Рабочая программа дисциплины подготовка публикаций направление подготовки



Скачать 229.42 Kb.
Дата22.02.2016
Размер229.42 Kb.
ТипРабочая программа

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

РОССИЙСКОЙ ФЕДЕРАЦИИ

Саратовский государственный университет имени Н.Г. Чернышевского
Факультет компьютерных наук и информационных технологий

УТВЕРЖДАЮ

___________________________

"__" __________________20__ г.




Рабочая программа дисциплины
ПОДГОТОВКА ПУБЛИКАЦИЙ

Направление подготовки



010500 Математическое обеспечение и администрирование информационных систем
Профиль подготовки

Параллельное программирование

Квалификация (степень) выпускника

Бакалавр
Форма обучения

очная

Саратов,


2011 год

  1. Цели освоения дисциплины

Целью освоения данного курса является дать студентам основные концепции и принципы применения компьютерных технологий при оформлении научных публикаций. Выработать практические навыки работы с современными компьютерными технологиями, реализующими оформление документов и презентаций, представление материалов в информационных сетях. Вместе с другими дисциплинами изучение материалов курса должно способствовать становлению профессиональной культуры бакалавра по направлению Математическое обеспечение и администрирование информационных систем.




  1. Место дисциплины в структуре ООП бакалавриата

Данная учебная дисциплина входит в раздел «Факультативные дисциплины» ФГОС-3.

Для изучения дисциплины необходимы знания и умения сформированные у обучающихся в результате освоения школьной программы.

Сформированные в процессе изучения дисциплины «Подготовка публикаций» компетенции могут помочь студенту при оформлении курсовых работ, выпускной квалификационной работы, а так же при оформлении публикаций и подготовке презентаций при дальнейшей научной деятельности.


  1. Компетенции обучающегося, формируемые в результате освоения дисциплины

Данная дисциплина способствует формированию следующих компетенций:

  • способность применять знания на практике (ОК 5);

  • умение находить, анализировать и контекстно обрабатывать научно-техническую информацию (ОК 9);

  • умение публично представить собственные и известные научные результаты (ПК 18);

В результате освоения дисциплины обучающийся должен:


Знать:

  • основные способы и форматы представления в электронном виде текстовой, графической и мультимедийной информации;

  • основные правила оформления научных публикаций;

  • основные правила оформления презентаций научных результатов;

  • основных принципы работы издательских систем;

  • основные термины и параметры типографской верстки;

  • правила оформления документов с помощью издательской системы LATEX.


Уметь:

  • оформить результаты научных исследований в виде электронных публикации, отчёта, презентации;

  • создавать и редактировать документы подготовленные в системе LATEX

Владеть:

  • навыками определения и изменения параметров оформляемого документа;

  • навыками работы с издательской сиcтемой LATEX.




  1. Структура и содержание дисциплины

Общая трудоемкость дисциплины составляет 1 зачетная единица, 36 часа.




п/п

Раздел дисциплины

Семестр

Неделя семестра

Виды учебной работы, включая самостоятельную работу студентов и трудоемкость (в часах)

Формы текущего контроля успеваемости (по неделям семестра)

Формы промежуточной аттестации (по семестрам)

1

Общие представления об издательской системе LATEX

1

1-4

ЛБ:4

СР:1




Контрольная на 17 неделе

2

Стиль и структура документа

1

5-8

ЛБ:4

СР:4




Контрольная на 17 неделе

3

Набор математических формул

1

9-12

ЛБ:4

СР:3




Контрольная на 17 неделе

4

Верстка и размещение таблиц и рисунков

1

13-14

ЛБ:1

СР:1




Контрольная на 17 неделе

5

Средство bibTEX для формирования библиографических списков.

1

13-14

ЛБ:1

СР:1




Контрольная на 17 неделе

6

Использование стиля disser для оформления студенческих работ

1

15-16

ЛБ:2

СР:4




Контрольная на 17 неделе

7

Использование стиля beamer для подготовки презентаций

1

17-18

ЛБ:2

СР:4




Контрольная на 17 неделе




Промежуточная аттестация

Зачет




ИТОГО

18

18









Общие представления об издательской системе LATEX. История создания пакета TeX, основные принципы его работы и дальнейшее его развитие. Состав программной системы LaTeX, ее части, их назначения, рабочие файлы. Общая структура и алфавит входного файла системы LaTeX. Требования к текстовому редактору. Текстовый редактор KILE. Состав преамбулы и рабочего поля документа. Набор простого текста в издательской системе LaTeX. Специальные символы и некоторые управляющие команды системы. Обработка входного файла. Сообщения системы.

