Аннотация
ВВЕДЕНИЕ 7
1 Теоретический обзор 10
1.1 Обзор области применения нейронных сетей 10
1.2 Принцип работы нейронных сетей 13
1.2.1. Структура нейронной сети 13
1.2.2. Работа нейронной сети 13
1.2.3. Нейронные сети и предсказание 14
1.2.4. Обучение нейронных сетей 15
1.3 Обзор и сравнение фреймворков для работы с нейронными сетями 16
2 Анализ проблемы 19
2.1 Описание проблемы выбора специальности и направления 19
2.2 Анализ текущего подхода к проблеме 20
2.3 Выбор подхода для решения проблемы с использованием нейронной
сети 21
3 Сбор и обработка данных 23
3.1 Описание источника данных 23
3.2 Разработка и описание программы для сбора данных 23
3.3 Обработка и подготовка данных для обучения нейронной сети 24
3.4 Предобработка данных и выбор подходящих признаков 26
4 Разработка и реализация 27
4.1 Выбор и описание архитектуры нейронной сети 27
4.2 Описание алгоритма обучения нейронной сети 28
4.3 Разработка веб-ресурса 29
4.3.1 Выбор инструментов и технологий для разработки веб-ресурса 29
4.3.2 Разработка веб-сайта 32
4.3.3 Проектирование и описание интерфейса пользователя 33
4.3.4 Интеграция нейросети в веб-ресурс 34
5 Тестирование и оценка 35
5.1 Описание процедуры тестирования нейронной сети 35
5.2 Оценка эффективности нейронной сети 36
5.3 Тестирование веб-ресурса 37
5.4 Оценка пользовательского опыта 39
ЗАКЛЮЧЕНИЕ 40
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ
Обоснование актуальности темы и постановка проблемы. Актуальность темы данной дипломной работы обусловлена важностью вопроса выбора вуза и специальности для абитуриентов и значительной роли, которую играют при этом баллы за ЕГЭ. Выбор профессии и направления обучения — это сложный и ответственный этап в жизни каждого абитуриента. От этого выбора зависит не только процесс обучения в вузе, но и дальнейшая карьера, а следовательно, и качество жизни.
Сложность выбора обусловлена большим разнообразием профессий и направлений, доступных для обучения в современных вузах, а также неопределенностью в отношении требований, предъявляемых к
абитуриентам. В этом контексте возникает проблема - как сделать процесс выбора более обоснованным и предсказуемым.
Именно здесь на помощь приходит технология искусственного интеллекта, в частности нейронные сети. Используя данные о баллах абитуриента и его предпочтениях относительно специальности, нейронные сети могут предсказать вероятность поступления на выбранное направление. Это позволяет абитуриентам делать более обоснованный выбор и увеличивает их шансы на успех.
Таким образом, разработка веб-ресурса с использованием нейронной сети для предсказания вероятности поступления абитуриентов в вуз является актуальной и значимой задачей. Важность этой задачи подтверждается растущим интересом к применению технологий искусственного интеллекта в образовательной сфере и потенциалом улучшения качества процесса выбора вуза и специальности для абитуриентов.
Цель и задачи исследования. Целью данной дипломной работы является разработка веб-ресурса, использующего нейронную сеть для предсказания вероятности поступления абитуриента на выбранную специальность в вузе на основе введенных им баллов и выбранного направления обучения.
Достижение этой цели предполагает решение следующих задач:
1) Проанализировать и изучить основные принципы работы нейронных сетей, а также их применение в задачах предсказания.
2) Разработать программу для сбора и обработки данных из рейтинговых таблиц вуза, которые будут использоваться в качестве обучающих данных для нейронной сети.
3) Разработать и обучить нейронную сеть, которая будет способна на основе этих данных предсказывать вероятность поступления абитуриента на выбранную специальность.
4) Создать веб-ресурс, на котором абитуриенты смогут ввести свои баллы и выбранное направление обучения, а нейронная сеть предсказывать вероятность их поступления на выбранную специальность.
5) Провести тестирование и оценку эффективности разработанного вебресурса и нейронной сети.
Выполнение этих задач позволит создать инструмент, который может помочь абитуриентам сделать обоснованный выбор вуза и специальности, а также повысить их шансы на успешное поступление.
Обзор методологии и подходов к исследованию. Для достижения поставленной цели и решения задач в работе используются следующие методы и подходы:
Аналитический подход: сначала проводится анализ литературы и исследований по применению нейронных сетей в задачах предсказания, что помогает обосновать выбор такой технологии для решения поставленной проблемы.
Программирование и обработка данных: затем разрабатывается программа для сбора и обработки данных из рейтинговых таблиц вуза. Данные преобразуются в формат, который может быть использован для обучения нейронной сети.
Методы машинного обучения: далее на основе собранных данных обучается нейронная сеть, которая способна предсказывать вероятность поступления на выбранную специальность.
