CC BY
79
Адаптивная логика в образовательных и производственных технологиях
Sil’cheva Liudmila Vladimirovna, Candidate of Engineering, Associate Professor at the Department of Technology and Organization of Tourist Activity, [email protected],
The Russian State University of Tourism and Service, Moscow, Russian Federation
The article suggests that professional training of highly qualified personnel for the fashion and beauty industry should take into account a comprehensive study of the methodology of creativity in a range of areas that would-be specialists can be engaged in. The methodology of creativity is also implemented in the creation of fashionable clothing designs and the processes of their establishment in the fashion industry. The authors consider it plausible to teach disciplines focusing on consumer modeling and finding entrepreneurial comprehensive solutions to organizational and economic problems typical of the fashion industry.
Keywords: fashion, industry, professional standards, state educational standards
References:
1. White Nicola, Griffith Ian. Fashion-biznes. Teoiiia, praktika, fenomen [The Fashion Business. Theory, Practice, Image]. Minsk: Grevtsov Publisher, 2008. p. 272.
2. Zaitsev V. Sdelano v Rossii [Made in Russia]. URL: http://www.fashionunited.ru/78-fashion/6089-vyacheslav-zajcev-sdelano-v-rossii.html (Accessed on September, 16, 2013).
3. Galustov A.R., Gluhov V.S. Nauchnoe tvorchestvo i organizatsiia NIDS v vuze: Kurs lektsii [Scientific creativity and students’ research and evaluation activity in higher education: series oflectures]. Armavir: AGPA, 2011. p. 281.
4. Ermakov A.S., Zvorykina T.I., Mukhamedzhanova O. G. Sovershenstvovanie kadrovogo obespecheniia dlia industrii mody i krasoty [Improving fashion and beauty industry human resources]. Vestnik Assotsiatsii vuzov turizma i servisa [Bulletin of The Association of the Institutes ofTourism and Service]. 2013. № 2. pp. 36—41.
5. Jackson Tim, Show David. Industriia mody [The fashion handbook]. Moscow: Balans Biznes Buks Publ., 2011. p. 400.
6. Sil’cheva L. V., Rozarenova T. V., Donnikov A. V. Sovremennyi podkhod k upravleniiu kachestvom podgotovki bakalavrov [Modern approaches to bachelor training quality control]. Mezhregional’naia kobferentsiia [Transregional conference]. Moscow, 2013. pp. 32—34.
7. Tungate Mark. Postroenie Brenda c sfere mody: ot Armani do Zara [Fashion Brands: Fashion Style from Armani to Zara]. Moscow: Alpina Publisher, 2006. p.298.
8. FSES in the «Service» direction of preparation. Enacted by the order of the Ministry of Education and Science of the Russian Federation on November, 18, 2009. № 627 URL: http://www.edu.ru/db/mo/Data/d_09/prm627—1.pdf (Accessed on September, 19, 2013).
9. Sheromova I. A., Starkova G.P. Modelirovanie protsessov proektirovaniia shveino-trikotazhnykh izdelii [Modelling the process ofgarment design]. Fundmental’nye issledovaniia [Fundamental research]. 2013. № 10 (part 1). pp. 68—72. Retrieved on September, 16, 2013 from www.rae.mДs/?section=content&op=show_aIticle&aIticle_id=10001427.
УДК 687.053 DOI 10.12737/2674
I АДАПТИВНАЯ ЛОГИКА В ОБРАЗОВАТЕЛЬНЫХ И ПРОИЗВОДСТВЕННЫХ I ТЕХНОЛОГИЯХ
Сучилин Владимир Алексеевич, доктор технических наук, профессор, [email protected], Финансово-технологическая академия, Москва,
Архипова Татьяна Николаевна, кандидат технических наук, доцент, [email protected],
ФГБОУВПО «Российский государственный университет туризма и сервиса», Москва, Российская Федерация
В статье рассматривается преемственность элементов образовательных и производственных технологий. Отмечено, что концептуальные нововведения в науке и технике способствуют появлению в научном и техническом мире активного развития современных аналитических технологий нового типа. Опираясь на новые направления в науке, технике и технологии рассматривается одно из них, наиболее актуальное в настоящее время — нанотехнологии. Отмечено, что в научном
61
ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ
и техническом мире появляются и активно развиваются современные аналитические технологии нового типа, теория которых базируется на положениях адаптивной логики. Затронуты вопросы важности использования искусственных нейронных сетей в решении прикладных задач. Важность подобных технологий подчеркивается тем, что они будут способствовать решению некорректно поставленных задач, часто возникающих в практической деятельности человека. Приведены практические результаты адаптации технических и технологических решений к условиям их функционирования. Дается понятие алгоритма групповой технологии производственных процессов. Отмечено, что образовательные технологии современности опираются на дихотомические методы и адаптивные системы обучения. Подчеркнута важность применения на производстве и в различных промышленных системах интеллектуальных нейросетевых контроллеров, которые смогут распознавать потенциально опасные ситуации, уведомлять о них людей и принимать адекватные и, что самое главное, своевременные меры.
