8 Моделирование в системной биологии, диф. уравнения и агентное моделирование 4       4
9 Онтологии и систематизация данных. Gene Ontology. Анализ обогащения наборов генов 4       4
10 Основы создания алгоритмов в биоинформатике. Брут-форс и быстрые алгоритмы 2       4
11 Графы как основа для классов алгоритмов по сборке и картирования 2       4
12 Алгоритмы картирования на основе трансформации Барроуза-Уилера 2       4
13 Алгоритмы идентификации полиморфизмов и присвоения индекса патологичности 2       4
14 Алгоритм MOWSE и подход к идентификации спектров 2       4
15 Алгоритмы построения сетей белок-белкового взаимодействия 2       4
16 Алгоритмы построения регуляторных сетей 4       4
17 Алгоритмы поиска эпистатических взаимодействий 2       4
18 Алгоритмы и метрики в метагеномных исследованиях 4       4
19 Алгоритмы используемые для моделирования 2       4
20 Алгоритмы построения филогенетических деревьев (методы максимального правдоподибия, максимальной парсимонии, Neighbour Joining) 4       4
21 Алгоритмы обработки данных экспериментов по эпигенетике 2       10
Итого часов 60       90
Подготовка к экзамену 30 час.
Общая трудоёмкость 180 час., 5 зач.ед.
             
4.2. Содержание дисциплины (модуля), структурированное по темам (разделам)
Семестр: 1 (Осенний)
1. Введение. Мол. биология, статистика
Общие понятия. История Биоинофрматики. Место биоинформатики в современных исследованиях. Основные молекулярно биологические понятия необходимые для курса. Биологические базы данных: Swiss-prot, Uniprot, EBI, NCBI.
2. Методы визуализации и стат. обработки
Понятия p-value, достоверности, множественная поправка. Тепловые карты. Боксплоты. Дифференциальный анализ: тест Манна-Уитни, t-тест, ANOVA (PERMANOVA), линейная регрессия, алгоритм “случайный лес”. Метрики: расстояние по корреляции Спирмена, Евклидово, Брэй-Кертис. Кластеризация: алгоритм k-средних, оценка качества кластеризации, кластеризация с бутстрэп поддержкой. Многомерное шкалирование. Метод главных компонент.
3. Биоинформатические методы в протеомике и геномике
Понятие о сборках генома de-novo и по референсу. Два основных подхода при сборки de-novo: OLC и на основе графов de Bruijn. Картирование ридов для нахождения SNP. Методы оценки близости геномов. Понятие фингерпринта. Идентификация белков методом шотган масс-спектрометрии. Идентификация петидов de novo. Decoy база данных для идентификации, оценка FDR. Протеогеномика. Идентификация посттрансляционных модификаций. Предсказание трансмембранных белков, TMHMM. Классификация ферментов и белков: EC, COG, NOG, OG, KEGG. Количественная метковая и безметковая протеомика. Мониторинг множественных реакций, MRM. Мировые репозитории данных: PRIDE, PeptideAtlas, MRMAtlas.
4. Системная биология и интеграция данных
. Омикс-технологии. Базы данных. Язык SBML. Подходы, алгоритмы и базы данных для интеграции данных. Основа для анлгоритма PARADIGM.
5. Исследование сложных микробных сообществ
Метагеномика и другие молекулярно-генетические подходы. Секвенирование 16S рРНК, полногеномное секвенирование; особенности и недостатки. Виды и форматы метагеномных данных. Конвейерная обработка метагеномных данных. Метагеном кишечника человека. Базы данных.
6. Геном человека, GWAS и раковый геномный проект
История генома человека. Точность данных. Представление о расшифровке генома. Разнообразие генома у разных людей. Уникальность информации. Базы данных по геному человека. Инструменты для работы с геномом.
Что такое рак? Различия в раковых геномах. Мутации и дупликации. Доступ к данным по раковым геномам. Гомогенность ракового генома.
7. Организация данных в мультицентровых исследованиях с большими массивами данных
. Планирование эксперимента. Стандартный протокол взаимодействия. Пилотный проект. Потоки данных. Воспроизводимость исследования.
8. Моделирование в системной биологии, диф. уравнения и агентное моделирование
Моделируемые системы. Агентное моделирование: основные понятия, LOGO. Динамические системы, условие стационара. Кинетика Михаэлиса-Ментена. Дифференциальные модели в экологии: хищник-жертва и т.д.
