Войти в мой кабинет
Регистрация
ГОТОВЫЕ РАБОТЫ / ДИССЕРТАЦИЯ, ИНФОРМАТИКА

Методы искусственного интеллекта в сфере корпоративного обучения

arseni_ars 850 руб. КУПИТЬ ЭТУ РАБОТУ
Страниц: 90 Заказ написания работы может стоить дешевле
Оригинальность: неизвестно После покупки вы можете повысить уникальность этой работы до 80-100% с помощью сервиса
Размещено: 25.06.2019
Корпоративное обучение является неотъемлемой частью развития и повышения эффективности практически любого предприятия. На данный момент системы корпоративного обучения переживают цифровую трансформацию, с развитием информационных технологий происходит смена устоявшихся подходов, применение качественно новых методов, которые способны подстравиваться под меняющиеся условия внешней среды. В таких условиях невозможным является игнорирование систем исукственного интеллекта, способных придать сфере корпоративного обучения новый вектор развития.
Введение

В наше время достаточно очевидным является утверждение, что качественное обучение персонала является таким же конкурентным преимуществом, как, например, качественный сервис или широкий ассортимент производимой продукции. В связи с этим направление корпоративного обучения персонала с каждым годом становится все более популярным и востребованным. И в самом деле, повышение квалификации сотрудников — то есть обучение их дополнительным навыкам — становится все более важным условием успеха, ведь нередко компаниям не хватает высококвалифицированных сотрудников, которые дорого ценятся на рынке труда. Повышать квалификацию сотрудников можно разными способами. С технологической точки зрения, искусственный интеллект и машинное обучение позволяют проводить программы повышения квалификации, которые помогают людям быстрее адаптироваться к постоянным изменениям на рабочем месте и в сфере труда. Сегодня корпоративное образование стремительно изменяется не только изнутри, но и под влиянием внешних веяний времени. Основным агентом внутренних изменений корпоративного образования выступает в первую очередь сам обучающийся, — именно из потребностей специалиста формируется содержание корпоративного обучения. Однако современный обучающийся выделяется не только своими потребностями, — он суперзанят, мобилен, нетерпелив, отвлекаем девайсами, а уровень его сотрудничества определяется выраженной свободой выбора. И дело здесь не только во все более растущем принципе «обучайте, как я хочу и как мне удобно», а во все большем влиянии внешнего фактора изменений корпоративного образования, — его цифровизации. В сравнении с началом 2000-х гг. более 80% сотрудников используют поисковики для получения информации по своей специальности, из них 79% сотрудников работают одновременно в 2 окнах, используя мобильные и другие девайсы в дополнение к основному. В среднем количество обращений к мобильным информационным системам возросло до 200 обращений в день, а фокус внимания на обучающих материалах снизился в среднем с 12 до 7-8 секунд. Сегодня цифровизация, или цифровая трансформация корпоративного образования, — это не только значимый тренд, но и одно из приоритетных направлений деятельности в структуре корпоративных университетов. Ведь, как верно заметили известные американские бизнес-коучи Milton D. Dealy и Andrew R. Thomas, «Когда меняется жизнь вокруг, выбор для компании суров: измениться или перестать существовать…». При этом исследования показывают, что результаты обучения персонала оставляют желать лучшего. Так, треть (27%) работников Великобритании заявили, что их коллеги являются некомпетентными сотрудниками. Данное исследование показало, что время, затрачиваемое на обучение сотрудников, показывающих низкую производительность труда, ежегодно оценивается в 12 млрд фунтов стерлингов. А издержки, связанные с эффектом и возможными понесенными убытками в результате низкой производительности труда, даже не учитываются. Решение проблем, связанных с неполной отдачей сотрудников, обходится Великобритании в 1,6 % от ВВП страны. Убытки компании, имеющей персонал численностью 20 000 