Образец отзыва на курсовую работу/проект.xlsx

	A	B	C	D
1	Федеральное государственное образовательное учреждение высшего образования
2	«ФИНАНСОВЫЙ УНИВЕРСИТЕТ ПРИ ПРАВИТЕЛЬСТВЕ
3	РОССИЙСКОЙ ФЕДЕРАЦИИ»
4	(Финансовый университет)
5	Департамент анализа данных и машинного обучения
6	Факультета информационных технологий и анализа больших данных
7
8	ОТЗЫВ НА КУРСОВОЙ ПРОЕКТ
9	(КУРСОВУЮ РАБОТУ)
10
11	Студент		группа
12	Тема
13	Дисциплина	Машинное обучение
14	Направление подготовки	01.03.02 - Прикладная математика и информатика, ОП "Прикладная математика и информатика"
15	Направление подготовки	профиль "Анализ данных и принятие решений в экономике и финансах"
16	Руководитель
17
18	Наименование критерия	Показатель критерия, Позволяющий его оценивать в максимальный балл	Максимальный балл	Фактический балл
19	1	2	3	4
20	1. Подготовительный этап выполнения курсовой работы/проекта		10
21	Выбор темы, представление плана работы и согласование данных в установленные сроки	Задание на курсовую работу/проект должно быть согласовано с научным руководителем и соответствовать теме работы. Задание должно содержать постановку задачи, цель выполнения курсовой работы/проекта, задачи, которые должны быть выполнены, примерное описание этапов работы и желаемый результат. Студент должен самостоятельно собрать данные для анализа и согласовать их с научным руководителем. Данные должны соответствовать теме и заданию на курсовую работу/проект.	10
22	2. Общая характеристика курсовой работы/проекта		15	0
23	Полнота раскрытия темы	Тема курсовой работы/проекта должна быть полностью раскрыта, подробно рассмотрены цель, все задачи и все аспекты данной темы	10
24	Логичность изложения основных вопросов	Все вопросы должны быть рассмотрены логично, в соответствии с определённой последовательностью и взаимосвязью	5
25	3. Наличие необходимых элементов, критерии оценки содержания работы/проекта		50	0
26	Структурированность отчета	В работе должна прослеживаться четкая структура - подготовительный этап, анализ данных, построение простых моделей, сравнение и анализ моделей, выводы, построение моделей с учетом выводов, итоговый результат.	5
27	Наличие выводов	Работа должна содержать текстовые замечания, поясняющие каждый шаг работы студента: что делается, зачем и какую информацию это нам дает. Оценивается полнота и адекватность выводов.	6
28	Замеры времени	В целях анализа временной сложности алгоритмов. Все инструкции, запускающие цикл обучения модели должны содержать замер времени обучения. Замер можно производить с помощью магических инструкций Jupyter или (более предпочтительно) с использованием стандартной библиотеки Python. Сравнение моделей должно учитывать и время обучения.	4
29	Визуализация	Работа должна демонстрировать навыки студента визуализировать информацию. Особенно на этапах описательного анализа и анализа обучаемости модели. Оценивается разнообразие, наглядность и информативность визуализации.	8
30	Разнообразие моделей	Студент должен продемонстрировать умение работать с разнообразными моделями обучения, применимыми к одной задаче. Если тема делает акцент на анализе предобработки данных и инжиниринге признаков, то работа должна содержать разные способы предобработки данных. Оценивается разнообразие и количество примененных алгоритмов.	5
31	Улучшение модели	тудент должен продемонстрировать умение анализировать обученную модель и искать пути для ее совершенствования. Оценивается количество итераций совершенствования модели и их эффективность.	3
32	Использование конвейеров	Студент должен продемонстрировать умение строить сложные последовательности операций при помощи программных конвейеров библиотеки scikit learn. Оценивается сложность и уместность использования контейнеров.	3
33	Предобработка данных	Работа должна содержать исчерпывающий алгоритм предварительной обработки данных. Он служит для того, чтобы исправить все несовершенства в данных и сделать набор данных как можно более пригодным для машинного обучения. Оценивается сложность и воспроизводимость процедуры предварительной обработки данных.	5
34	Метрики эффективности	Оценивается разнообразие и адекватность задаче примененных метрик эффективности (включая время обучения) а также полнота сравнения и правильность выводов из сравнения моделей по разным метрикам.	5
35	Валидность результатов	Студент должен продемонстрировать умение оценивать достоверность измерения метрик моделей и повышать ее с использованием перекрестной проверки (кросс-валидации). Использование k-fold cross validation является предпочтительным методом измерения эффективности модели. Если происходит выбор модели, то ее итоговая эффективность должна измеряться на чистом наборе данных.	6
36	4. Защита курсовой работы/проекта		25	0
37	Ответы на вопросы	Студент хорошо ориентируется в собственной работе, меожет пояснить выбранные решения, знает предметную область, ведет осмысленную дискуссию.	15
38	Сроки представления	Курсовая работа/прокет должна быть представлена в установленные сроки.	10
39	5. Замечания и вопросы по курсовой работе/проекту
40	Замечания по тексту работы
41	Дополнительные вопросы, задание при защите
42	7. Оценка с учётом защиты курсового проекта (курсовой работы)		100	0
43	86-100 баллов - "отлично"; 70-85 баллов "хорошо"; 51-69 баллов "удовлетворительно"			неуд
44	Дата и подпись научного руководителя	Гобарева Я.Л.
45	Дата и подпись научного руководителя	15 мая 2023 года
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100