9. Онтологии и систематизация данных. Gene Ontology. Анализ обогащения наборов генов
KEGG: классификация по метаболическим путям. Система унифицированной терминологии в геномике. Тест фишера и его применение при функциональном обогащении.
Семестр: 2 (Весенний)
10. Основы создания алгоритмов в биоинформатике. Брут-форс и быстрые алгоритмы
Динамическое программирование: парные выравнивания. HMM модели: задача поиска, множественные выравнивания. Алгоритм BLAST - применение хэш-функции.
11. Графы как основа для классов алгоритмов по сборке и картирования
Понятие графа. Эйлеров и Гамильтонов пути. Применение графов в алгоритмах сборки геномов de-novo.
12. Алгоритмы картирования на основе трансформации Барроуза-Уилера
Основа алгоритма УБ. Алгоритм Bowti и BWA.
13. Алгоритмы идентификации полиморфизмов и присвоения индекса патологичности
Почему полиморфизм может быть патогномоничен.  SIFT, Provean, PolyPhen2,  Mutpred.
14. Алгоритм MOWSE и подход к идентификации спектров
Система скоринга на основе фингерпринта пептидов. Скоринговая функция SCOPE.
15. Алгоритмы построения сетей белок-белкового взаимодействия
Суть белок белковых взаимодействий. Данные для построение сетей белок белковых взаимодействий. Отсев ложноположительных взаимодействий.
16. Алгоритмы построения регуляторных сетей
Анализ сетей регуляции.
Понятие сетевых мотивов, способ их посика и функциональная роль.
17. Алгоритмы поиска эпистатических взаимодействий
Эпистаз в масштабах человеческого генома. Отделение эпистатических взаимодействия от филогенетических. Алгоритм поиска эпистаза и ускорение поиска.
18. Алгоритмы и метрики в метагеномных исследованиях
Типы метагеномной классификации: по составу, филогении, гибридные алгоритмы. Понятие операционной таксономической единицы (OTU). Расстояние UniFrac. Меры альфа- и бета-разнообразия.
19. Алгоритмы используемые для моделирования
Агентная модель хищник-жертва. Система агентного моделирования NetLogo.
20. Алгоритмы построения филогенетических деревьев (методы максимального правдоподибия, максимальной парсимонии, Neighbour Joining)
Алгоритмы построения филогенетических деревьев (методы максимального правдоподибия, максимальной парсимонии, Neighbour Joining).
21. Алгоритмы обработки данных экспериментов по эпигенетике
Алгоритмы специфичные для анализа транскрипции, поиск сплайсинга, анализ стартов транскрипции и трансляции.
5. Описание материально-технической базы, необходимой для осуществления образовательного процесса по дисциплине (модулю)
Учебная аудитория, оснащенная мультимедиа проектором и экраном.
6. Перечень основной и дополнительной литературы, необходимой для освоения дисциплины (модуля)
Основная литература
1. А. Леск Введение в биоинформатику Перевод с английского под редакцией доктора биол. наук, профессора А. А. Миронова и доктора хим. наук, профессора В. К. Швядаса ISBN 978-5-94774-501-6 (русск.) ISBN 0-19-925196-7 (англ.)
2. С. Игнасимуту. Основы биоинформатики. М.-Ижевск, 2007. Р.
3. Дурбин, Ш. Эдди, А. Крог, Г. Митчисон. Анализ биологических последовательностей. М.-Ижевск, 2006.
Дополнительная литература
1. An Introduction to Bioinformatics Algorithms (The MIT Press, 2004),
2. Bioinformatics for Biologists (Cambridge University Press, 2011).
7. Перечень ресурсов информационно-телекоммуникационной сети "Интернет", необходимых для освоения дисциплины (модуля)
http://rosalind.info/problems/locations/
https://www.coursera.org/instructor/pavelpevzner
http://lectoriy.mipt.ru/course/Biology-Bioinformatics-DGA-Lects/
8.  Перечень информационных технологий, используемых при осуществлении образовательного процесса по дисциплине (модулю), включая перечень программного обеспечения и информационных справочных систем (при необходимости)
На лекционных занятиях используются мультимедийные технологии, включая демонстрацию презентаций. Алгоритмы и анализа данных производятся с использованием:язык программирования python среда анализа R.