человек, составляют 20 млн фунтов стерлингов ежегодно из-за неэффективной системы отбора и обучения персонала. К сожалению, эта проблема типична не только для Великобритании. По сравнению с потерями Великобритании размером 1,6 % от ВВП страны, аналогичные потери Гонконга составляют 2,99 %, США – 1,05 %, а Швеции – 0,59 %. В нашей стране еще подобные исследования не проводились, но ситуация у нас объективно не лучше. Соответственно, обучение и развитие персонала не только помогает овладевать новыми умениями и навыками, но сильно влияет на производительность труда, финансовые показатели по росту бизнеса, и это является одной их самых важных целей обучения и развития. Кроме того, эффективное обучение персонала, помимо непосредственного роста прибыли, имеет ряд других не менее важных положительных последствий для организации: раскрытие потенциала работников, сплочение и улучшение социально-психологического климата коллектива; рост мотивации; укрепление преданности сотрудников организации; обеспечение преемственности в управлении; привлечение новых сотрудников; формирование желательных образцов поведения исоответствующей организационной культуры, способствующей успешному достижению организационных целей, и т.д. Также на сегодняшний день сложно обойти стороной стремительное развитие информационных технологий, а в частности - систем искуственного интеллекта. Так, в настоящее время автоматизации подвергается все больше и больше аспектов окружающей нас с вами жизни. Набирают популярность различные системы поддержки принятия решений, способные принимать аналитические решения без участия человеческого разума. Различные системы распознавания речи, аудио- и видео-информации, которые основаны на алгоритмах машинного обучения. Столь широкое использование ИИ обусловлено двумя важнейшими факторами. С одной стороны, он способен автоматизировать даже те процессы, которые ранее требовали участия человека: например, управление роботизированными механизмами на производстве (то есть в данном случае ИИ берет на себя наши обязанности). С другой стороны, он может быстро обрабатывать и анализировать поистине гигантские объемы информации и просчитывать варианты, используя множество переменных. И по данному направлению ИИ дает качественно лучшие результаты по сравнению с человеком. Добавим к этому то, что искуственный интеллект не подвержен человеческому фактору, а его работоспособность не зависит от эмоций и личных проблем. Как итог – области применения искусственного интеллекта очень широки и фактически ограничиваются только нашей фантазией и скоростью внедрения технологических новаций. Все это стало возможным благодаря развитию вычислительных возможностей, что позволяет за считанные доли секнунды получить результат выполнения сложнейшей математической модели. Таким образом, приходим к выводу, что корпоративное обучение является достаточно актуальной темой на сегодняшний день. А учитывая стремительное развитие информационных технологий и систем искуственного интеллекта, перспективным кажется вариант применения методов искуственного интеллекта в сфере корпоративного обучения. Можно даже сказать, что именно машинное обучение имеет большой потенциал в повышении квалификации, но пока эта технология находится на стадии становления. Сейчас актуальной проблемой является выделение полезных метрик, которые помогут повысить эффективность обучения. Упрощает задачу тот факт, что на данный момент уже существует некоторе количество инструментов, что позволяет раньше приступить к парктическим экспериментам. А в будущем машинное обучение поможет сотрудникам совершенствовать не только технические навыки, но и личные качества. Соответственно, основными задачами данной работы являются изучение основных способов и особенностей построения интеллектуальных систем, изучение теоретических основ корпоративного обучения и рассмотрение актуальных проблем в этой сфере. Конечной целью работы является построение интеллектуальной системы для повышение эффективности корпоративного обучения и оценка ее эффективности.