Ключевые слова: адаптивная логика, дихотомический метод, образовательные технологии, производственные технологии, нанотехнологии
В последние годы появились новые направления в науке, технике и технологии, одними из наиболее заметных являются нанотехнологии. Это, безусловно, отразилось на образовательных процессах в высших учебных заведениях [14]. Грандиозность перспектив результатов развития этой области науки и техники неоспорима. Нанотехнологии, вероятно, определят развитие в настоящее время практически всех составляющих современной цивилизации: освоение космоса, совершенствование техники, медицины, и т. д.
Концептуальные нововведения в науке и технике, безусловно, способствуют появлению в научном и техническом мире активного развития современных аналитических технологий нового типа [2; 3; 13]. В их основе лежат технологии искусственного интеллекта, которые имитируют процессы природные, такие, например, как деятельность нейронов мозга. Все большее распространение в прикладных задачах находят искусственные нейронные сети (ИНС).
Искусственные нейронные сети в сфере автоматизированного управления применяются в задачах идентификации объектов, в алгоритмах прогнозирования и диагностики, и, кроме того, для синтеза оптимальных автоматических систем регулирования (АСР). Для их воплощения на основе использования искусственных нейронных сетей в настоящее время интенсивно развивается создание нейрочипов (НЧ) и нейроконтроллеров (НК).
Искусственные нейронные сети являются в определенном смысле имитатором мозга, который обладает способностью к ориента-
ции и обучению в условиях неопределенности. ИНС имеют сходность с мозгом в двух моментах. Искусственные нейронные сети получают знания в процессе обучения, а для сохранения полученных знаний употребляют значения коэффициентов межнейронных связей, которые называют синаптическими весами.
Учитывая, что нейронные сети практически являются современными вычислительными системами, которые преобразуют информацию в определенной степени по образу процессов, происходящих в мозгу человека, обрабатываемая информация имеет численный характер. Это позволяет использовать нейронную сеть, например, в качестве модели объекта с совершенно неизвестными характеристиками. Другие типовые приложения нейронных сетей охватывают задачи распознавания, классификации, анализа и сжатия образов. Чтобы добиться высокой производительности, нейронные сети используют для хранения информации множество взаимосвязей между элементарными ячейками вычислений — нейронами. Для получения необходимой структуры взаимосвязей нейронов в нейронной сети применяется процедура, называемая алгоритмом обучения. Таким образом, сходство искусственной нейронной сети с человеческим мозгом состоит в том, что:
• знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения;
• для накопления знаний применяются связи между нейронами, называемые синаптическими.
62 научный журнал ВЕСТНИК АССОЦИАЦИИ ВУЗОВ ТУРИЗМА И СЕРВИСА 2014 / №1
Адаптивная логика в образовательных и производственных технологиях
Использование нейронных сетей обеспечивает следующие преимущества:
1) нелинейность. Нейронные сети позволяют получить нелинейную зависимость выходного сигнала от входного;
2) адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. Более того, для работы в нестационарной среде (где статистика изменяется со временем) могут быть созданы нейронные сети, изменяющие синаптические веса в реальном времени;
3) отказоустойчивость. Нейронные сети, реализованные на основе электронных компонентов, потенциально отказоустойчивы, так как контекстная информация распределена по всем связям нейронной сети, и выход из строя одного или нескольких узлов не приводит к отказу системы в целом;
4) единообразие анализа и проектирования. Нейронные сети позволяют решать сложные вычислительные задачи с помощью единообразных простых вычислительных узлов — нейронов. Эта общность позволяет применять одни и те же алгоритмы обучения для решения различных прикладных задач.