9. Методические указания для обучающихся по освоению дисциплины
Студент, изучающий курс биоинформатики, должен с одной стороны, овладеть общим понятийным аппаратом, а с другой стороны, должен научиться применять теоретические знания на практике.
В результате изучения дисциплины студент должен знать основные алгоритмы биоинформатики и подходы к анализу многомерных данных.
Основным подходом, который необходимо освоить студенту, является интеграция данных анализа на основе сведений о геноме.
Постгеномная эра в молекулярной биологии и медицине позволяет использовать методы физ. методов исследований для генерации данных, при этом геномная информация становится единственным подходом к интерпретации.
Студент должен понимать как знания о геноме используются во всех областях от геномики до протеомики и транскриптомики, какие аспекты сведений из генома используются в каждой из дисциплин.
Понимание процессов транкрипции и трансляции в полной мере позволяет интерпретировать применимость геномной информации для анализа данных.
Важно понимать особенности данных для эукариот и прокариот – для этого также необходимо знать различия в процессах транскрипции и трансляции.
Так как анализ данных происходит алгоритмично – то во втором семестре происходит изучение алгоритмов. Важно для студента во втором семестре понять разницу между так называемым “брут-форс” подходом или решением задачи в лоб и более изящными решениями, примечательно что в большинстве алгоритмов используется некоторая особенность геномных данных, позволяющая предложить изящный или быстрый алгоритм.
Основным навыком развиваемым в процессе чтения курса – является навык оценки достоверности результатов, навык поиска способов проверки, навык подбора данных для исследования алгоритма таким образом, что бы результаты работа алгоритма могли быть напрямую использованы для оценки качества работы алгоритма.
Успешное освоение курса требует напряжённой самостоятельной работы студента. В программе курса приведено минимально необходимое время для работы студента над темой.
Самостоятельная работа включает в себя:
– чтение и разбор разных статей посвященных алгоритмам,
– проработку учебного материала (по конспектам лекций, учебной и научной литературе),
- подготовку ответов на вопросы, предназначенных для самостоятельного изучения,
- доказательство отдельных утверждений, свойств;
– решение задач, предлагаемых студентам на лекциях и практических занятиях,
– подготовку к практическим занятиям, коллоквиумам, зачёту и экзамену.
Руководство и контроль за самостоятельной работой студента осуществляется в форме индивидуальных консультаций.
Показателем владения материалом служит умение решать задачи.
10. Фонд оценочных средств для проведения промежуточной аттестации по итогам обучения
Приложение
ПРИЛОЖЕНИЕ
ФОНД ОЦЕНОЧНЫХ СРЕДСТВ
ДЛЯ ПРОВЕДЕНИЯ ПРОМЕЖУТОЧНОЙ АТТЕСТАЦИИ ОБУЧАЮЩИХСЯ
ПО ДИСЦИПЛИНЕ
по направлению: Прикладные математика и физика (магистратура)
профиль подготовки:
факультет: биологической и медицинской физики
кафедра (название): молекулярной и биологической физики
курс: 1
квалификация: магистр
Семестры, формы промежуточной аттестации:
1(Осенний) - Дифференцированный зачет
2(Весенний) - Экзамен
Разработчик: Д.Г. Алексеев , канд. биол. наук, доцент
1. Компетенции, формируемые в процессе изучения дисциплины
Освоение дисциплины направлено на формирование у обучающегося следующих общекультурных (ОК), общепрофессиональных (ОПК) и профессиональных (ПК) компетенций:
способность использовать на практике углубленные фундаментальные знания, полученные в области естественных и гуманитарных наук, и владением научным мировоззрением (ОПК-3);
способность самостоятельно и (или) в составе исследовательской группы разрабатывать, исследовать и применять математические модели для качественного и количественного описания явлений и процессов и (или) разработки новых технических средств (ПК-1);
способность ставить, формализовать и решать задачи, уметь системно анализировать научные проблемы, генерировать новые идеи и создавать новое знание (ПК-2).
2. Показатели оценивания компетенций
В результате изучения дисциплины «Вычислительная биология и биоинформатика» обучающийся должен:
знать:
- основные алгоритмы и подходы к анализу данных геномных экспериментов;
- основы работы с геномными данным;
- подходы к определению достоверности результатов экспериментов;
- методы моделирования сложных биологических систем;
- основные программные  и технические средства анализа в биоинформатике.
