АННОТАЦИЯ 3
ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СКОРАЩЕНИЙ 4
ВВЕДЕНИЕ 5
1 Теоретический обзор 7
1.1 Моделирование нейронных сетей 7
1.1.1 Искусственные нейронные сети 7
1.1.2 Биологический нейрон 7
1.1.3 Искусственный нейрон 9
1.1.4 Архитектура соединений искусственных нейронов 12
1.1.5 Нейросети в практическом применении 15
1.2 Моделирование персептронов 17
1.2.1 Персептрон Розенблатта 17
1.2.2 Алгоритм обучения однослойного персептрона 20
1.2.3 Многослойный персептрон с обратным распространением ошибки 22
1.3 Обзор инструментов для разработки нейронных сетей 25
1.3.1 Brain.js 25
1.3.2 Ml5.js 26
1.3.3 TensorFlow.js 28
1.4 Применение нейронных сетей в веб-разработке 29
1.5 Принципы построения рекомендательных систем на основе анализа
данных 31
1.6 Основы обработки и анализа данных ЕГЭ для прогнозирования
вероятности поступления в вуз 32
2 Разработка, сравнение и анализ нейронных сетей для прогнозирования
вероятности поступления 34
2.1 Взаимодействие с датасетом ЕГЭ и подготовка данных для обучения
нейронных сетей 35
2.2 Создание нейронной сети с использованием brain.js 42
2.3 Создание нейронной сети с использованием ml5.js 45
2.4 Создание нейронной сети с использованием TensorFlow.js 47
2.5 Сравнительный анализ использования различных инструментов для
создания нейронных сетей 49
3 Тестирование и анализ результатов нейросети 51
3.1 Методы и подходы к тестированию нейронной сети 51
3.2 Результаты тестирования и оценка эффективности системы 53
3.3 Тестирование нейросети на ml5.js 54
4 Разработка веб-сайта «Помощь абитуриентам» 56
4.1 Архитектура и дизайн сайта 56
4.2 Интеграция нейронной сети в веб-сайт 56
4.3 Разработка дополнительных функций сайта для поддержки
абитуриентов 58
5 Перспективы развития 60
5.1 Возможности для дальнейшего совершенствования 60
5.2 Перспективы расширения датасета и улучшения точности прогнозов . 61
ЗАКЛЮЧЕНИЕ 62
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 63
В наше время, когда информационные технологии стремительно развиваются, многие процессы автоматизируются и переносятся в виртуальное пространство. Образовательная сфера не остается в стороне от этого процесса, появляются новые инструменты и сервисы, которые значительно упрощают процесс получения и анализа информации.
Одним из перспективных направлений в данной сфере является использование нейронных сетей. Искусственные нейронные сети за последние годы значительно прогрессировали и нашли применение в самых разных областях: от медицины до веб-разработки. В связи с этим, актуальность использования искусственных нейронных сетей в образовательных сервисах, а также в помощи абитуриентам, с каждым годом только возрастает.
Объектом данной дипломной работы является процесс прогнозирования шансов на поступление в вуз. Предметом исследования станут нейронные сети и их возможное применение для анализа данных ЕГЭ и прогнозирования вероятности поступления в вуз.
Целью данной работы является создание нейронной сети для веб-сайта «Помощь абитуриентам», которая будет способна анализировать результаты ЕГЭ абитуриентов и прогнозировать вероятность их поступления на ту или иную специальность. В ходе работы предстоит решить ряд задач, включающих разработку и сравнение нейронных сетей на различных библиотеках, а также внедрение выбранной модели на веб-сайт.
В данной работе используются следующие методы: анализ источников данных, программирование на языке JavaScript с использованием библиотек для разработки нейронных сетей, таких как Brain.js, Ml5.js и TensorFlow.js, обработка и анализ данных, методы тестирования и оценки эффективности нейронных сетей.
Теоретическую и практическую значимость исследования составляет возможность использования полученных результатов для улучшения процесса выбора специальности для абитуриентов. Данная система способна упростить процесс выбора для молодых людей, а также сделать его более обоснованным и предсказуемым.
В рамках проведенного исследования была успешно разработана и протестирована система прогнозирования поступления в университет с использованием нейронных сетей. В процессе работы было проанализировано несколько различных алгоритмов машинного обучения, включая Brain.js, ml5.js и TensorFlow.js. На основе проведенного анализа было принято решение об использовании модели на ml5.js ввиду ее превосходных показателей и удобства использования.
Система успешно прошла тестирование на действительных данных. Показатели точности, полноты и FX-меры для выбранной модели оказались достаточно высокими, что доказывает эффективность применения нейронных сетей для задачи прогнозирования поступления в университет.
Веб-сайт, разработанный в процессе работы, оказался функциональным и удобным в использовании. Это делает систему доступной для широкого круга пользователей, включая студентов и работников образовательных учреждений.
В результате данной работы было доказано, что нейронные сети могут быть эффективно использованы в сфере образования для прогнозирования поступления в университет. Однако необходимо подчеркнуть, что успешность прогноза во многом зависит от качества и количества обучающих данных.
Также стоит отметить, что в будущем работа над системой может быть продолжена. Возможными направлениями для дальнейшего развития могут быть интеграция с другими образовательными системами, расширение функционала веб-сайта и дальнейшее улучшение точности предсказаний с использованием более сложных моделей машинного обучения.