Рис. 2. Однослойная сеть прямого распространения
Искусственный нейрон (рис. 1) состоит из синапсов, каждому из которых соответствует определенный вес синаптической связи, сумматора и функции активации:
Х1 — Хп — входные сигналы, приходящие от других нейронов; w1 — wn — синаптические веса нейрона; b — пороговое значение (порог);
у — выходной сигнал нейрона; ф (v) — функция активации. На рисунке 1 схематически представлена модель искусственного нейрона.
Нейронные сети различаются своей архитектурой. Рассмотрим однослойные и многослойные сети прямого распространения.
Однослойная сеть прямого распространения представляет собой частный случай многослойной сети.
Такая сеть состоит из узлов источника информации и одного слоя нейронов, который является одновременно входным слоем и выходным (рис. 2).
Такие сети называют сетями прямого распространения или ациклическими сетями.
Многослойные сети прямого распространения характеризуются наличием одного или нескольких скрытых слоев (рис. 3).
Узлы скрытых слоев называются скрытыми нейронами. Добавляя один или несколько скрытых слоев, можно выделить глобальные закономерности в данных, что особенно существенно при большой размерности входных данных.
В многослойных сетях прямого распространения сигнал распространяется послойно: узлы источника формируют входной сигнал для первого (входного) слоя нейронов, выходной сигнал первого слоя нейронов используется в качестве входного сигнала для второго (скрытого) слоя нейронов и т. д. вплоть до последнего (выходного) слоя нейронов.
Рис. 3. Многослойные сети прямого распространения
63
ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ
Сеть, в которой каждый нейрон скрытого слоя соединяется со всеми нейронами соседних слоев, называется полносвязной. Если некоторые синаптические связи отсутствуют, сеть называется неполносвязной.
Анализ использования сетевых графов и нейронных сетей [4—6], отображающих структуры учебной информации, последовательности ее изложения и целей, позволяет повысить ряд дидактических возможностей, то есть способствует раскрытию закономерности усвоения знаний, умений и навыков к формированию убеждений, определяет объём и структуру содержания образования. Эти графы и сети, благодаря высокой степени детализации, позволяют оптимизировать структуру и последовательность изложения учебной информации, входящей в тему занятий. Используя этот подход, можно оценивать реальность поставленных целей и создать основу для проектирования последующих этапов учебного процесса, направленных на достижение конечной цели, например устранения дублирования в учебных планах и рабочих программах.
Большие возможности в оптимизации учебного процесса дает метод адаптивной логики в ходе взаимодействия преподавателя с обучаемыми. Информация, которую обучаемые должны усвоить, может заключаться не только в учебных элементах, но и в связях и отношениях. Наглядный показ в ходе занятия посредством развернутых графов (сетей) этих связей и отношений способствует усвоению обучаемыми знаний и формированию их мышления. Опора на наглядный образ в виде развернутого графа может служить эффективным средством для самоконтроля обучаемого и контроля со стороны преподавателя.
Граф, подготовленный для проведения занятий, может нести в себе дополнительную информацию о наименовании учебных элементов. Порядковые номера учебных элементов могут при этом нести информацию о предлагаемой последовательности изложения.
Известно, что всякая новая информация успешно усваивается тогда, когда она имеет основу в ранее усвоенной обучаемым системе знаний. На графе отображаются те элементы уже сформированной системы знаний, без которых невозможен успех данного занятия.
Информативность графа может быть увеличена за счет различной раскраски ребер. Например, связи части информации с целым —
одним цветом, функциональные связи — другим, причинно-следственные — третьим и т. д.
Отмеченные выше технологии позволят обеспечить решение некорректно поставленных задач, возникающих часто в деятельности человека на практике. Теория указанных технологий базируется на адаптивной логике. Адаптивная логика — это логика, не ограничивающаяся положениями «да» и «нет», которая происходит от греческого (dichotomia — разделение на две части, два ряда). Деление на два ряда в логике определяет дихотомический метод. Дихотомический метод имеет широкое распространение в различных науках, где под термином «дихотомия» понимаются схожие внешне, но порой различные по свойствам процессы или отдельные части целого. Метод дихотомии в науке до сих пор считается универсальным средством изучения многих процессов и явлений, несмотря на то, что ведет свое начало не много ни мало, а от Платона и Аристотеля. Порядок во всяком множестве предметов одного вида и составить классификацию можно навести делением шаг за шагом целого, соблюдая при этом определенные правила [6].