уметь:
- анализировать корректность анализа данных;
- интерпретировать подходы и результаты полученные в современных работах по молекулярной биологии и медицине;
- составлять схему анализа данных для био-медицинских экспериментов.
владеть:
- биоинофрматическими подходами к анализу данных.
3. Перечень типовых контрольных заданий, используемых для оценки знаний, умений, навыков
Промежуточная аттестация по дисциплине «Вычислительная биология и биоинформатика» осуществляется в форме экзамена (зачета). Экзамен (зачет) проводится в письменной (устной) форме.
Вопросы к зачету в первом семестре
1 Введение. Мол. биология, статистика
Общие понятия. История Биоинофрматики. Место биоинформатики в современных исследованиях. Основные молекулярно биологические понятия необходимые для курса. Биологические базы данных: Swiss-prot, Uniprot, EBI, NCBI.
2      Методы визуализации и стат. обработки.
Понятия p-value, достоверности, множественная поправка. Тепловые карты. Боксплоты. Дифференциальный анализ: тест Манна-Уитни, t-тест, ANOVA (PERMANOVA), линейная регрессия, алгоритм “случайный лес”. Метрики: расстояние по корреляции Спирмена, Евклидово, Брэй-Кертис. Кластеризация: алгоритм k-средних, оценка качества кластеризации, кластеризация с бутстрэп поддержкой. Многомерное шкалирование. Метод главных компонент.
3      Биоинформатические методы в протеомике и геномике.
Понятие о сборках генома de-novo и по референсу. Два основных подхода при сборки de-novo: OLC и на основе графов de Bruijn. Картирование ридов для нахождения SNP. Методы оценки близости геномов. Понятие фингерпринта. Идентификация белков методом шотган масс-спектрометрии. Идентификация петидов de novo. Decoy база данных для идентификации, оценка FDR. Протеогеномика. Идентификация посттрансляционных модификаций. Предсказание трансмембранных белков, TMHMM. Классификация ферментов и белков: EC, COG, NOG, OG, KEGG. Количественная метковая и безметковая протеомика. Мониторинг множественных реакций, MRM. Мировые репозитории данных: PRIDE, PeptideAtlas, MRMAtlas.
4      Системная биология и интеграция данных. Омикс-технологии. Базы данных. Язык SBML. Подходы, алгоритмы и базы данных для интеграции данных. Основа для анлгоритма PARADIGM.
5      Исследование сложных микробных сообществ. Метагеномика и другие молекулярно-генетические подходы. Секвенирование 16S рРНК, полногеномное секвенирование; особенности и недостатки. Виды и форматы метагеномных данных. Конвейерная обработка метагеномных данных. Метагеном кишечника человека. Базы данных.
6      Геном человека, GWAS и раковый геномный проект
История генома чеолвека. Точность данных. Представление о расшифровке генома. Разнообразие генома у разных людей. Уникальность инофрмации. Базы данных по геному человка. Инструменты для работы с геномом.
Что такое рак? Различия в раковых геномах. Мутации и дупликации. Доступ к данным по раковым геномам. Гомогенность ракового генома.
7      Организация данных в мультицентровых исследованиях с большими массивами данных. Планирование эксперимента. Стандартный протокол взаимодействия. Пилотный проект. Потоки данных. Воспроизводимость исследования.
8      Моделирование в системной биологии, диф. уравнения и агентное моделирование.
Моделируемые системы. Агентное моделирование: основные понятия, LOGO. Динамические системы, условие стационара. Кинетика Михаэлиса-Ментена. Дифференциальные модели в экологии: хищник-жертва и т.д.
9      Онтологии и систематизация данных. Gene Ontology. Анализ обогащения наборов генов.
KEGG: классификация по метаболическим путям. Система унифицированной терминологии в геномике. Тест фишера и его применение при функциональном обогащении.
Вопросы к экзамену во втором семестре
1 Биологические последовательности: зачем исследовать, формат FASTA
2 Выравнивание: редакционное расстояние, формализация задачи, динамическое программирование
3 Локальное выравнвиание: алгоритм Смита-Ватермана, глобальное выравнивание: алгоритм Нидлмана-Вунша.
4 Матрицы замен: BLOSUM, PAM. Статистика выравнивания.
