Методы, модели и алгоритмы интеллектуального анализа данных при создании обучающих систем в текстильной и легкой промышленности

• Автор: Пименов, Виктор Игоревич
• Шифр специальности: 05.13.01
• Научная степень: Докторская
• Год защиты: 2009
• Место защиты: Санкт-Петербург
• Количество страниц: 319 с. : ил.

Содержание

Список сокращении и обозначений

Введение

1 Проблема формировании знаний в области технологии и дизайна

1.1 Формальные методы проектирования систем учебного назначения

1.1.1 Модель обучаемого

1.1.2 Модель процесса обучения.

1.1.3 Структурирование учебных элементов.

1.2 Особенности задач, возникающих при формировании знаний

в текстильной и легкой промышленности

1.3 Методики выделения закономерностей.

1.4 Методы представления знаний
1.5 Экспертная система как информационная технология решения трудноформализуемых задач.
1.6 Приобретение знаний в экспертных системах и при обучении распознаванию образов.
1.7 Направления использования интеллектуальных систем
в текстильной и легкой промышленности
Выводы но разделу
2 Теоретические основы формализации знаний о технологических процессах.
2.1 Моделирование технологического процесса на основе выделения классов.
2.2 Особенности исследования технологических процессов на основе выделения классов.
2.3 Решение слабоформализованных задач на основе теории распознавания образов.
2.3.1 Этапы обработки данных, представленных моделью объектатрибутызначения.
2.3.2 Комплексное применение множества дискриминантных алгоритмов для построения поля знаний технологического
процесса
2.3.3. Оптимизация знаний о классах при выделении адекватных статистических моделей
Выводы по разделу 2.
3 Оптимизация систем описания правил вывода на знаниях.
3.1 Виды систем описания
3.2 Оптимизация систем описаний для логических РП.
3.2.1 Дискретизация признакового пространства.
3.2.2 Оптимизация объема пространства признаков.
3.2.3 Аддитивный алгоритм минимизации рабочего словаря
3.3 Формирование систем описания объектов при наличии
неопределенности
Выводы по разделу 3.
4 Методология обработки баз данных при проектировании модели знаний на основе решающих правил.
4.1 Этапы формирования базы знаний
4.2 Анализ достаточности данных для формирования базы знаний
4.3 Формирование динамической составляющей поля знаний
на основе дискриминантных методов.
4.4 Формирование логических решающих правил.
4.4.1 Формирование бинарной решающей матрицы
с доверительными областями
4.4.2 Формирование нечеткого логического решающего правила
4.5 Уточнение описаний классов
4.6. Последовательный метод выделения класса с новыми потребительскими свойствами
4.7. Алгоритмическое обеспечение инструментального комплекса для формирования знаний
4.8. Представление знаний в форме решающих правил.
Выводы по разделу 4.
5 Разработка обучающих систем в области технологии и дизайна
5.1 Проектирование поля знаний для учебнометодических материалов, использующих технологии гипермедиа.
5.1.1. Схема процесса создания двумерных изображений
5.1.2. Классы изображений.
5.1.3. Параметры процесса создания изображений
5.1.4. Формирование бинарной решающей матрицы учебнометодических материалов
5.2 Компьютерная система дизайннросктирования рационального ассортимента производственной одежды.
5.3 Обучающая система Текстильные технологии
5.4 Построение компонентов модели знаний обучающих систем
на основе выделения классов.
5.4.1 Мультимедийный учебник Анализ данных
5.4.2 Мультимедийный учебник Разработка экспертных систем
5.6 Перспективные направления применения методов интеллектуального анализа данных для построения модели
компьютерной обучающей системы
Выводы по разделу 5.
Выводы.
Список использованных источников


На следующих шагах учитывается организация хранения учебных элементов, выполняется семантический анализ совокупностей элементов учебных модулей, проводится их сборка в готовые курсы и проверка последовательности выполняемых функций отслеживается генезис структуры курса. Существует ряд принципов, на основе которых можно выполнять сборку модулей и конечных курсов. Поскольку дисциплины технологического цикла наряду с математическими и экономическими относятся к информационнонасыщенной области знания, учебный материал предпочтительно организовать по детерминированной схеме , для которой характерен принцип последовательных ступеней или по слабо детерминированной схеме кругового наслоения. В первом случае учебные элементы выделяются после алгоритмической декомпозиции в рамках структурного подхода и выполняют описание одного из этапов общего технологического процесса. Во втором случае, когда некоторые классы учебных объектов наследуют структуру другого класса, может использоваться объектноструктурный подход . Модель обучаемого включает в себя данные о пользователе его характеристики индивидуальные особенности и историю обучения, текущий уровень обученности, информацию о предпочитаемых стратегиях обучения обучение на примерах, обучение по аналогии и т. Квалификация пользователя на интервале до обучения после обучения характеризуется ступенчатым изменением стартовых, промежуточных и финишных значений набора дидактических показателей. Уровень достигается при построении математических моделей и решении междисциплинарных задач с помощью пакетов прикладных программ. По результатам тестирования определяют коэффициент усвоения учебного материала Ка как отношение количества правильно выполненных заданий к их общему количеству. Первоначальное тестирование предназначено для определения уровня знаний обучаемого в некоторой предметной области. Такое тестирование целесообразно, если обучаемый должен обладать некоторым уровнем базовых знаний. Результаты промежуточных тестирований используются для управления сценарием обучения. При значениях Ка0,7 процесс обучения продолжается согласно сценарию, при Ка 0,7 обучение может быть свободным неуправляемым. Модель процесса обучения опирается на законы общей теории управления. Обратная связь осуществляет воздействие обучающая система обучаемый в ответ на действия последнего при выполнении заданий. Автоматизация процесса обучения связана с переработкой информации обратной связи в целях реализации корректирующих воздействий и изменения состояний объекта управления. Структуризация и разветвление процесса обеспечиваются процедурами тестирования, являющимися узлами педагогического сценария 0, 2. Характерными представителями автоматизированных обучающих систем являются системы за рубежом и семейство систем ВУЗ в нашей стране 7. Эффективность методики адаптивного обучения с использованием разветвленных сценариев по суммарному рейтингу выше использования обычных гипертекстовых учебнометодических материалов в 1,3 раза 1. Основой адаптивного сценария могут быть следующие положения 1. Вопервых, внутри тестовых блоков вопросы должны располагаться по мере уменьшения их сложности. Вовторых, правильный ответ на первый вопрос каждого блока должен иметь максимальный весовой коэффициент, а неправильный ответ на последний вопрос теста должен направлять обучаемого на предъявление обучающего информационного блока. Следует также учитывать, что крупное дробление на учебные элементы может оказаться не эффективным при поиске нужных сведений ввиду слабой конкретизированности ссылки. Наименьшие программистские затраты по реализации адаптивного сценария достигаются при использовании авторских систем, которые часто называют оболочками. Работа в таких системах сводится к организации учебного кадра, укладке учебных материалов в базу данных, разметке гиперссылок и программированию на авторском языке алгоритмов обучения. Примерами подобных инструментальных сред являются отечественные системы АДОНИС, КАДИС, УРОК, АСОК и зарубежные i , iv , i, и др. Развитие технологий поддержки университетских систем дистанционного обучения привело к концепции создания виртуальных учебных сред.