📄Работа №60354
Тема: РЕАЛИЗАЦИЯ МЕХАНИЗМОВ ПОДДЕРЖКИ ИНДИВИДУАЛИЗИРОВАННОГО ОБУЧЕНИЯ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМАХ
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
35 листов
Год:
2017
Просмотров:
315
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 5
ГЛАВА 1. ИНДИВИДУАЛИЗАЦИЯ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ
СИСТЕМАХ 8
1.1. Интеллектуальные обучающие системы 8
1.2. Рекомендательные системы 10
ГЛАВА 2. МОДЕЛЬ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ 13
2.1. Требования к системе 13
2.2. Алгоритмы машинного обучения 13
2.2.1. Регрессионная модель 14
2.2.2. RandomForest 15
2.2.3. Deep Learning 16
2.3. Выбор модели для реализации 17
ГЛАВА 3. РЕАЛИЗАЦИЯ СИСТЕМЫ 19
3.1. Выбор технологий для реализации 19
3.2. Модель студента 19
3.3. База данных тем, заданий, навыков 22
3.4. Функции-хендлеры 23
3.5. Линейная регрессия 27
3.6. Регуляризация весов хендлеров 30
3.7. Работа системы 31
ЗАКЛЮЧЕНИЕ 33
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 34
ГЛАВА 1. ИНДИВИДУАЛИЗАЦИЯ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ
СИСТЕМАХ 8
1.1. Интеллектуальные обучающие системы 8
1.2. Рекомендательные системы 10
ГЛАВА 2. МОДЕЛЬ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ 13
2.1. Требования к системе 13
2.2. Алгоритмы машинного обучения 13
2.2.1. Регрессионная модель 14
2.2.2. RandomForest 15
2.2.3. Deep Learning 16
2.3. Выбор модели для реализации 17
ГЛАВА 3. РЕАЛИЗАЦИЯ СИСТЕМЫ 19
3.1. Выбор технологий для реализации 19
3.2. Модель студента 19
3.3. База данных тем, заданий, навыков 22
3.4. Функции-хендлеры 23
3.5. Линейная регрессия 27
3.6. Регуляризация весов хендлеров 30
3.7. Работа системы 31
ЗАКЛЮЧЕНИЕ 33
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 34
📖 Введение
Преподавание информационных технологий в высших учебных заведениях сталкивается с целым рядом проблем. Наиболее остро стоит проблема достижения высокого качества подготовки студентов в условиях ограниченности ресурсов (временных, кадровых, финансовых). Обеспечение высокого качества подготовки студентов требует от преподавателя индивидуализированного подхода к каждому студенту. Необходимо адаптировать учебные материалы, их способы подачи, сложность и темпы обучения к индивидуальным особенностям студента, отслеживать его успехи в процессе обучения, предоставлять каждому студенту необходимое время на отработку навыков, предлагать соответствующие задачи, вовремя вносить необходимые корректировки в деятельность как обучающегося, так и преподавателя. С другой стороны, образовательные учреждения стремятся к повышению экономической стабильности, увеличивая размеры академических групп при сохранении кадрового состава, тем самым повышая нагрузку на преподавателей. Одним из решений описанной проблемы может стать переход к смешанной модели обучения с использованием дополнительных интеллектуальных обучающих систем, в которых автоматизировано выполнение некоторых трудоемких для преподавателя функции, ограничивающих его возможности в проявлении индивидуального подхода к каждому учащемуся.Такая модель организации учебного процесса поможет студенту плодотворно учиться, планировать свое учебное время и контролировать учебный процесс, что несомненно приведет к повышению качества его обучения.
Важной составляющей автоматизированных обучающих систем является интеллектуальная подсистема контроля знаний, которая предоставляет возможность автоматической проверки работ студентов и мгновенного получения результатов онлайн для их последующего анализа. Это позволяет существенно изменить подход к контролю знаний на занятиях как количественно (с точки зрения количества и объема контрольных мероприятий), так и качественно (с точки зрения адаптации контрольных мероприятий индивидуально к уровню каждого конкретного учащегося).
Такое понятие как «проверка работ» преподавателем фактически перестает существовать, хотя до сих пор встречаются автоматизированные системы контроля знаний, не просто использующие данное понятие, но и построенные с выделением проверки работ в отдельный этап[1].
Перенос наиболее трудоемких функций проверки и анализа результатов аттестации с плеч преподавателя на автоматизированную систему контроля знаний позволяет прибегать к подобному виду контроля не только в редких случаях промежуточных и итоговых аттестаций (например, коллоквиумов и зачетов), а сделать его использование частым, и в лучшем случае - постоянным. Актуальность темы высока, поскольку снятие нагрузки с педагога — это не только освободить его время, но и повысить качество обучения, а интеллектуальную систему сделать полноправным участником
образовательного процесса. Педагог может формировать комплект заданий с учетом особенностей конкретного учащегося. Здесь может быть и учет уровня подготовки (слабые студенты получают вопросы начального уровня, сильные - более сложного), и учет ранее совершенных ошибок (специально добавляются вопросы на проверку усвоения тем, в которых ранее были допущены ошибки) и просто индивидуализация задания.
В идеале интеллектуальные системы должны уметь автоматически создавать типовые задания на основе уже имеющихся, а также необходимо производить своевременное обновление базы данных заданий.Нужно отметить, что постоянный контроль знаний студента со стороны интеллектуальной системы является достаточно объективным, что обусловлено переносом акцента с карательной функции на информативную. Таким образом, студент привыкнет к постоянному контролю и не будет его избегать, а также пытаться находить пути повышения своего академического рейтинга или оценки . Педагог же получает всю статистику и информацию о знаниях студента, тем самым имея возможность вручную корректировать учебный процесс.
С другой стороны, такой подход в обучении студента при помощи интеллектуальной индивидуализированной системы позволяет управлять процессом обучения, например, корректировать план и образовательные программы, повышать заинтересованность студентов в самообразовании.
Цель - разработать рекомендательную подсистему для интеллектуальной обучающей системы, которая будет предлагать студенту задания, исходя из его уровня знаний и навыков.
Для достижения поставленной цели необходимо решить задачи:
1. Определить требования к рекомендательной системе;
2. Выбрать модель и инструменты для реализации рекомендательной системы;
3. Разработать функции-хендлеры для подбора заданий, соответствующих уровню знаний студента;
4. Разработать программный модуль рекомендательной системы.
Важной составляющей автоматизированных обучающих систем является интеллектуальная подсистема контроля знаний, которая предоставляет возможность автоматической проверки работ студентов и мгновенного получения результатов онлайн для их последующего анализа. Это позволяет существенно изменить подход к контролю знаний на занятиях как количественно (с точки зрения количества и объема контрольных мероприятий), так и качественно (с точки зрения адаптации контрольных мероприятий индивидуально к уровню каждого конкретного учащегося).
Такое понятие как «проверка работ» преподавателем фактически перестает существовать, хотя до сих пор встречаются автоматизированные системы контроля знаний, не просто использующие данное понятие, но и построенные с выделением проверки работ в отдельный этап[1].
Перенос наиболее трудоемких функций проверки и анализа результатов аттестации с плеч преподавателя на автоматизированную систему контроля знаний позволяет прибегать к подобному виду контроля не только в редких случаях промежуточных и итоговых аттестаций (например, коллоквиумов и зачетов), а сделать его использование частым, и в лучшем случае - постоянным. Актуальность темы высока, поскольку снятие нагрузки с педагога — это не только освободить его время, но и повысить качество обучения, а интеллектуальную систему сделать полноправным участником
образовательного процесса. Педагог может формировать комплект заданий с учетом особенностей конкретного учащегося. Здесь может быть и учет уровня подготовки (слабые студенты получают вопросы начального уровня, сильные - более сложного), и учет ранее совершенных ошибок (специально добавляются вопросы на проверку усвоения тем, в которых ранее были допущены ошибки) и просто индивидуализация задания.