Стиль и структура документа. Параметры команды \documentclass. Страница и ее части. Подготовка титульного листа. Стиль страницы. Рубрикация документа и составление оглавления. Создание счетчиков и управление ими.

Набор математических формул. Варианты команд создания формулы. Нумерация формул. Многострочные формулы. Расстановка пробелов в формуле. Степени и индексы, дроби и радикалы. Диакритические знаки (акценты). «Большие» операторы и использование пределов при них. Разделители (скобки) и автоматический выбор их размера. Запись матрицы и способы выравнивания ее элементов. Вставка простого текста в формулу.

Верстка и размещение таблиц и рисунков. Верстка таблиц. Объединение ячеек таблицы. Вставка изображений. Размещение плавающих объектов в документе.

Средство bibTEX для формирования библиографических списков. Библиографическая база данных. Оформление библиографических ссылок. Формирование библиографического списка.

Использование стиля disser для оформления студенческих работ. Элементы стиля. Структура документа. Оформление курсовой работы. Оформление выпускной квалификационной работы.

Использование стиля beamer для подготовки презентаций. Элементы стиля. Структура презентации. Понятие фрейма. Отличительные особенности базовых команд в стиле beamer.
На аудиторных занятиях преподаватель демонстрирует материал по соответствующей тематике обучающимся, после чего они выполняют общие задания для усвоения полученного материала.



  1. Образовательные технологии

В учебном процессе при реализации компетентностного подхода используются такие активные и интерактивные формы проведения занятий как модельный метод обучения, разбор конкретных ситуаций. Широко используются мультимедийные презентации при представлении учебного материала.

  1. Учебно-методическое и информационное обеспечение дисциплины

а) основная литература:

  1. Львовский С. М. Набор и верстка в пакете LaTeX. 4-е издание. - М.: МЦНМО, 2006

б) дополнительная литература:

  1. Балдин Е. М. Компьютерная типография LATEX. СПб.: БХВ-Петербург, 2008

в) программное обеспечение и Интернет-ресурсы.

Программное обеспечение:

Текстовый редактор KILE,

система TEX Live,

средства просмотра документов в формате DVI, PDF, PS (например Okular).


Интернет ресурсы:

  1. Система TEX Live. http://www.tug.org/texlive

  2. Система MikTEX. http://www.miktex.org

  3. Бесплатный редактор для LATEX TEXMaker http://www.xm1math.net/texmaker/



  1. Материально-техническое обеспечение дисциплины

Компьютерный класс под управлением операционной системы LINUX, оснащенный соответствующим программным обеспечением, с установленным проектором для мультимедийных презентаций.

Программа составлена в соответствии с требованиями ФГОС ВПО с учетом рекомендаций и ПООП ВПО по направлению и профилю подготовки Параллельное программирование.




Автор

доцент кафедры

математической кибернетики и компьютерных наук

___________


С. В. Миронов


Программа одобрена на заседании кафедры математической кибернетики и компьютерных наук от «___» ________ 2011 года, протокол № ___.




Заведующий кафедрой

математической кибернетики и компьютерных наук



___________



А. С. Иванов


Декан факультета КНиИТ,

доцент


___________



А. Г. Федорова





Приложение 1. Пример задания для контрольной работы
Ю. О. ЗаГОДАЕВ
Саратовский Государственный университет им. Н. Г. Чернышевского, Россия
Деревья решений в задачах сокращения

диагностической информации*
Исследуется задача сокращения диагностической информации (ДИ), используемой при локализации неисправностей дискретных устройств. Для ее решения предложена модификация алгоритма Д. Квинлана, первоначально предназначенного для построения деревьев решений. Этот алгоритм выполняет поиск близкой к оптимальной маски, с помощью которой осуществляется сокращение ДИ. Приводятся статистические данные, подтверждающие эффективность предложенного алгоритма.
Техническая диагностика, дискретные устройства, диагностическая информация, деревья решений


Введение
Один из подходов к диагностике дискретных устройств (ДУ) – диагностика с использованием предварительно подготовленной диагностической информации (ДИ). ДИ состоит из реакции исправного устройства на диагностический тест, а также набору реакций на тот же тест всех неисправных модификаций этого устройства. Сам же процесс диагностики заключается в сравнении реакции на тест исследуемого устройства с реакциями, составляющими диагностическую информацию.