5 BLAST - поиск по БД, хэширование
6 Сборка геномов и выравнивание - основные понятия
7 Сборка на основе графа Де Брейна
8 Выравнивание глобальное и локальное blast, suffix tree и bowtie
9 Как из выравнивания найти SNP
10 Пересчет расстояний в neighbour joining, откуда берутся коэффициенты в модели Кимуры.
11 Ковариации, корреляции, хит мэп, MDS, PCA, кластеризации
12 Алгоритмы для масс-спеткрометрической идентификации белков - фингерпринт, Mowse, шум в спектрах, иднетифкации на основе MS/MS данных
13 Скрытые марковские модели. Смеси Дирихле. Метод Герштейна-Сонхаммера-Чотьи.
14 Многогранники Воронова
15 Гиббс сэмплер.
16 Алгоритмы и принципы анализа дифференциальной экспрессии генов. RPKM.
17 Генетика. Равновесие Харди-Вандберга. GWAS. Эпистаз.
Примеры задач по биоинформатике
В целом задачи должны продемонстрировать навык студента применять те или иные алгоритмы, объяснять последовательность действия в них
1) Используя алгоритм локального выравивания выравняйте две последовательности
ATGGCCAATTGCATG
ATGCCAATGGCATT
2) Постройте граф де брейна из  4-меров для сборки таких ридов
TACCGTT
GTTATTC
ATTCGGA
TTCGGAC
TATCCTCAA
3) Дана нуклеотидная последовательность:
ATGCATGCATTATG
1. предложить алгоритм и построить суффиксное дерево для этой последовательности за O(n^2)
2. предложить алгоритм поиска мотивов: ATG, GCAT в суффиксном дереве за линейное время.
4. Критерии оценивания
Оценка отлично 10 баллов -  выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины, проявляющему интерес к данной предметной области, продемонстрировавшему умение уверенно и творчески применять их на практике при решении конкретных задач, свободное и правильное обоснование принятых решений.
Оценка отлично 9 баллов - выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины и умение уверенно применять их на практике при решении конкретных задач, свободное и правильное обоснование принятых решений.
Оценка отлично 8 баллов  - выставляется студенту, показавшему всесторонние, систематизированные, глубокие знания учебной программы дисциплины и умение уверенно применять их на практике при решении конкретных задач, правильное обоснование принятых решений, с некоторыми недочетами.
Оценка хорошо 7 баллов - выставляется студенту, если он твердо знает материал, грамотно и по существу излагает его, умеет применять полученные знания на практике, но недостаточно грамотно обосновывает полученные результаты.
Оценка хорошо 6 баллов - 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 некоторые неточности.
Оценка хорошо 5 баллов - выставляется студенту, если он в основном знает материал, грамотно  и по существу излагает его, умеет применять полученные знания на практике, но допускает в ответе или в решении задач достаточно большое количество неточностей.
Оценка удовлетворительно 4 балла  - выставляется студенту, показавшему фрагментарный, разрозненный характер знаний, недостаточно правильные формулировки базовых понятий, нарушения логической последовательности в изложении программного материала, но при этом он освоил основные разделы учебной программы, необходимые для дальнейшего обучения, и может применять полученные знания по образцу в стандартной ситуации.
Оценка удовлетворительно  3 балла - выставляется студенту, показавшему фрагментарный, разрозненный характер знаний, допускающему ошибки в формулировках базовых понятий, нарушения логической последовательности в изложении программного материала, слабо владеет основными разделами учебной программы, необходимыми для дальнейшего обучения и с трудом применяет полученные знания даже в стандартной ситуации.
Оценка неудовлетворительно 2 балла - выставляется студенту, который не знает большей части основного содержания учебной программы дисциплины, допускает грубые ошибки в формулировках основных принципов и не умеет использовать полученные знания при решении типовых задач.
Оценка неудовлетворительно 1 балл - выставляется студенту, который не знает основного содержания учебной программы дисциплины, допускает грубейшие ошибки в формулировках базовых понятий дисциплины и вообще не имеет навыков решения типовых практических задач.
5. Методические материалы, определяющие процедуры оценивания знаний, умений, навыков и (или) опыта деятельности
При проведении устного экзамена обучающемуся предоставляется 30 минут на подготовку. Опрос обучающегося по билету на устном экзамене не должен превышать одного
астрономического часа.
При проведении устного дифференцированного зачета обучающемуся предоставляется 30 минут на подготовку. Опрос обучающегося по билету на устном дифференцированном зачете
не должен превышать одного астрономического часа.
Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика