ВВЕДЕНИЕ 6
1 ОБРАБОТКА ДАННЫХ С ИСПОЛЬЗОВАНИЕМ СИСТЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 9
1.1 СИСТЕМЫ СБОРА И ОБРАБОТКИ АНКЕТНЫХ ДАННЫХ 9
1.2 СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 27
1.3 ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ СИСТЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 40
1.4 ВЫВОДЫ ПО РАЗДЕЛУ 46
2 РАЗРАБОТКА МЕТОДИКИ ИСПОЛЬЗОВАНИЯ СИСТЕМ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ОБРАБОТКЕ АНКЕТНЫХ ДАННЫХ 47
2.1 ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
ПРИ СБОРЕ И ОБРАБОТКЕ ДАННЫХ 47
2.2 СИСТЕМЫ СБОРА И ООБРАБОТКИ ДАННЫХ 49
2.3 ВЫВОДЫ ПО РАЗДЕЛУ 55
3 ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
ПРИ СБОРЕ И ОБРАБОТКЕ АНКЕТНЫХ ДАННЫХ 57
3.1 ОБЩАЯ ХАРАКТЕРИСТИКА ОРГАНИЗАЦИИ 57
3.2 СИСТЕМА СБОРА И ОБРАБОТКИ ДАННЫХ ОПРОСА
СТУДЕНТОВ «AS-IS» 76
3.3 СИСТЕМА СБОРА И ОБРАБОТКИ ДАННЫХ ОПРОСА
СТУДЕНТОВ «TO-BE» 81
3.4 ЭКОНОМИЧЕСКО ОБОСНОВАНИЕ 83
3.5 ВЫВОДЫ ПО РАЗДЕЛУ 94
ЗАКЛЮЧЕНИЕ 95
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 97
Купить

Обработка анкетных данных - трудоёмкий процесс, особенно в учебных заведениях, ведь необходимо собрать данные с многочисленного числа студентов. В результате сбора данных интервьюер имеет большое количество анкет. Ответы на опрос не подлежат отбору, то есть какие из них следует учитывать, а какие бесполезны, так потребуется дополнительные трудовые ресурсы, что означает увеличение затрат.
Выбор темы диссертации обуславливается сложившейся проблемой, описанной выше. Для автоматизации процесса отбора анкетных данных были разработаны и обучены алгоритмы машинного обучения, классификаторы, которые определяют для заполненной анкеты: будет ли она учтена для анализа эффективности учебного процесса.
Объект исследования - система сбора и обработки анкетных данных отдела диспетчеризации ВШЭМ УрФУ.
Предмет исследования - автоматизация процесса ранжирования анкетных данных по релевантности.
Целью данной работы является автоматизация процесса отбора анкетных данных в дистрибутиве Python Anaconda с использованием алгоритмов машинного обучения.
Для достижения цели поставленной в данной работе были определены следующие задачи:
• рассмотреть теоретические основы систем сбора и обработки данных;
• изучить системы искусственного интеллекта и программное обеспечение систем ИИ;
• проанализировать деятельность службы диспетчеризации ВШЭМ УрФУ и предоставить решение для более эффективной работы;
• автоматизировать процесс отбора анкетных данных в дистрибутиве Python Anaconda с использованием алгоритмов машинного обучения;
• определить эффективность автоматизации отбора анкетных данных для службы диспетчеризации ВШЭМ УрФУ.
Структура магистерской диссертации представлена введением, тремя разделами, заключением и списком использованной литературы.
Используемые методы исследования
• анализ литературы и нормативно-правовых документов по теме исследования;
• изучение и обобщение сведений;
• сравнение явлений и качеств;
• моделирование (получение информации о предмете через созданную модель;
• измерение (получение количественных данных).
Степень разработанности темы
Проблема автоматизации обработки данных является довольно разработанной и освещалась ранее в научных работах многих известных специалистов. Но данные работы не могут полностью быть применены для решения частного случая, а именно - для автоматизации отбора данных для последующей обработки. Это связано с тем, что нет единого подхода для автоматизации обработки данных. Данная магистерская работа направлена на решение конкретных задач, описанных выше.
Основные пункты научной/методологической новизны диссертации
В ходе написания магистерской диссертации был проведен анализ литературы и нормативно-справочной документации, по результатам исследования был написан классификатор, который определяет для заполненной анкеты: будет ли она учтена для анализа эффективности учебного процесса.
Практическая значимость исследования
В ходе создания данного проекта был автоматизирован процесс отбора анкетных данных. Разработка классификатора, безусловно, полезна документоведам и всему преподавательскому составу ВШЭМ УрФУ. Так как 7
сократятся трудозатраты при дальнейшей обработке данных, оценки, полученные по результатам обработки анкет будут отражать действительное качество обучения.
Эмпирическая база
При написании магистерской диссертации были учтены результаты собственных исследований, исследований других авторов, нормативные документы и иные источники.
Структура диссертации
Диссертация состоит из введения, трех разделов, заключения, списка литературы.
Первый раздел является теоретической базой магистерской работы, в нем рассмотрены существующие системы сбора и обработки данных. Изучены системы искусственного интеллекта и программное обеспечение для данных систем.
Во втором разделе раскрыт вопрос применения систем искусственного интеллекта при сборе и обработке данных, представлены разработанные классификаторы.
Третий раздел включает в себя общую характеристику ВШЭМ УрФУ, полную модель отдела диспетчеризации ВШЭМ, модели «as-is» и «to-be». Также в данной части работы представлено экономическое обоснование проекта: затраты на проект, эффективность от внедрения.
В качестве теоретической базы были использованы статьи и учебные пособия отечественных и зарубежных авторов, программа развития Института «Высшая школа экономики и менеджмента Уральского федерального университета им. первого Президента России Б.Н. Ельцина».
В процессе выполнения работы были использованы следующие инструменты: BPWin, MS Excel, MS Word.
Купить