Основной недостаток такого подхода заключается в том, что для современных дискретных устройств объем ДИ очень велик. Для сокращения объема ДИ были предложены различные методы [1–5]. Некоторые из них связаны с применением так называемых масок [2–5]. Маска определяет, какие позиции полной реакции на диагностический тест будут сохраняться в составе ДИ. Таким образом, вместо полных реакций на диагностический тест ДИ будет содержать некоторое подмножество этих реакций, полученное из полных реакций «наложением» маски. Маску называют единой (общей), если при составлении ДИ она применяется к реакциям на тест всех неисправных модификаций ДУ.

Идеальная общая маска максимально сокращает объем ДИ без потери полезной информации, т. е. без потери глубины диагностирования. Но задача нахождения такой маски относится к числу переборных и, следовательно, при больших объемах полной ДИ требует неприемлемых временных затрат.

Возможным выходом из данной ситуации является применение различных эвристик, доставляющих хотя и не оптимальное, но достаточно близкое к идеалу решение. В настоящей работе предлагается адаптировать для нахождения общей маски модификацию алгоритма построения дерева решений, применяемого для решения задач классификации [6] и являющегося по сути «жадным» алгоритмом.


Основные определения и обозначения
Пусть рассматриваемое ДУ имеет выходов и множество есть множество его неисправных модификаций. Предполагаем, что на каждом выходе упомянутых ДУ может появиться только сигнал 0 или 1.

Пусть – диагностическая последовательность (тест) для рассматриваемого устройства, где , , – входные вектора. Тогда полную реакцию устройства на тест можно представить в виде бинарного вектора длины в котором на -ом месте стоит значение сигнала на выходном полюсе с номером после подачи входного вектора с номером .

Представим ДИ для ДУ с множеством неисправностей в виде матрицы порядка , где строка с номером , , представляет полную реакцию устройства на диагностический тест . Не теряя общности будем предполагать, что все строки матрицы различны, т. е. нет ни одной пары устройств и , неразличимых с помощью представленной ДИ. В противном случае каждый класс неразличимых устройств можно заменить одним представителем.

Определим маску диагностической информации как некоторое множество номеров столбцов матрицы , т. е. . Объемом маски будем называть количество элементов в ней.

Обозначим через матрицу, полученную из удалением всех столбцов, кроме тех, чьи номера содержатся в маске . Матрицу назовем результатом применения маски к ДИ . Эта матрица и представляет сокращенную диагностическую информацию.

В большинстве случаев для произвольной маски ее применение может привести к потере глубины диагностирования: могут появиться пары устройств, неразличимых с помощью сокращенной ДИ. Это будет выражено в появлении в матрице одинаковых строк.

Таким образом, для максимального сокращения ДИ требуется найти такую маску минимального объема, чтобы в матрице все строки были различными. В нашем случае оптимальный объем такой маски может варьироваться от до .

Деревья решений для задач

классификации
В задачах классификации каждый объект (класс) из заданного множества характеризуется некоторой совокупностью признаков (атрибутов), имеющих конкретные значения. Поскольку упомянутая совокупность признаков может иметь большую мощность, то для идентификации предъявленного объекта, характеризуемого конкретным набором значений признаков, потребуется хранить большой объем информации. Одним из наиболее популярных подходов к решению проблемы сокращения исходной информации является использование механизма деревьев решений.

Деревья решений представляют собой иерархическую структуру классифицирующих правил типа «если ... то …», имеющую вид дерева. Для того чтобы решить, к какому классу отнести некоторый объект, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Формулировка такого вопроса обычно заключается в проверке значения некоторого атрибута предъявленного объекта. Дуги, исходящие из узла дерева к его потомкам, помечаются вариантами ответов на вопрос, заданный в данном узле. Каждый лист такого дерева соответствует классу со значениями атрибутов, приписанными дугам пути от корня до этого листа.

Таким образом, имея построенное дерево решений, отпадает необходимость в хранении всей совокупности признаков: можно хранить информацию только о тех атрибутах, которые упоминаются в узлах дерева решений.

Для построении деревьев решений часто используется алгоритм C4.5 предложенный Р. Квинланом (R. Quinlan) [6] в 1993 г. Напомним основные моменты этого алгоритма.

Пусть задано множество объектов обучающей выборки , где каждый объект описывается множеством атрибутов . Пусть объекты обучающей выборки являются элементами классов из множества .

Построение дерева происходит сверху вниз. Сначала создается корень дерева, затем потомки корня и т. д. Каждому узлу дерева ставится в соответствие некоторое подмножество множества . Корню дерева ставится в соответствие само множество .

Процесс построения дерева заключается в следующем. Первоначально мы имеем дерево, состоящее только из корня. Следующие шаги необходимо выполнить для каждого листа уже построенного дерева, которому соответствует множество объектов более чем одного класса.

Пусть данному узлу дерева соответствует множество объектов классов из , а – количество элементов из множества , принадлежащих классу . Тогда величина



, (1)

где  – количество элементов в множестве , дает оценку среднего количества информации, необходимой для идентификации объекта из множества .

Если произвести разбиение множества в зависимости от значений атрибута на подмножеств, то ту же оценку, но уже после разбиения дает выражение

. (2)

В принятых обозначениях алгоритм C4.5 состоит из следующих шагов:



  1. Необходимо выбрать такой атрибут , который доставляет максимум величины

. (3)

  1. Для данного узла дерева создать потомков.

  2. Каждому потомку данного узла поставить в соответствие определенное подмножество объектов из множества , имеющих одно и то же значение атрибута , а дугу от узла к потомку пометить соответствующим значением.

Процесс построения дерева заканчивается, когда всем листьям дерева будут соответствовать множества объектов одного класса.
Деревья решений для задач сокращения диагностической информации
Проводя аналогию между задачей классификации объектов по совокупности значений их признаков и задачей сокращения ДИ, можно сказать, что совокупность признаков объектов в 1-ой задаче идентична полной реакции на диагностический тест для конкретной неисправности во второй, а полная информация об объектах 1-ой задачи идентична полной ДИ во 2-ой задаче.

Таким образом, для задачи сокращения ДИ признаки, проверяемые в узлах дерева решений, могут быть взяты в качестве элементов маски ДИ.

С учетом обозначений, введенных ранее, множество выступает в роли множества для алгоритма C4.5. Это же самое множество представляет набор классов , т. е. в нашем случае каждый класс представлен лишь одним объектом в обучающей выборке. Матрица представляет исходные данные для построения дерева решений: каждый столбец этой матрицы выполняет роль атрибута объектов, а каждая строка этой матрицы описывает значения атрибутов.

Поскольку каждый класс представлен лишь одним объектом в обучающей выборке, то формула (1) примет следующий вид:



. (4)

В связи с тем, что возможных значений атрибутов всего два (0 или 1), получаемое дерево решений будет представлять бинарное дерево, где в каждом конкретном узле множество разделяется на два подмножества и в соответствии со значениями атрибута доставляющего максимум величине



. (5)

Формула (5) получена из (3) с учетом (4). Очевидно, что в (5) будет иметь максимум в том случае, если множество делится по значениям атрибута на два подмножества с равным числом элементов.



Таблица 1

Результат применения алгоритма C4.5 для поиска маски ДИ

Наименование ДУ

Число неисправностей в ДУ

Длина полной реакции на диагностический тест,

(в битах)



Объем ДИ,

(в битах)



Объем маски

Размер сокращенной ДИ по отношению к полной ДИ

S298

92

600

55200

61

10.17%

S344

184

1100

202400

111

10.09%

S349

184

1100

202400

114

10.36%

S386

136

700

95200

86

12.29%

S510

447

700

312900

205

29.29%

S641

253

2400

607200

169

7.04%

S713

252

2300

579600

171

7.43%

S820

159

1900

302100

107

5.63%

S832

159

1900

302100

108

5.68%

S8381

86

100

8600

30

30.00%

S953

607

2300

1396100

287

12.48%

S1423

121

500

60500

62

12.40%

S1488

325

1900

617500

166

8.74%

S1494

322

1900

611800

165

8.68%

Так как количество листьев в результирующем дереве равно , а само дерево является бинарным, можно сделать вывод, что количество внутренних узлов дерева, т. е. узлов, в которых производится проверка значений атрибутов, не превышает . При наилучшем исходе алгоритм C4.5 строит идеально сбалансированное дерево, в котором на любом пути от корня до листа проверяются значения одного и того же набора атрибутов, в котором элементов. Эти крайние значения как раз и соответствуют объему оптимальной маски. Таким образом, с помощью алгоритма C4.5 можно получить маску, по объему близкую к оптимальной.

В Табл. 1 приведены результаты работы алгоритма получения маски ДИ с помощью алгоритма C4.5 для диагностической информации ДУ из набора схем каталога ISCAS’89.

Заметим, что данные, приведенные в табл. 1–3, получены для вероятностных тестов, содержащих 100 входных наборов, и число обнаруженных такими тестами неисправностей представлено во втором слева столбце этих таблиц. Как показывает опыт, значительное увеличение длины вероятностного диагностического теста приводит к довольно малому росту числа обнаруженных с его помощью неисправностей. По этой причине увеличение длины теста, следствием которого является возрастание объема ДИ, по-видимому, может только улучшить показатели в последнем столбце таблиц, но не ухудшить их.

В алгоритме C4.5 выбор атрибута, доставляющего максимальное значение величины (5), происходит независимо в каждом узле дерева. Возможны ситуации, когда сразу несколько атрибутов доставляют максимум этой величине. В такой ситуации данный алгоритм выбирает тот из них, который доставил этот максимум первым.

Предлагаемая нами модификация алгоритма C4.5 заключается в том, что на шаге 1 алгоритма при равенстве величины (5) для различных атрибутов предпочтение отдается тому атрибуту, деление по которому уже производилось в каком-то другом (уже рассмотренном ранее) узле дерева. За счет этого множество проверяемых в дереве атрибутов не расширяется, а, следовательно, не увеличивается и объем маски, получаемой в результате. Табл. 2 показывает результаты работы этой модификации на тех же исходных данных, что и в предыдущей таблице.

Как видно из сравнения результатов, модификация алгоритма C4.5 привела к сокращению объема маски до 30% по отношению к результату исходного алгоритма.



Таблица 2

Результат применения МОДИФИКАЦИИ алгоритма C4.5 для поиска маски ДИ

Наименование ДУ

Число неисправностей в ДУ

Длина полной реакции на диагностический тест,

(в битах)



Объем ДИ,

(в битах)



Объем маски

Размер сокращенной ДИ по отношению к полной ДИ

S298

92

600

55200

48

8.00%

S344

184

1100

202400

79

7.18%

S349

184

1100

202400

73

6.64%

S386

136

700

95200

76

10.86%

S510

447

700

312900

100

14.29%

S641

253

2400

607200

145

6.04%

S713

252

2300

579600

141

6.13%

S820

159

1900

302100

89

4.68%

S832

159

1900

302100

88

4.63%

S8381

86

100

8600

25

25.00%

S953

607

2300

1396100

216

9.39%

Как алгоритм C4.5, так и его приведенная модификация ориентированы на построение идеально-сбалансированного дерева, т. е., на сокращение среднего числа атрибутов, необходимого для идентификации предъявленного объекта. Таким образом, для каждого класса выбирается индивидуальная совокупность атрибутов, необходимая для идентификации его объектов. Но для большего сокращения информации целесообразно найти некое единое множество атрибутов, по которому можно было бы идентифицировать любой объект. Естественно, объединение упомянутых индивидуальных совокупностей для всех классов может иметь существенно большую мощность, чем такое единое множество.

Авторами доклада разработан новый алгоритм, базирующийся на идеях алгоритма C4.5, но направленный на нахождение упомянутого единого множества атрибутов.

