КАЗАХСКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ИМ.

АЛЬ-ФАРАБИ
Механико-математический факультет
Кафедра математического и компьютерного моделирования
Образовательная программа по специальности «5B070500 – Математическое и
компьютерное моделирование»

СИЛЛАБУС
AP 2219 – Алгоритмизация и программирование
Осенний семестр, 2022-2023 уч. год

Академическая информация о курсе

Код Название Тип Кол-во часов в неделю Кол-во СРСП (в
дисциплины дисциплины Лек Практ Лаб кредитов семестр)
AP 2219 Алгоритмизация КВ 1 0 2 5 7
и
программирован
ие
Лектор Умбеткулова Алия Балгабаевна, PhD Оф./ч. По расписанию

E-mail Aliya1988kz@mail.ru

Телефоны Ауд. 317

Ассистент Оф./ч.
E-mail
Телефоны Ауд.

Академическая Цель дисциплины: овладение студентами знаний об основных

презентация принципах, библиотеках и средствах программирования на Python для их
курса дальнейшего практического применения при создании Web-приложений, в
аналитике данных, научных вычислениях и других областях современной
компьютерной науки.
В результате изучения дисциплины студенты будут способны:
1. демонстрировать приобретенные знания (основы структур данных
Python, их особенности и представление), а также их понимание;
2. манипулировать данными, содержащимися в различных структурах
данных Python;
3. разрабатывать алгоритмы для написания программ на языке Python со
знанием их математических основ;
4. выбирать соответствующие алгоритмы и структуры данных Python для
эффективного решения конкретной задачи;
5. применять изученные способы создания программ на Python в будущей
профессиональной деятельности.
Пререквизиты Математический анализ, линейная алгебра, аналитическая геометрия,
программирование
Постреквизиты Интеллектуальный анализ данных (Data Mining), Машинное обучение
Информационн Учебная литература:
ые ресурсы
 1. Бэрри П. Изучаем программирование на Python / Пер. с англ. Райтман
М.А. – М.: Изд. «Э», 2017.
2. Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser, Data
Structures and Algorithms in Python. – John Wiley & Sons, Inc., 2013.
3. McKinney W. Python for Data Analysis. Data Wrangling with Pandas,
NumPy, and IPython. – 2nd ed., O’Reilly, 2018.
4. Маккинни У. Python и анализ данных / Пер. с англ. Слинкин А.А. – М.:
ДМК Пресс, 2015.
5. N. Karumanchi. Data Structures and Algorithmic Thinking with Python. –
Career Monk Publ., 2016.
6. John V. Guttag. Introduction to Computation and Programming Using
Python. – The MIT Press, 2013.
7. Kenneth A. Lambert. Fundamentals of Python – First Programs. –
CENGAGE Publication, 2011.
8. Mark Summerfield. Programming in Python 3. – 2nd ed., Addison-Wesley,
2009.

Интернет-ресурсы:
1. https://www.python.org/
2. https://pythonworld.ru/samouchitel-python
3. https://www.pythoncentral.io/series/python-data-structures-tutorial/
Академическая Правила академического поведения:
политика курса Обязательное присутствие на занятиях, недопустимость опозданий.
в контексте Отсутствие и/или опоздание на занятия без уважительной причины и
университетски предварительного предупреждения преподавателя оцениваются в ноль
х ценностей баллов.
Обязательное соблюдение сроков выполнения и сдачи заданий
(семинарских, СРС, рубежных, контрольных, проектных и др.), проектов,
экзаменов. При нарушении сроков сдачи выполненное задание оценивается
с учетом вычета штрафных баллов.
Академические ценности:
Академическая честность и целостность: самостоятельное выполнение всех
заданий; недопустимость плагиата, подлога, использования шпаргалок,
списывания на всех этапах контроля знаний, обмана преподавателя и
неуважительного отношения к нему (Кодекс чести студента КазНУ).
Политика Критериальное оценивание: оценивание резальтатов обучения в
оценивания и соотнесенности с дескрипторами (проверка сформированности
аттестации компетенций на рубежном контроле и экзаменах).
Суммативное оценивание: оценивание присутствия и активности работы
в аудитории; оценивание выполненных заданий на лабораторных занятиях
и самостоятельных работ студентов.
Итоговая оценка формируется из оценок текущих рубежных (РК1 и РК2) и
промежуточного (МТ) контролей и итогового (ИК) экзаменов:
РК1 + МТ _ РК + РК 2
Итоговая оценка=  0,6 + 0, 4 ИК .
3

Календарь реализации содержания учебного курса

Неделя/ Название темы (лекции, практического Кол-во Максимальн

дата занятия, СРС) часов ый балл
2
1 Лекция. Основы языка Python. 1 4
Семинар. Основные принципы работы с Jupyter 2 10
Notebook. Введение в Python.
2 Лекция. Основы Python (продолжение): скалярные 1 4
типы, потоки управления.
Семинар. Работа с логическими конструкциями if- 2 10
elif-else.
СРСП. Консультация по пройденным темам. 1
3 Лекция. Структуры данных и последовательности: 1 4
кортежи и списки.
Семинар. Работа с циклами for и while. 2 15
4 Лекция. Срезы. Встроенные функции 1 4
последовательностей. Словари.
Семинар. Работа со списками и кортежами Python. 2 15
СРСП. Дата и время. Модуль datetime. 1 20
5 Лекция. Множества. Списковое, словарное и 1 4
множественное включение.
Семинар. Работа со словарями и множествами 2 10
Python.
Рубежный контроль 1 100
(коэф. 0,2)
6 Лекция. Функции. 1 4
Семинар. Работа с функциями Python. 2 10
СРСП. Проверка палиндрома с использованием 1 10
рекурсивной функции.
7 Лекция. Анонимные (лямбда) функции. 1 4
Генераторы.
Семинар. Работа с функциями Python. 2 15
8 Лекция. Обработка исключений. Файлы. 1 4
Семинар. Работа с модулями Python и файлами. 2 15
СРСП. Консультация по пройденным темам. 1
9 Лекция. Основы NumPy. Объекты многомерных 1 4
массивов.
Семинар. Создание и работа с массивами NumPy. 2 10
10 Лекция. Индексирование массивов NumPy. 1 4
Транспонирование массивов и перестановка осей.
Семинар. Индексирование массивов. 2 10

3
 СРСП. Универсальные функции NumPy: быстрые 1 10
поэлементные операции над массивами.
Промежуточный контроль (MT_РК) 100
(коэф. 0,2)
11 Лекция. Обработка данных с применением 1 4
массивов.
Семинар. Запись логических операций в виде 2 10
операций с массивами.
12 Лекция. Введение в объектно-ориентированное 1 4
программирование и классы Python.
Семинар. Создание простого класса Python. 2 10
13 Лекция. Введение в классы Python (продолжение). 1 4
Семинар. Работа с классами Python. 2 15
СРСП. Создание класса Student. 1 20
14 Лекция. Наследование классов в Python. 1 4
Семинар. Работа с производными классами. 2 15
15 Лекция. Инкапсуляция (сокрытие информации). 1 4
Семинар. Работа с итераторами и генераторами 2 10
классов Python.
СРСП. Консультация по пройденным темам. 1
Рубежный контроль 2 100
(коэф. 0,2)
Экзамен (ИК) 100
(коэф. 0,4)
Всего 100

Декан механико-математического
факультета _________________ У.С. Абдибеков

Заведующий кафедрой _________________ Д.Б. Жакебаев

Преподаватель _________________ А.Б. Умбеткулова