350 руб
Журнал «Информационно-измерительные и управляющие системы» №2 за 2020 г.
Статья в номере:
Повышение эффективности обучения в техническом университете
DOI: 10.18127/j20700814-202002-08
УДК: 004.42
Авторы:

Т.А. Онуфриева – к.т.н., доцент, 

кафедра «Информационные системы и сети», Калужский филиал МГТУ им. Н.Э. Баумана

E-mail: onufrievata@mail.ru А.С. Сухова – студент, 

кафедра «Информационные системы и сети», Калужский филиал МГТУ им. Н.Э. Баумана

Е-mail: nastya_s@kaluga.ru

Аннотация:

Постановка проблемы. В настоящее время в образовательных структурах и системах общества возникла проблема необходимости быстрого обучения в условиях высокого темпа поступления информации. 

Цель. Разработать самонастраиваемую обучающую систему для повышения эффективности освоения студентами технических университетах большого потока информации. 

Результаты. Использована многослойная рекуррентная сеть Джордана для настройки самонастраиваемой обучающей системы. Применены генетические алгоритмы для обучения нейронной сети, результатом работы которой является вывод об уровне освоения обучающимся определенной темы.

Практическая значимость. В соответствии с проведенной оценкой работоспособности разработанной нейронной сети для самонастраиваемой обучающей системы можно сделать вывод, что на данном этапе ее структура и алгоритм работы выбраны правильно. Следующим этапом разработки системы будет являться проведение совместной работы с преподавателем и апробация системы.

Страницы: 51-60
Список источников
  1. Сухова А.С., Чубарев М.В., Онуфриева Т.А. Разработка рабочего места отладки на базе микроконтроллера STM32 // Технологические инновации в современном мире. 2019. Ч. 1. С. 146−152.
  2. Кузнецов Г.И. Педагогика: Учеб. пособие. СПб: Нестор-История, 2014. 176 с.
  3. Беспалько В.П. Образование и обучение с участием компьютеров (педагогика третьего тысячелетия): Учеб.-метод. пособие. М.: Издательство Московского психолого-социального института. 2002. 352 с.
  4. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: учебное пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана. 2004. 400 с.
  5. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия − Телеком. 2012. 496 с.
  6. Брюс П. Практическая статистика для специалистов Data Science. 50 важнейших понятий. Пер. с англ. СПб: БХВПетербург. 2018. 304 с.
  7. Казиев В. М. Введение в анализ, синтез и моделирование систем. М.: Интернет-Университет Информационных Технологий (ИНТУИТ). 2016. 270 c.URL = http://www.iprbookshop.ru/52188.html.
  8. Шведов А.С. Теория вероятностей и математическая статистика: Учеб. пособие для вузов. М.: Изд. дом ГУ ВШЭ. 2005. 254 с.
  9. Тим Джонс М. Программирование искусственного интеллекта в приложениях: Пер. с англ. А.И. Осипова. Саратов: Профобразование. 2017. 310 c. URL = http://www.iprbookshop.ru/63950.html.
  10. Сотник С.Л. Проектирование систем искусственного интеллекта. М.: Интернет-Университет Информационных Технологий (ИНТУИТ). 2016. 228 c.URL = http://www.iprbookshop.ru/73716.html. 
  11. Jordan M.I. Serial order: A Parallel Distributed Processing Approach: Tech. Rep. ICS Report 8604. Institute for Cognitive Science. University of California. San Diego. 1986.
  12. Клейнберг Дж., Тардос Е. Алгоритмы. Разработка и применение: Пер. с англ. Е. Матвеева / Под ред. Н. Римицан. СПб: Питер. 2016. 800 с.
  13. Панченко Т.В. Генетические алгоритмы: Учеб.-метод. пособие. Астрахань: Издательский дом «Астраханский университет». 2007. 87 с.
Дата поступления: 7 февраля 2020 г.