Система интеллектуального анализа данных для прогнозирования успешности учебной деятельности

Система интеллектуального анализа данных для прогнозирования успешности учебной деятельности

Автор: Павлюк, Александр Александрович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2004

Место защиты: Красноярск

Количество страниц: 113 с. ил.

Артикул: 2742087

Автор: Павлюк, Александр Александрович

Стоимость: 250 руб.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА I. Теоретические и методологические основы создания
нейросетевых систем интеллектуального анализа данных 1.1. Методы интеллектуального анализа данных
1.2. Модели нейронных сетей
1.3. Структура нейронной сети
1.4. Функционирование нейрона
1.5. Функционирование нейронной сети
1.6. Алгоритм обратного распространения
1.7. Алгоритм генетического программирования
Выводы
ГЛАВА II. Прогнозирование значения среднего балла обучения в произвольном семестре 2.1. Постановка задачи
2.2. Инициализация и обучение нейросети
Выводы
ГЛАВА III. Прогнозирование дисциплинарных нарушений в процессе учебной деятельности 3.1. Решение задачи с помощью нейронной сети
3.2. Решение задачи с помощью генетического программирования
Выводы
ГЛАВА IV. Восстановление потерянной информации в исходных данных обучаемых 4.1. Постановка задачи
4.2. Алгоритм восстановления потерянных данных
Выводы
ГЛАВА V. Программный комплекс Прогноз успешности обучения
5.1. Методика прогнозирования успешности учебной деятельности
5.2. Программный комплекс
5.3. Формат файлов vi и
Выводы
Заключение
Литература


В заключении диссертации приведены основные результаты, полученные в ходе выполнения работы, и сформулированы выводы. Рассвет эры компьютеров повлек за собой стремительное развитие интеллектуальных методов анализа информации. Теоретические основы были заложены в начале -х годов в работе Маккалоха и Питтса [, 6]. Дальнейшее развитие нейрокибернетика получила в работах Розенбла-та [, 4, 5], предложившего модель персептрона []. Параллельно с этим развитие получили другие методы обработки информации, в основе которых также лежала биологическая модель. В году Л. Фогель, А. Оуэнс, М. Уолш предложили схему эволюции логических автоматов, решающих задачи прогноза []. В г. Дж. Холланда [3], в которой был предложен генетический алгоритм [9, , 7]. Примерно в это же время группа немецких ученых (И. Рехенберг, Г. П. Швефель и др. Эти работы заложили основы прикладного эволюционного моделирования или эволюционных алгоритмов. В нашей стране исследования по прикладному эволюционному моделированию, близкие к работам Л. Фогеля, были развиты в работах И. Л. Бу-катовой [7]. Очередной виток в развитии нейронных сетей связан с работами работами Амари [], Андерсона [], Карпентера [], Кохена [] и, в особенности, Хопфилда [, , 4, 5, 6], а также под влиянием успехов оптических технологий [1, , ]. Модель Хопфилда получила свое развитие в работах Д. Хинтона и Р. Земела и была названа машиной Больцмана [, - ]. В Поль Дж. Вербос [] предложил алгоритм сети с обратным распространением [,, ,,, 7, 1 - 3, 1, 6, 9, 0]. В начале -х годов сформировалась отдельная наука - нейроинформа-тика [, 0, 2, 8]. Регулярно проводятся конференции по данной тематике [- ,]. В году Джон Р. Коза предложил алгоритм генетического программирования [9, 0]. В начале -х множество методов обработки и анализа данных сформировали новое направление - Data Mining [, , , , 8, 0, 2]. Основные алгоритмы обучения нейронных сетей изложены в [2, 3, 9, , , ,, , , , , , 4, 8, 9]. Методика и результаты программной реализации нейронных сетей описаны в [, , , , , , 1]. Широкое применение нейронные сети нашли в задачах распознавания изображений [6, , ,, , , ] и речи [5]. Нейронные сети позволяют получать новые знания из баз данных [5, ,, ,, ,, , ]. Имеют место попытки использования нейросетей в сфере образования [, , ,,]. Методика психологического тестирования представлена в [8, , , , , , , , ]. Несмотря относительную новизну нейросетевых технологий, широко описаны структура и алгоритмы функционирования. Регулярно проводятся различные конференции по данной тематике. Программные продукты на основе нейросетевых технологий получают все более широкое распространение. В основном это программы распознавания изображений и анализа финансовой информации. У отечественных авторов не нашла отражения тема генетического программирования. В подавляющем большинстве этот метод описан зарубежными авторами. В сфере образования нейросетевые технологии не нашли широкого применения. Автор выражает глубочайшую признательность доктору медицинских наук Горбач Наталье Андреевне за предоставленные статистические данные и ценные консультации. Гпава I. Современный уровень развития аппаратных и программных средств с недавних пор сделал возможным повсеместное внедрение баз данных оперативной информации на разных уровнях управления. В процессе своей деятельности ведомственные структуры, органы государственной власти и управления накопили большие объемы данных, требующие продуктивной переработки [8]. Традиционная математическая статистика, долгое время считавшаяся основным инструментом анализа данных, не справилась с обработкой накопившихся данных. Главная причина - концепция усреднения по выборке, приводящая к операциям над фиктивными величинами. Методы математической статистики оказались полезными, главным образом, для проверки заранее сформулированных гипотез и для “грубого” разведочного анализа, составляющего основу оперативной аналитической обработки данных. Требовалась новая технология анализа данных, которой и стала технология Data Mining [, 0, 2]. Data Mining можно перевести как "добыча данных".

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.240, запросов: 244