Перечень сокращений и обозначений 5
ВВЕДЕНИЕ
1 Анализ предметной области
1.1 Общая характеристика задач машинного обучении..
1.2 Архитектуры нейронных сетей 11
1.3 Виды нейронных сетей
13.1 Рекуррентные нейронные сети
1.3.2 Хаотические нейронные сети
1.3.3 Осцнл пятерные нейронные сети 16
13.4 Глубокие нейронные сечи 18
13.5 Сверточные нейронные
13.6 Генеративно-состязательные нейросети
1.4 Постановка задачи обучения ....21
2 Анализ аналогов
2.1 Gradescope.... 24
2.2 MyEdu
2.3 Dreambox
2.4 Smart Sparrow
2.5 Статистика успеваемости ....28
3 Анализ и требования к используемым данным для обучения 29
3.1 Сбор данных для модели
3.2 Формирование датасета
4 Реализация работы с нейронной сетью
4.1 Реализация с использованием глубокой нейронной сети 40
4.1.1 Реализация глубокой нейронной сети ....40
4.1.2 Реализация процесса обучения нейронной сети
4.1.3 Реализация процесса оценки обучения нейросети
4.2 Реализация с использованием RNN 46
4.2.1 Реализация RNN 46
4.2.2 Реализация процесса обучения RNN 49
4.2.3 Реализация процесса оценки обучения RNN 54
4.2.4 Реализация процесса прогнозирования 56
Заключение 60
Список использованных источников 63
Приложение А Листинг программы 66
Приложение А. 1 Файл main Y.py 67
Приложение А.2Файл RNNY.py 69
Приложение А. 3 Фай л RNNmaintrain.py 71
Приложение Б Презентация 77
Благодаря техническому прогрессу, многие компании в настоящее время применяют технологию datanuning. позволяющую обрабатывать существенные объемы данных и извлекать из них полезную информацию.
Задачей этого анализа является выявление скрытых правил и закономерностей в наборах данных. Долгое время основным инструментом оставалась статистика, однако она не всегда способна эффективно решать задачи реальной жизни. Основным её применением является проверка заранее сформулированных гипотез [2].
Изначально использование нейронных сетей в анализе данных вызывало скептические настроения из-за недостатков нейросетей, таких как сложная структура, низкая интерпретируемость и долгое время обучения. Однако их преимущества, такие как хорошая адаптивность к зашумленным данным, постоянная оптимизация и улучшение алгоритмов обучения, правил и упрощения сетей, представляют нейронные сети как все более перспективное направление в datamining-области [3].
Нейросети применимы в совершенно различных областях, начиная автоматизацией распознавания образов, прогнозированием, адаптивным управлением и созданием экспертных систем, организацией ассоциативной памяти, заканчивая обработкой сигналов, синтезом и идентификацией электрических цепей и систем [1].
Развитие электронной среды в университетах, формирование электронных н дистанционных технологий образования становится нормой нашего времени. В помощь принятия решений по подготовке студентов приходит инструмент использования цифровых средств и электронной информационно-образовательной среды (ЭИОС). Современные технологии информатизации системы образования приводят к появлению большого количества разнообразных систем сбора, обработки и хранения больших массивов информации, которые можно использовать для эффективного прогнозирования успеваемости учащихся. Прогнозирование успеваемости учащихся - важный инструмент оценки эффективности применяемых педагогических технологий и методических приемов для преподавателей.
Целью магистерской работы является проектирование, разработка и реализация модели прогнозирования класса обучения студентов (отличник, ударник, троечник, неуспевающий) с использованием электронной информационно-образовательной среды (ЭИОС) ВУЗа на основе технологии нейронных сетей.
Основными задачами работы является:
- изучение методов и способов классификации с использованием нейросети.
- реализация модели нейросети для прогнозирования класса обучающегося,
- обучение реализованной нейросети.
- апробация реализованного функционала.
Работа может быть полезна кураторам и сотрудникам, занимающимся работой со студенческой успеваемостью. Заранее определить на кого из учащихся стоит обратить особое внимание.
В результате магистерской работы было проведено исследование существующих на данный момент нейронных сетей, а также юс реализаций. Была выбрана модель, наиболее подходящая для прогнозирования по наборам данных. Перед началом проектирования был произведен анализ данных и выявлены требования к используемым данным для обучения.
По окончании работ было принято решение о реализации рекуррентной нейронной сети на языке программирования Python. Средой разработки была выбрана IDE Spyder.
На основании анализа удалось разработать рекуррентную нейронную сеть, реализующую прогнозирование на основе данных, собранных из электронной информационно-образовательной среды ВУЗа (ЭИОС). Анализ модели показал её работоспособность и высокий процент точности.
В перспективе работа может быть полезна кураторам и сотрудникам университета, занимающимся работой со студенческой успеваемостью. Заранее определить на кого из учащихся стоит обратить особое внимание.
Были спрогнозированы данные для учащихся курируемых групп. Результаты представлены на рисунках 22 и 23. Эти предсказанные результаты будут провеяться в ходе текущей весенней сессии 2024 года.
Предлагается за нулевой показатель взять средний уровень успеваемости, то есть оценку 3 («удовлетворительно»). Следовательно, все остальные показатели будут распределяться относительно этого уровня. Все оценки ниже нулевого уровня окажутся в отрицательной области, то есть в зоне риска (от 0 до 3). Как результат - выделяется часть неуспевающих студентов, на которых следует обратить внимание и более тщательно с ними работать в плане мотивации, либо контроля успеваемости.