Содержание

ВВЕДЕНИЕ 5 1 Теоретические основы искуственного интеллекта 8 1.1 Основные термины и определения 8 1.2 Направления развития искусственного интеллекта 13 1.3 Сферы применения интеллектуальных систем 22 1.4 Основные понятия машинного обучения 26 2 Машинное обучение в корпоративном образовании 36 2.1 Основные понятия и особенности корпоративного обучения 36 2.2 Эффективность корпоративного обучения 49 2.3 Применение машинного обучения в корпоративном образовании 56 2.4 Анализ эффективности модели машинного обучения 58 3 Построение интеллектуальной системы 62 3.1 Описание системы 62 3.2 Подготовка данных для построения модели 63 3.3 Построение модели 69 3.4 Результаты работы 73 ЗАКЛЮЧЕНИЕ 77 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 80 ПРИЛОЖЕНИЕ А 86 ПРИЛОЖЕНИЕ Б 87 ПРИЛОЖЕНИЕ В 88 ПРИЛОЖЕНИЕ Г 89 ПРИЛОЖЕНИЕ Д 90
Список литературы

1) Choosing the right estimator [Электрон. ресурс]. – 2017. – Режим доступа: http://scikit-learn.org/stable/tutorial/machine_learning_map/ 2) Comparison of machine learning algorithms [Электрон. ресурс]. – 2017. – Режим доступа: https://www.researchgate.net/figure/Comparison-of-machine-learning-algorithms-Performance-of-SVM-is-superior-to-the-others_229090754 3) Машинное обучение (курс лекций, К. В. Воронцов) [Электрон. ресурс]. – 2017. – Режим доступа: www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) 4) 10 главных алгоритмов машинного обучения [Электрон. ресурс]. – 2017. – Режим доступа: http://ru.datasides.com/code/algorithms-machine-learning/ 5) Метод ближайших соседей [Электрон. ресурс]. – 2017. – Режим доступа: www.machinelearning.ru/wiki/index.php?title=Метод_ближайших_соседей 6) Machine Learning [Электрон. ресурс]. – 2017. – Режим доступа: https://www.coursera.org/learn/machine-learning/ 7) Лекции по методу опорных векторов [Электрон. ресурс]. – 2017. – Режим доступа: http://www.ccas.ru/voron/download/SVM.pdf 8) Machine Learning vs. Deep Learning [Электрон. ресурс]. – 2017. – Режим доступа: https://www.datascience.com/blog/machine-learning-and-deep-learning-what-is-the-difference 9) What’s the Difference Between Artificial Intelligence, Machine Learning, and Deep Learning? [Электрон. ресурс]. – 2017. – Режим доступа: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/ 10) Scaling to Very Large Corpora for Natural Language Disambiguation [Электрон. ресурс]. – 2001. – Режим доступа: https://pdfs.semanticscholar.org/7628/b62d64d2e5c33a13a5a473bc41b2391c1ebc.pdf 11) П. С. Романов Основы искуственного интеллекта: учебное пособие / П. С. Романов. – Коломна 2010. 12) Documentation of scikit-learn 0.20.0 [Электрон. ресурс]. – 2018. – Режим доступа: http://scikit-learn.org/stable/documentation.html 13) Оценки классификаторов [Электрон. ресурс]. – 2018. – Режим доступа: ru.learnmachinelearning.wikia.com/wiki/Оценки_классификаторов 14) Octave programming tutorial [Электрон. ресурс]. – 2018. – Режим доступа: https://en.wikibooks.org/wiki/Octave_Programming_Tutorial/Getting_started 15) Dr. P.J.G. Long Introduction to Octave [Электрон. ресурс]. – University of Cambridge, 2005. – Режим доступа: http://www-mdp.eng.cam.ac.uk/web/CD/engapps/octave/octavetut.pdf 16) С. Рассел Искуственный интеллект / С. Рассел, П. Норвиг. – 2-е издание. –Москва 2006. 17) Использование технологий машинного обучения в образовательных практиках [Электрон. ресурс]. – 2017. Режим доступа: https://www.hse.ru/edu/vkr/206742720 18) Comparison of machine learning algorithms [Электрон. ресурс]. – 2012. – Режим доступа: https://www.researchgate.net/figure/229090754_fig1_Figure-2-Comparison-of-machine-learning-algorithms-Performance-of-SVM-is-superior-to 19) С. Рашка Python и машинное обучение / С. Рашка. – Москва, 2017. – 418с. 20) Введение в машинное обучение с помощью Python и Scikit-Learn [Электрон. ресурс]. – 2015. – Режим доступа: https://habr.com/company/mlclass/blog/247751/ 21) Python Machine Learning [Электрон. ресурс]. -2015. – Режим доступа: http://liuchengxu.org/books/src/Machine%20Learning/Python-Machine-Learning.pdf 22) Как искусственный интеллект и машинное обучение помогают сотрудникам повысить свою квалификацию [Электрон. ресурс]. – 2018. – Режим доступа: http://ai-news.ru/2018/05/kak_iskusstvennyj_intellekt_i_mashinnoe_obuchenie_pomogaut_sotrudnika.html 23) Искуственный интеллект в обучении [Электрон. ресурс]. – 2018. – Режим доступа: http://www.apmath.spbu.ru/ru/misc/journal/p27-30.pdf 24) Обзор применения технологий ИИ в образовании [Электрон. ресурс]. – 2018. – Режим доступа: https://leader-id.ru/knowledge/3/ 25) Искуственный интеллект в digital-инструментах корпоративного образования [Электрон. ресурс]. – 2017. – Режим доступа: http://rep.barsu.by/bitstream/handle/data/4101/Iskusstvennyj%20intellekt%20v%20DIGITAL-instrumentah%20korporativnogo%20obrazovanija.pdf?sequence=1&isAllowed=y 26) IBM Watson Career Coach [Электрон. ресурс]. – 2018. – Режим доступа: https://www.ibm.com/us-en/marketplace/watson-career-coach 27) Оценка влияния инвестиций в человеческий капитал на рыночную стоимость предприятия [Электрон. ресурс]. – 2018. – Режим доступа: http://hr-portal.ru/article/ocenka-vliyaniya-investiciy-v-chelovecheskiy-kapital-na-rynochnuyu-stoimost-predpriyatiya 28) Почему ROI терпит неудачу при оценке человеческого потенциала и HR [Электрон. ресурс]. – 2017. – Режим доступа: https://edwvb.blogspot.com/2017/09/pochemu-roi-terpit-neudachu-pri-ocenke-chelovecheskogo-potenciala-i-hr.html 29) ROI Methodology [Электрон. ресурс]. – 2017. – Режим доступа: https://roiinstitutecanada.com/roi-methodology/ 30) Как рассчитать эффективность работы сотрудников? [Электрон. ресурс]. – 2017. – Режим доступа: http://www.training.com.ua/live/news/kak_rasschitat_jeffektivnost_raboti_sotrudnikov 31) Модель оценки эффективности инвестиций в персонал предприятия [Электрон. ресурс]. – 2009. – Режим доступа: https://cyberleninka.ru/article/v/model-otsenki-effektivnosti-investitsiy-v-personal-predpriyatiya 32) A survey on multi-output regression [Электрон. ресурс]. – 2013. – Режим доступа: http://oa.upm.es/40804/1/INVE_MEM_2015_204213.pdf 33) The Kirkpatrick/Phillips Model for Evaluating Human Resource Development and Training [Электрон. ресурс]. – 2018. – Режим доступа: http://www.buscouncil.ca/busgurus/media/pdf/the-kirkpatrick-phillips-evaluation-model-en.pdf 34) Измерение эффективности инвестиций в персонал [Электрон. ресурс]. – 2016. – Режим доступа: http://dspace.susu.ru/bitstream/handle/0001.74/1338/32.pdf?sequence=1?sequence=1 35) Как рассчитать эффективность персонала и обосновать расходы на него [Электрон. ресурс]. – 2013. – Режим доступа: https://delovoymir.biz/kak-rasschitat-effektivnost-personala-i-obosnovat-rashody-na-nego.html 36) Миф о кривой распределения. Взгляд на гипер исполнителей [Электрон. ресурс]. – 2017. – Режим доступа: https://www.talent-management.com.ua/1873-mif-o-krivoj-raspredeleniya/ 37) When the Performance Bell-curve Stops Working For You [Электрон. ресурс]. – 2015. – Режим доступа: http://web.mit.edu/chintanv/www/Publications/Chintan%20Vaishnav%20Punishing%20by%20Rewards%20for%20Publication%20Final.pdf 38) 5 Beliefs That Will Help Your Organization Thrive [Электрон. ресурс]. – 2013. – Режим доступа: https://thriveglobal.com/stories/5-beliefs-that-will-help-your-organization-thrive/ 39) Методы оценки эффективности интеллектуальных компонент систем поддержки приянтия решений [Электрон. ресурс]. – 2013. – Режим доступа: http://bseu.by:8080/bitstream/edoc/16489/2/Zhelezko_B_A_Sinyavskaya_O_A_S_139-144_ocr.pdf 40) Современные тенденции в корпоративном обучении персонала [Электрон. ресурс]. – 2013. – Режим доступа: https://www.b-seminar.ru/article/show/782.htm 41) Machine Learning Applications In Corporate eLearning [Электрон. ресурс]. – 2017. – Режим доступа: https://elearningindustry.com/machine-learning-in-corporate-elearning-use 42) Как большие данные могут улучшить корпоративное обучение [Электрон. ресурс]. – 