Так, групповая технология производственных процессов, наиболее современная и эффективная в настоящее время, проектируется способом разработки пошагового алгоритма:
• разбить комплект объектов обработки и сборки на ряд групп, например, по конструктивному признаку;
• разделить их по затрате времени на обработку;
• разбить по оптимальности очередности запуска в процесс и т. д. [7].
Адаптивная логика дополняет дихотомический метод, а не отрицает его, расширяет тем самым возможности исследования с учетом современных требований науки, допуская целый ряд промежуточных значений между положениями «да» — «нет». Устройства на основе адаптивной логики способны к обучению и самообучению. Это делает их функционирование со средой более эффективным, чем у жестко запрограммированных.
Подобный подход лежит, например, в основе разработки современной компьютерной техники и, в частности, в большей части автомобильной электроники, позволяя, например, автоматически регулировать жесткость подвески в зависимости от состояния дороги, а в не-
64 научный журнал ВЕСТНИК АССОЦИАЦИИ ВУЗОВ ТУРИЗМА И СЕРВИСА 2014 / №1
Адаптивная логика в образовательных и производственных технологиях
далеком будущем даже адаптироваться к стилю вождения конкретного человека за рулем.
В качестве примеров, подтверждающих реальное состояние в этой высокотехнологичной проблеме, актуальной для учебного процесса, ниже приводятся ссылки на публикации [1, с. 40; 7—12] нескольких технических решений, которые предварительно адаптированы к условиям их функционирования. Результаты указанных решений применялись при выполнении курсовых и дипломных проектов, докладывались на вузовских конференциях, способствовали приобщению студентов к наукоемким и высоким технологиям. В этом и заключается совершенствование образовательных программ на основе новейших достижений в науке.
В заключение отметим, что образовательные технологии современности опираются как на дихотомические методы, так и на адаптивные системы обучения. Структура учебной информации, логическая последовательность изложения, контроль качества усвоения, как правило, легко отражаются в виде графа или, например, однослойной нейронной сети (рис. 2), показывающей предметную классификацию процесса обучения. А связи одной дисциплины со множеством других удобно выражать в виде многослойных нейронных сетей (рис. 3), способных адаптироваться к реальным условиям жизни. Однако рабочие программы (как основной документ, регламентирующий организацию и осуществление учебного процесса) разрабатываются все еще на основе ин-
туиции, опыта и традиций кафедр. Неизбежно это приводит к дублированию одной и той же информации в разных курсах.
Очевидно, что избежать дублирования можно на основе научно обоснованных подходов разработки рабочих программ, в основу которых положена ориентация на системность и комплексность в работе кафедр вуза. Хорошую технологическую, инструментальную базу в этой работе представляют различные методики, построенные как раз на разработке структурно-логических схем (методов сетевого планировании и как наиболее современного — метода нейронных сетей).
Видимо, скоро должна появиться и бытовая техника, подстраивающаяся под своего владельца, предвестником которой можно считать нейросетевой блок адаптивного управления в новом пылесосе фирмы Samsung. Системы безопасности будут узнавать своих хозяев по голосу, внешнему виду и ряду других уникальных характеристик. Получат развитие и системы жизнеобеспечения «умных» электронных домов, которые станут еще более адаптивными и обучаемыми. На производстве и в различных промышленных системах интеллектуальные нейросетевые контроллеры смогут распознавать потенциально опасные ситуации, уведомлять о них людей и принимать адекватные и, что самое главное, своевременные меры. Потоки данных в вычислительных сетях и сетях сотовой связи тоже будут оптимизироваться с помощью нейротехнологий.
Литература
1. Архипова Т.Н., Сучилин В.А. Метод моделирования швейных изделий по аналитическим зависимостям // Швейная промышленность. 2009. № 5.
2. Коломейцева М.Б. Синтез адаптивной системы управления на базе нечёткого регулятора для многомерного динамического объекта [Текст] / М.Б. Коломейцева, Д.Л. Хо // Приборы и системы. Управление, контроль, диагностика. 2002. № 3. С. 34—37.