Отличие предложенного алгоритма от алгоритма C4.5 состоит в том, что построение дерева производится по уровням, с выбором одного атрибута для проверки во всех узлах уровня. На начальном уровне присутствует только один узел – корень дерева. На каждом последующем шаге рассматривается очередной уровень дерева и генерируется уровень его потомков. Для получения нового уровня выбирается атрибут , который доставляет максимум величине

, (6)

где – совокупность множеств объектов, соответствующих узлам текущего уровня, а величины и равны соответственно



(7)

и

. (8)

Так же как и в алгоритме C4.5, процесс

Таблица 3

Результат применения алгоритма для поиска единой маски ДИ

Наименование ДУ

Число неисправностей в ДУ

Длина полной реакции на диагностический тест,

(в битах)



Объем ДИ,

(в битах)



Объем маски

Размер сокращенной ДИ по отношению к полной ДИ

S298

92

600

55200

36

6.00%

S344

184

1100

202400

50

4.55%

S349

184

1100

202400

48

4.36%

S386

136

700

95200

55

7.86%

S510

447

700

312900

71

10.14%

S641

253

2400

607200

107

4.46%

S713

252

2300

579600

105

4.57%

S820

159

1900

302100

66

3.47%

S832

159

1900

302100

66

3.47%

S8381

86

100

8600

18

18.00%

построения дерева заканчивается, если на очередном уровне каждому узлу дерева будет соответствовать множество объектов одного класса.

Содержательный смысл такого построения состоит в следующем: на каждом уровне дерева выбирается атрибут, проверка которого максимально уменьшает среднее количество информации, необходимой для идентификации любого объекта из множества .

В Табл. 3 приведены результаты работы предложенного алгоритма. Как видно из сравнения данных этой таблицы с данными из Табл. 1 улучшение объема маски предложенным алгоритмом составляет до 50% по отношению к объему маски, полученной алгоритмом C4.5.
Заключение
Статистические данные, полученные в результате проведенных численных экспериментов с полутора десятками устройств из международного каталога ISCAS’89, подтверждают достаточно высокую эффективность алгоритмов, предложенных в работе. Так, эти алгоритмы осуществляют поиск решения за приемлемое время: в худшем случае оно не превышало 5 мин. при их реализации на LISP в среде LispWorks PE 4.4 на PC Intel Celeron 1.70GHz, 256MB RAM. Получаемое решение дает возможность сократить ДИ до объема в диапазоне 418% от первоначального, что в практическом плане является хорошим результатом.
Литература
1. Ryan P. G., Fuchs W. K., Pomeranz I. Fault dictionary compression and equivalence class computation for sequential circuits. // Proc. IEEE International Conference on Computer-Aided Design (ICCAD’93). – Santa Clara, CA, USA: 1993. – Pp. 508–511

2. Барашко А. С., Скобцов Ю. А., Сперанский Д. В. Моделирование и тестирование дискретных устройств. – Киев: Наукова думка, 1992.

3. Вознесенский С. С., Раздобреев А. Х. Трудоемкость поиска неисправностей как критерий качества при сокращении объема диагностической информации // Электронное моделирование – 1980. – №4. – С. 83–86.

4. Чипулис В. П. Методы минимизации разрешающей способности и диагностической информации // Автоматика и телемеханика – 1975. – №3. – С. 133–141.

5. Шаршунов С. Г. Особенности диагноза технического состояния многовыходных объектов с использованием таблиц неисправностей // Автоматика и телемеханика – 1973. –№12. – С. 161 – 168.

6. Quinlan J. R. C4.5: programs for machine learning. – San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1993.



* Исследования выполнены при поддержке РФФИ

(гранты №05-08-18082, №05-08-49999)



Каталог: sites -> default -> files -> education -> programs
programs -> Рабочая программа дисциплины
programs -> Рабочая программа дисциплины Педагогика высшей школы Направление подготовки 030100 Философия
programs -> Рабочая программа дисциплины Моделирование экономического роста Направление подготовки Экономика Профиль подготовки
programs -> Рабочая программа дисциплины Управленческая экономика Направление магистерской программы 080200 Менеджмент Профиль
programs -> Рабочая программа дисциплины Физиология физического воспитания и спорта Направление подготовки
programs -> Создание образовательной развивающей среды для одаренных детей
programs -> Рабочая программа дисциплины Введение в специальность Направление подготовки
programs -> Рабочая программа дисциплины Социальная психология Направление подготовки 050400 -психолого-педагогическое образование
programs -> Рабочая программа дисциплины Социология Направление подготовки 050400 -психолого-педагогическое образование
programs -> Рабочая программа дисциплины Логопедия Направление подготовки


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©psihdocs.ru 2017
обратиться к администрации

    Главная страница