2018. – Режим доступа: http://rtbinsight.ru/articles/big-data-corporate-training.html 43) Корпоративное обучение как стратегия развития организации [Электрон. ресурс]. – 2013. – Режим доступа: https://cyberleninka.ru/article/n/korporativnoe-obuchenie-personala-kak-strategiya-razvitiya-organizatsii 44) Тенденции корпоративного обучения в контексте образовательных парадигм [Электрон. ресурс]. – 2014. – Режим доступа: https://cyberleninka.ru/article/n/tendentsii-korporativnogo-obucheniya-v-kontekste-obrazovatelnyh-paradigm 45) Развитие корпоративного обучения [Электрон. ресурс]. – 2013. – Режим доступаhttps://cyberleninka.ru/article/n/razvitie-korporativnogo-obucheniya-ot-e-learning-do-we-learning 46) Корпоративное обучение как фактор повышения интеллектуального потенциала персонала ораганизации [Электрон. ресурс]. – 2013. – Режим доступа: https://cyberleninka.ru/article/n/korporativnoe-obuchenie-kak-faktor-povysheniya-intellektualnogo-potentsiala-personala-organizatsii 47) Корпоративное обучение персонала организации малого бизнеса [Электрон. ресурс]. – 2009. – Режим доступа: http://nauka-pedagogika.com/pedagogika-13-00-08/dissertaciya-korporativnoe-obuchenie-personala-organizatsii-malogo-biznesa 48) Корпоративное обучение как фактор обепечения конкурентноспособности российских предпринимательских структур [Электрон. ресурс]. – 2012. – Режим доступа: http://economy-lib.com/korporativnoe-obuchenie-kak-faktor-obespecheniya-konkurentosposobnosti-rossiyskih-predprinimatelskih-struktur 49) Корпоративное образорвание и внутрифирменная подготовка [Электрон. ресурс]. – 2012. – Режим доступа: https://www.science-education.ru/ru/article/view?id=6296 50) Корпоративное обучение в малом бизнесе [Электрон. ресурс]. – 2014. – Режим доступа: https://www.bibliofond.ru/view.aspx?id=829877 51) Корпоративное обучение для цифрового мира [Электрон. ресурс]. – 2018. – https://books.google.by/books?id=kURaDwAAQBAJ 52) Machine learning - машинное обучение в HR [Электрон. ресурс]. – 2015. – Режим доступа: http://elearncorpua.blogspot.com/2015/10/machine-learning-hr.html 53) В чем разница между искусственным интеллектом, машинным обучением и глубоким обучением? [Электрон. ресурс]. – 2017. – Режим доступа: https://www.nvidia.ru/object/whats-difference-ai-machine-learning-deep-learning-blog-ru.html 54) Обучение с подкреплением в реальных задачах [Электрон. ресурс]. – 2017. – Режим доступа: https://postnauka.ru/video/81976 55) Какие продукты для машинного обучения предлагает корпорация Майкрософт? [Электрон. ресурс]. – 2018. – Режим доступа: https://docs.microsoft.com/ru-ru/azure/machine-learning/service/overview-more-machine-learning 56) Нейронные сети [Электрон. ресурс]. – 2017. – Режим доступаhttp://www.aiportal.ru/articles/neural-networks/neural-networks.html 57) Как работает нейронная сеть: алгоритмы, обучение, функции активации и потери [Электрон. ресурс]. – 2018. – Режим доступа: https://neurohive.io/ru/osnovy-data-science/osnovy-nejronnyh-setej-algoritmy-obuchenie-funkcii-aktivacii-i-poteri/ 58) Различия между искусственным интеллектом, машинным обучением и глубоким обучением [Электрон. ресурс]. – 2017. – Режим доступа: https://habr.com/ru/post/401857/ 59) Machine learning - машинное обучение в HR [Электрон. ресурс]. – 2015. – Режим доступа: http://elearncorpua.blogspot.com/2015/10/machine-learning-hr.html 60) Нейронные сети, искусственный интеллект, машинное обучениеregression [Электрон. ресурс]. – 2016. – Режим доступа: https://hi-news.ru/science/nejronnye-seti-iskusstvennyj-intellekt-mashinnoe-obuchenie-chto-eto-na-samom-dele.html 61) 4-Steps to Get Started in Machine Learning [Электрон. ресурс]. – 2014. – Режим доступа: https://machinelearningmastery.com/4-steps-to-get-started-in-machine-learning/ 62) Support Vector Machines [Электрон. ресурс]. – 2016. – Режим доступа: https://scikit-learn.org/stable/modules/svm.html 63) 7 Steps to Mastering Machine Learning With Python [Электрон. ресурс]. – 