3. Кукушкина В.В. Организация научно-исследовательской работы студентов (магистров): Учебное пособие. М.: ИНФРА-М, 2012. 265 с.
4. Положение об учебно-методическом комплексе дисциплин. Челябинск: ЧПИ, 1981.
5. Сазонов А. Создаем учебно-методический комплекс // Вестник высшей школы. 1978. № 4.
6. Сквирский В.Я. Учебно-методический комплекс дисциплины // Методические указания по разработке и использованию. М.: МАДИ. 1982. 80 с.
7. Сучилин В.А., Бурова Т.В., Ульянова Г.В. Метод групповой технологии при проектировании и организации работы швейных гибких производственных систем // Сб. науч. трудов «Вопросы инженерного проектирования техники и технологии сервиса с применением ЭВМ». М.: ГАСБУ, 1995. С. 31—35.
8. Сучилин В.А., Грибут И. Э., Голиков С. А. Применение магнитной жидкости в технологиях сервиса транспортных средств // Электротехнические и информационные комплексы и системы. 2011. № 4, т. 7. С. 41—46.
9. Сучилин В.А., Мисюрин Л.М., Голиков С.А. Использование магнитной жидкости для смазки и герметизации узлов технических средств бытового обслуживания // Электротехнические и информационные комплексы и системы. 2012. № 2.
65
ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ
10. Сучилин В.А., Грибут И. Э., Голиков С.А. Метод повышения эффективности гашения вибрации в автотранспортной технике // Электротехнические и информационные комплексы и системы. 2012. № 3, т.8.
11. Сучилин В.А. Челнок швейной машины // Патент РФ № 2070239. Опубл. 10.12.1996. Бюл. № 34.
12. Сучилин В.А., Архипова Т.Н. Манекен для примерки одежды // Патент РФ № 2387352. Опубл. 27.04.2010 Бюл. № 12.
13. Усков А.А. Эмпирический принцип синтеза нечётких логических регуляторов // Приборы и системы. Управление, контроль, диагностика. М.: Научтехлитиздат. 2004. № 1. С. 16—18.
14. Федеральный государственный образовательный стандарт высшего профессионального образования по направлению подготовки 151000 Технологические машины и оборудование (квалификация (степень) «магистр») (утв. приказом Министерства образования и науки РФ от 9 ноября 2009 г. N 539).
AN ADAPTIVE LOGIC EDUCATIONAL AND PRODUCTION TECHNOLOGIES
Suchilin Vladimir Alekseevich, Professor, [email protected],
Financial and technological Academy, Russian Federation,
Arkhipova Tatiana Nikolaevna, Associate Professor, [email protected],
The Russian State University of Tourism and Service, Moscow, Russian Federation
The article discusses the elements of educational continuity and production technology related scientific outlook on these processes in the past and the modern world. Noted that Conceptual innovations in science and technology contribute to the emergence of the scientific and technical world of active development of modern analytical technologies of a new type. Relying on new trends in science, engineering and technology is considered one of them, the most relevant in the present — nanotechnology. It is noted that in the scientific and technical world appear and actively develop overtime analysis of a new type of technology, the theory ofwhich is based on the provisions of the adaptive logic. Touched on the importance of using artificial neural networks to solve applied problems. The importance ofsuch technologies highlighted by the fact that they will contribute to the solution of ill-posed problems that often arise in practical human activity. The practical results of the adaptation of technical and technological solutions to the conditions of their functioning. Introduces the algorithm of group technology manufacturing processes. It is noted that modern educational technologies based on dichotomous methods and adaptive learning systems. Stressed the importance of the workplace and in various industrial applications of intelligent neural network controller that can detect potentially dangerous situations to notify people about them and take adequate and, most importantly, timely.
Keywords: adaptive logic, divisive method, educational technology, production technologies, nanotechnologies.
References:
1. Arkhipova T.N., Suchilin V.A. Metod modelirovaniia shveinykh izdelii po analiticheskim zavisimostiam [Garment analytical-dependence modeling]. Shveinaia promyshlennost’ [Garment Industry], 2009, № 5.
