Пошук академічних текстів

Інформація × Реєстраційний номер 2123U011510, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНЕ МАШИННЕ НАВЧАННЯ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ АДАПТАЦІЇ НАВЧАЛЬНОГО КОНТЕНТУ ДО ВИМОГ РИНКУ ПРАЦІ Автор Шелехов І. В.Прилепа Д. В.Хібовська Ю. O.Отрощенко М. С.Shelehov I. V.Prylepa D. V.Khibovska Yu. O.Otroshcenko М. S. Дата публікації 25-02-2023 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/274486 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Розв’язана актуальна задача підвищення функціональної ефективності машинного навчання системи підтримки прийняття рішень (СППР) для оцінки відповідності сучасним вимогам контенту навчальних дисциплін випускової кафедри за результатами опитування роботодавців. Мета. Підвищення функціональної ефективності машинного навчання СППР для оцінки відповідності сучасним вимогам контенту навчальних дисциплін освітньо-професійної програми спеціальності першого (бакалаврського) рівня на основі машинного навчання та розпізнавання образів. Метод. Запропоновано метод інформаційно-екстремального машинного навчання СППР для адаптації навчального контенту випускової кафедри до вимог ринку праці. Ідея методу полягає у максимізації інформаційної спроможності СППР в процесі машинного навчання, що дозволяє в режимі моніторингу гарантувати високу повну ймовірність прийняття правильних класифікаційних рішень. Метод розроблено в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту, що дозволяє надати СППР гнучкість при перенавчанні системи через збільшення потужності алфавіту класів розпізнавання. В основу методу покладено принцип максимізації кількості інформації в процесі машинного навчання. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик класифікаційних рішень. Згідно із запропонованою функціональною категорійною моделлю розроблено алгоритм інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Застосування такої структури даних дозволяє автоматично розбивати велику кількість класів розпізнавання на пари найближчих сусідів, для яких оптимізація параметрів машинного навчання здійснюється за лінійним алгоритмом необхідної глибини. Як параметри оптимізації розглядалися геометричні параметри гіперсферичних контейнерів класів розпізнавання, які в процесі машинного навчання відновлювалися в радіальному базисі бінарного простору ознак Геммінга. При цьому вхідна навчальна матриця трансформувалася в робочу бінарну навчальну матрицю, яка змінювалася в процесі машинного навчання шляхом допустимих перетворень з метою адаптації вхідного інформаційного опису СППР до максимальної достовірності класифікаційних рішень. Результати. Розроблено інформаційне, алгоритмічне і програмне забезпечення СППР для оцінки якості навчального контенту за результатами машинного аналізу відповідей респондентів. В рамках геометричного підходу за результатами інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева побудовано високо достовірні вирішальні правила, практично інваріантні до багато вимірності простору ознак розпізнавання. Досліджено вплив параметрів машинного навчання на функціональну ефективність машинного навчання СППР на прикладі оцінки навчального контенту освітньо-професійної програми бакалаврського рівня спеціальності «Комп’ютерні науки». Висновки. Результати комп’ютерного моделювання підтверджують високу функціональну ефективність запропонованого методу інформаційно-екстремального ієрархічного машинного навчання і можуть бути рекомендовані до практичного використання у закладах вищої освіти для оцінки відповідності сучасним вимогам навчального контенту випускових кафедр. Додано в НРАТ 2026-02-27 Закрити