2015. – Режим доступа: https://www.kdnuggets.com/2015/11/seven-steps-machine-learning-python.html 64) How to Setup a Python Environment for Machine Learning [Электрон. ресурс]. – 2018. – Режим доступа: https://towardsdatascience.com/how-to-setup-a-python-environment-for-machine-learning-354d6c29a264 65) Scikit-learn Tutorial: Machine Learning in Python [Электрон. ресурс]. – 2018. – Режим доступа: https://www.dataquest.io/blog/sci-kit-learn-tutorial/ 66) Machine Learning Algorithms Mindmap [Электрон. ресурс]. – 2018. – Режим доступа: https://jixta.wordpress.com/2015/07/17/machine-learning-algorithms-mindmap/ 67) Python SciKit Learn [Электрон. ресурс]. – 2013. – Режим доступа: https://www.journaldev.com/18341/python-scikit-learn-tutorial 68) How to use the Scikit-learn Python library for data science projects [Электрон. ресурс]. – 2013. – Режим доступа: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects 69) Hands-On Introduction To Scikit-learn (sklearn) [Электрон. ресурс]. – 2013. – Режим доступа: https://towardsdatascience.com/hands-on-introduction-to-scikit-learn-sklearn-f3df652ff8f2 70) Interpreting machine learning models [Электрон. ресурс]. – 2013. – Режим доступа: https://towardsdatascience.com/interpretability-in-machine-learning-70c30694a05f
Отрывок из работы

1 Теоретические основы искуственного интеллекта 1.1 Основные термины и определения Искусственный интеллект — это область науки, занимающаяся моделированием интеллектуальной деятельности человека. Зародившийся более 700 лет назад в средневековой Испании искусственный интеллект оформился в самостоятельную научную область в середине XX в. Методы искусственного интеллекта позволили создать эффективные компьютерные программы в самых разнообразных, ранее считавшихся недоступными для формализации и алгоритмизации, сферах человеческой деятельности, таких как медицина, биология, зоология, социология, культурология, политология, экономика, бизнес, криминалистика и т.п. Идеи обучения и самообучения компьютерных программ, накопления знаний, приемы обработки нечетких и неконкретных знаний позволили создать программы, творящие чудеса. Компьютеры успешно борются за звание чемпиона мира по шахматам, моделируют творческую деятельность человека, создавая музыкальные и поэтические произведения, распознают образы и сцены, распознают, понимают и обрабатывают речь, тексты на естественном человеческом языке. Нейрокомпьютеры, созданные по образу и подобию человеческого мозга, успешно справляются с управлением сложными техническими объектами, диагностикой заболеваний человека, неисправностей сложных технических устройств; предсказывают погоду и курсы валют, результаты голосований; выявляют хакеров и потенциальных банкротов; помогают абитуриентам правильно выбрать специальность и т.д. Мы уже привыкли к тому, что компьютеры «умнеют» буквально на глазах, а компьютерные программы становятся все более и более интеллектуальными. Само по себе понятие интеллекта постоянно претерпевает изменения по мере развития науки и человека. Давно уже не считаются интеллектуальными задачи, состоящие в выполнении арифметических операций сложения, умножения, деления. Не считается интеллектуальной задача интегрирования дифференциального уравнения, если для нее известен строго детерминированный алгоритм. В настоящее время принято считать интеллектуальными задачи, которые на современном этапе не поддаются алгоритмизации в традиционном смысле этого слова. Это задачи, для решения которых требуются манипуляции с нечеткими, неконкретными, ненадежными, расплывчатыми и даже нетрадиционными знаниями.
Не смогли найти подходящую работу?
Вы можете заказать учебную работу от 100 рублей у наших авторов.
Оформите заказ и авторы начнут откликаться уже через 5 мин!
Похожие работы
Служба поддержки сервиса
+7(499)346-70-08
Принимаем к оплате
Способы оплаты
© «Препод24»

Все права защищены

Разработка движка сайта

/slider/1.jpg /slider/2.jpg /slider/3.jpg /slider/4.jpg /slider/5.jpg