2. Kolomeitseva M. B. Sintez adaptivnoi sistemy upravleniia na baze nechetkogo reguliatora dlia mnogomernogo dinamicheskogo ob’’ekta [Synthesizing the adaptive control system on the basis of the fuzzy controller for multidimensional dynamic objects]. Pribory i sistemy. Upravlenie, kontrol’, diagnostika [Devices and systems: Operation, control, diagnostics]. 2002. № 3. pp. 34—37.
3. Kukushkina V. V. Organizatsiia nauchno-issledovatel’skoi raboty studentov (magistrov) [Organising graduate students’ scientific research], uchebnoe posobie [Guide-book]. Moscow: INFRA-M, 2012. p. 265.
4. Polozhenie ob uchebno-metodicheskom komplekse distsiplin [Subject Teaching Materials Regulations]. Chelyabinsk: ChPI, 1981.
5. SazonovA. Sozdaem uchebno-metodicheskii kompleks [Creating teaching materials]. Vestnik Vysshei Shkoly [Higher School Herald], 1978, № 4.
6. Skvirskii V. Ia. Uchebno-metodicheskii kompleks distsipliny [Subject teaching materials]. Metodicheskie ukazaniia po razrabotke i ispol’zovaniiu [Methodical instructive regulations on preparation and use]. Moscow: MADI, 1982.
p. 80.
7. Suchilin V.A. Metod gruppovoi tekhnologii pri proektirovanii i organizatsii raboty shveinykh gibkikh proizvodstvennykh system [Group technology as applied to engineering and managing clothing FMS]. Sbornik nauchnykh trudov «Voprosy inzhenernogo proektirovaniia tekhniki i tekhnologii servisa s primeneniem EVM» [A collection of articles
66 научный журнал ВЕСТНИК АССОЦИАЦИИ ВУЗОВ ТУРИЗМА И СЕРВИСА 2014 / №1
Адаптивная логика в образовательных и производственных технологиях
«Engineering and designing computer-operated service devices and technologies»]. Moscow: GASBU Publ, 1995. pp. 31—35.
8. Suchilin V.A., Gribut I.E., Primenenie magnitnoi zhidkosti v tekhnologiiakh servisa transportnykh sredstv [Ferrofluid application to transport facilities servicing technologies]. Elektrotekhnicheskie i informatsionnye kompleksy i sistemy [Elecrical and information complexes and systems]. 2011. № 4, vol. 7. pp. 41—46.
9. Suchilin V.A. Ispol’zovanie magnitnoi zhidkosti dlia smazki i germetizatsii uzlov tekhnicheskikh sredstv bytovogo obsluzhivaniia [Ferrofluid as a lubricant and leakproof of junction points in utility devices]. Elektrotekhnicheskie i informatsionnye kompleksy i sistemy [Elecrical and information complexes and systems]. 2012. № 2.
10. Suchilin V.A. Metod povysheniia effektivnosti gasheniia vibratsii v avtotransportnoi tekhnike [Optimizing absorbing of vibration in automotive materiel]. Elektrotekhnicheskie i informatsionnye kompleksy i sistemy [Elecrical and information complexes and systems]. 2012. № 3, vol.8.
11. Suchilin V.A. Chelnok shveinoi mashiny [Shuttle]. Patent RF № 2070239. Publ. 10.12.1996. Patent Office Journal № 34.
12. Suchilin V.A. Maneken dlia primerki odezhdy [Tailor’s dummy]. Patent RF № 2387352. Publ. 27.04.2010 Patent Office Journal № 12.
13. Uskov A.A. Empiricheskii printsip sinteza nechetkikh logicheskikh reguliatorov [Synthesizing the fuzzy controllers: Empirical principle]. Pribory i sistemy. Upravlenie, kontrol’, diagnostika [Devices and systems: Operation, control, diagnostics]. Moscow: Nauchtekhlitizdat, 2004. № 1. pp. 16—18.
14. Federal’nyi gosudarstvennyi obrazovatel’nyi standart vysshego professional’nogo obrazovaniia po napravleniiu podgotovki 151000 Tekhnologicheskie mashiny i oborudovanie (kvalifikatsiia (stepen’) «magistr») (Utverzhden prikazom Ministerstva obrazovaniia i nauki RF or 9 noiabria 2009 g. N539) [Federal state educational standard of the higher professional education in the direction of preparation^ 1000 Production machines and machinery (qualification (degree) «master»), enacted by the Ministry for Education and Science of the Russian Federation on November, 9, 2009, N 539).
67