В идеале интеллектуальные системы должны уметь автоматически создавать типовые задания на основе уже имеющихся, а также необходимо производить своевременное обновление базы данных заданий.Нужно отметить, что постоянный контроль знаний студента со стороны интеллектуальной системы является достаточно объективным, что обусловлено переносом акцента с карательной функции на информативную. Таким образом, студент привыкнет к постоянному контролю и не будет его избегать, а также пытаться находить пути повышения своего академического рейтинга или оценки . Педагог же получает всю статистику и информацию о знаниях студента, тем самым имея возможность вручную корректировать учебный процесс.
С другой стороны, такой подход в обучении студента при помощи интеллектуальной индивидуализированной системы позволяет управлять процессом обучения, например, корректировать план и образовательные программы, повышать заинтересованность студентов в самообразовании.
Цель - разработать рекомендательную подсистему для интеллектуальной обучающей системы, которая будет предлагать студенту задания, исходя из его уровня знаний и навыков.
Для достижения поставленной цели необходимо решить задачи:
1. Определить требования к рекомендательной системе;
2. Выбрать модель и инструменты для реализации рекомендательной системы;
3. Разработать функции-хендлеры для подбора заданий, соответствующих уровню знаний студента;
4. Разработать программный модуль рекомендательной системы.
✅ Заключение
В рамках дипломной работы были сформулированы требования к рекомендательной системе, на основе которых была выбрана регрессионная модель рекомендаций и инструменты для ее реализации: язык
программирования Python с использованием библиотек SciPy и SkLearn. Учитывая выбранную модель и технический инструментарий,был реализован программный модуль, который готов к внедрению в обучающую систему, а также разработаны хендлеры, подбирающие задания для рекомендации.Данная система способна отслеживать успехи студента, определять темы и задания, в которых студент испытывает затруднения и на основе этого предлагать актуальные задания для студента, которые помогут ему улучшить знания по малоизученным темам, а также развить компетенции путем решения рекомендованных заданий.
Система готова к работе с моделями оценки решений и допускает добавления неограниченного количества функций-хендлеров, важность которых будет также определяться в зависимости от реакции студентов.
Модернизировать и совершенствовать систему можно, добавляя разные хендлеры: например, используя информацию об изученных и неизученных темах, можно предлагать такие задания, после решения которых у студента формируются компетенции, необходимые для решения интересных ему заданий; также планируется проработка ситуации по выдаче рекомендаций студенту, который не имеет достаточного объема накопленных данных.
Программный модуль рекомендательной системы выложен в открытый доступ на сайте github.com: https://github.com/mishauni13/recommender-system. Акт о внедрении программного модуля прикреплен в приложении.
программирования Python с использованием библиотек SciPy и SkLearn. Учитывая выбранную модель и технический инструментарий,был реализован программный модуль, который готов к внедрению в обучающую систему, а также разработаны хендлеры, подбирающие задания для рекомендации.Данная система способна отслеживать успехи студента, определять темы и задания, в которых студент испытывает затруднения и на основе этого предлагать актуальные задания для студента, которые помогут ему улучшить знания по малоизученным темам, а также развить компетенции путем решения рекомендованных заданий.
Система готова к работе с моделями оценки решений и допускает добавления неограниченного количества функций-хендлеров, важность которых будет также определяться в зависимости от реакции студентов.
Модернизировать и совершенствовать систему можно, добавляя разные хендлеры: например, используя информацию об изученных и неизученных темах, можно предлагать такие задания, после решения которых у студента формируются компетенции, необходимые для решения интересных ему заданий; также планируется проработка ситуации по выдаче рекомендаций студенту, который не имеет достаточного объема накопленных данных.
Программный модуль рекомендательной системы выложен в открытый доступ на сайте github.com: https://github.com/mishauni13/recommender-system. Акт о внедрении программного модуля прикреплен в приложении.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.