Рисунок 2 – Последовательность действий коллектива разработчиков при создании интегрированного в образовательный процесс вуза мультиплатформенного он-лайн курса

Выбрать и оценить потенциал платформы-хостинга разрабатываемого он-лайн курса. Прежде чем начать проводить дополнительные исследования в отношении доступности платформы для размещения он-лайн курса и оценивать её качество и ключевые характеристики, полезно получить быстрое первое впечатление о её рейтингах. Самый простой способ сделать это - оценить партнёров и преподавателей, которые уже разработали и выложили свои открытые он-лайн курсы [8].

Проверить платформу на наличие желаемых режимов обучения. Обычно для изучения функционала платформы достаточно зарегистрироваться на любом открытом курсе в качестве студента, чтобы узнать, какие режимы доступны и каково их качество. При просмотре курса полезно различать три режима: обучения, взаимодействия и оценки [9], которые предлагаются практически всеми платформами, но в различном качестве и количестве. Для получения инструкций по работе следует обратиться к таким материалам, как короткие видеоролики, цифровые тексты, иллюстрации, презентации PowerPoint и ссылки на внешний веб-сайт разработчик платформы. Эти учебные материалы, как правило, содержат много информации и подходят для подготовки студентов. Большинство платформ предлагают дискуссионные площадки, где можно представиться, задать вопросы или обсудить темы, связанные с контентом, что позволяет организовать обсуждение сложных вопросов. Большинство платформ включают оценки, состоящие из автоматически оцениваемых тестов и заданий с множественным выбором, автоматизированных или оцениваемых экспертами коротких открытых вопросов и открытых вопросов, требующих длинного ответа, таких как эссе [10]. Платформы обычно имеют градацию для осуществления оценивания, осуществления адаптивного обучения. Преподаватель во время интеграции он-лайн курса в учебную дисциплину имеет возможность выбора подходящих настроек для предметной области [11].

Отбор средств обучения дисциплине «Машинное обучение». В настоящее время такими корпорациями как Yandex, Tesla, Microsoft, IBM, Google, Amazon возлагаются большие надежды на направление «Машинное обучение» (full self-driving, Tesla Bot с использованием deep learning, Yandex Zen).

В качестве базовой платформы для размещения практических заданий и их последующей автоматической проверки выбран Stepik [4]. Построить занятия по решению задач из области машинного обучения возможно на базе разных языков программирования. Разрабатываемый нами курс опирается на применение высокоуровневого языка программирования Python 3 и набора библиотек для предварительной обработки данных и последующего машинного обучения, а именно: Pandas, NumPy, SciPy, Matplotlib и Seaborn для первого, Scikit-learn – для второго (см. рис. 3).

Структура типового онлайн-курса платформы Stepik предполагает разбиение на: модули, уроки и степы (шаги). Может быть несколько модулей, каждый из которых включает в себя уроки, состоящие в свою очередь из элементов, называемых степами (шагами). Следуя этому подходу, мы разделили весь материал на три модуля [12], показанные на рисунке 3:

1.     Основы Python 3;

2.     Предварительная обработка данных на Python 3;

3.      Машинное обучение на Python 3.