Веб-разработка: после обучения нейронной сети создается веб-ресурс, где пользователи могут ввести свои данные, а нейронная сеть предсказывает вероятность их поступления на выбранную специальность.
Тестирование и оценка: в конце проводится тестирование и оценка эффективности разработанного веб-ресурса и нейронной сети. Это включает оценку точности предсказаний нейронной сети и удобства использования веб-ресурса.
Все эти методы и подходы в совокупности позволяют решить поставленную задачу и достичь цели исследования.
Обобщение полученных результатов.
В результате данной работы был успешно реализован проект, целью которого было создание веб-сайта, использующего нейросеть для предсказания вероятности поступления студента в университет на основе его баллов ЕГЭ. Стоит отметить следующие ключевые результаты и выводы:
1. Парсинг данных: был разработан парсер для сбора и обработки рейтинговых списков ТГУ, которые использовались как обучающие данные для нейросети. Это позволило создать специфичный для этой задачи набор данных, который стал основой для обучения и тестирования нейросети.
2. Разработка и обучение нейросети: была разработана и успешно обучена нейросеть на ml5js, которая показала достаточно высокую точность предсказаний на тестовых данных. Это подтверждает её способность к адекватному предсказанию вероятности поступления студента на основе его баллов ЕГЭ.
3. Разработка и интеграция нейросети в веб-сайт: веб-сайт был
разработан с нуля и успешно интегрирована в него нейросеть, что позволяет пользователям вводить свои баллы ЕГЭ и получать прогноз о возможности их поступления.
4. UX и тестирование: в ходе работы была проведена оценка
пользовательского опыта и тестирование функциональности веб-сайта. Полученные результаты позволяют сделать вывод о его удобстве и эффективности.
Таким образом, можно сказать, что основная цель проекта была достигнута. Полученное решение представляет собой полностью работоспособный веб-сайт, который может помочь абитуриентам оценить их шансы на поступление в ТГУ по баллам ЕГЭ. Однако следует учесть, что эффективность нейросети может варьироваться в зависимости от качества входных данных и её обучения. В будущем, для улучшения точности предсказаний, может потребоваться переобучение модели на новых данных.
Выводы по работе.
1. Реализация проекта подтвердила, что нейросети могут быть эффективно
применены в области образования для предсказания вероятности поступления студента в университет на основе баллов ЕГЭ. Это может стать полезным инструментом для абитуриентов, позволяя им оценить свои шансы и, при необходимости, скорректировать стратегию подготовки к ЕГЭ.
2. Разработка веб-сайта с нуля и его интеграция с нейросетью показали, что
при помощи современных фреймворков, таких как ml5.js, можно создавать довольно сложные и функциональные веб-приложения, работающие прямо на стороне клиента.
3. Тестирование веб-сайта и оценка пользовательского опыта показали его
удобство и практичность для конечного пользователя. Однако, как и любой продукт, он может быть улучшен по мере получения отзывов и предложений от пользователей.
4. Необходимость разработки парсера для сбора и обработки данных
подчеркнула важность этапа предобработки данных в проектах, связанных с машинным обучением. Качество исходных данных напрямую влияет на точность предсказаний нейросети.
...
1. Браун Э. Изучаем JavaScript: руководство по созданию современных вебсайтов. Москва: Издательство «Вильямс», 2017. - с 368.
2. Кантелон М., Янг А., Мек Б. Nodejs в действии. Санкт-Петербург: Издательство "Питер", 2014. - с 448.
3. Шакла Н. Машинное обучение и TensorFlow. Санкт-Петербург: Издательство "Питер", 2018. - с 336.
4. Дакетт Д. HTML и CSS. Разработка и дизайн веб-сайтов. Москва: Издательство «Эксмо», 2020. - с 480.
5. Макфарланд Д. Новая большая книга CSS. Санкт-Петербург: Издательство "Питер", 2014. - с 720.
6. TensorFlowjs: Machine Learning for the Web and Beyond. (2023).
[Электронный ресурс]. URL: https://www.tensorflow.org/js (дата
обращения: 22.05.2023).
7. MDN Web Docs. JavaScript Guide. (2023). [Электронный ресурс]. URL: https://developer.mozilla.org/ru/docs/Web/JavaScript/Guide (дата обращения: 22.05.2023).
8. Справочник по HTML. (2023). [Электронный ресурс]. URL:
http://htmlbook.ru/html (дата обращения: 22.05.2023).
9. Современный учебник JavaScript. (2023) [Электронный ресурс]. URL: https://learn.javascript.ru/ (дата обращения: 22.05.2023).
10. ml5js Friendly Machine Learning For The Web. (2023) [Электронный
ресурс]. URL: https://ml5js.org/ (дата обращения: 22.05.2023).