Часть VI issn 2072-0297
жүктеу/скачать 2,45 Mb. Pdf көрінісі
|
moluch 65 ch6
| 781
“Young Scientist” . #6 (65) . May 2014 Education тимальной методики обучения сводится к задаче классификации обучаемых, другими словами следует установить со- ответствие между обучаемым и методикой обучения. При этом, на наш взгляд, важно учитывать не только значения параметров обучаемого в различные моменты времени, но и динамику их изменения. В простейшем случае такую ди- намику характеризует скорость изменения параметров (производная функции параметра). Другой важный аспект МО, влияющий на эффективность процесса обучения — отношения типа субъект — субъект. Такие отношения, в конечном итоге, определяют взаимовлияние субъектов обучения. Сюда можно отнести конкуренцию, взаимопомощь и т. п. В качестве математического аппарата, решающего задачу классификации обучаемого нами предлагается ней- ронная сеть (НС). Нейронные сети достаточно эффективно решают задачу распознавания образов и задачу классифи- кации [4,5]. Рассмотрим процесс проектирования соответствующей НС. В последние десятилетия интенсивно происходит интеллектуализация многих сфер деятельности, в том числе сферы образования. Одно из направлений — автоматизация процессов обучения и контроля уровня знаний обучаемых в целях, прежде всего, интенсификации процесса обучения, повышения качества обучения, коррекции программ обучения. В исследованиях искусственных нейронных сетей, предназначенных для решения задач автоматизации обучения и контроля знаний было отмечено, что обобщение опыта обучения людей, фактически обладающих биологической ней- ронной сетью, может дать много аналогий для организации обучения искусственных нейронных сетей, используемых не только в образовательной сфере. При этом, на нынешнем этапе наиболее важным является исследование психо- лого-педагогических аспектов обучения, имеющих некоторую аналогию в уже накопившемся опыте обучения искус- ственных интеллектуальных систем, обладающих определенным уровнем интеллекта. Нейронные сети являются адаптивными обучающимися системами, извлекающими информацию из реальных про- цессов, которые динамически промоделировать трудно, т. к. они содержат много скрытых неконтролируемых параме- тров. Применение нейронных сетей позволяет решать задачи, которые трудно или невозможно решать традиционными методами в силу отсутствия формализованных математических описаний процессов функционирования. Нейронные сети в процессе работы накапливают информацию, и эффективность их со временем возрастает. Использование обу- чаемых нейронных сетей позволяет сделать диагностический контроль объективным и расширить его применение. Оценка качества обучения имеет как общие закономерности, так и частные — в зависимости от конкретной об- ласти применения. На первый взгляд, подчеркнем, упрощенный взгляд, наиболее распространенная система оценки качества обучения, является система, в которой решается задача классификации, т. е. отнесение результата к тому или иному классу оценок (например, типичные классы оценок «R1-неудовлетворительно», «R2-удовлетворительно», «R3-хорошо», «R4-отлично»). } 4 3 2 1 { R R R R R ∨ ∨ ∨ = . Проанализировав и перебрав все возможные ситуации, с учетом одинакового принимаемого решения получим си- стему логических высказываний — предикатов как основу формализации задачи обучения при построении нейросети: Тогда, например, первое логическое высказывание означает: «Если преподаватель 1 объясняет вопрос 1 соответ- ственно один из методов аналитического, образного и эвристического представления знаний, то результатом обучения будет решение R1 либо R2, либо R3, либо R4. Первым шагом здесь является выбор соответствующей модели сети. Мы остановимся на моделях Хопфилда и Хем- минга [4, 5]. Эти модели обычно используются для организации ассоциативной памяти. Следующим шагом — явля- ется выбор параметров обучения сети. Входной слой НС, в нашем случае соответствует набору параметров обучаемого, представленному матрицей кортежей. Далее следует определить топологию сети, т. е. число элементов и их связи. Здесь мы не будем подробно останавливаться на этом вопросе, так как он подробно освещен в большом количестве публи- каций. Следующий этап проектирования — обучение сети. Типичной формой такого обучения является управляемое об- учение [4, 5], когда для каждого набора данных, подающегося в процессе обучения на вход сети, соответствующий выходной набор известен. Данные, используемые для обучения нейронной сети, разделяются на две категории: одни данные используются для тестирования сети, а другие для обучения. Реальные качества нейронной сети выявляются только во время тестирования, поскольку успешное завершение обучения сети должно означать отсутствие признаков неправильной работы сети во время ее тестирования. Процесс тестирования следует реализовать так, чтобы в его ходе для данной сети можно было бы оценить ее способность обобщать полученные знания. Обобщение в данном случае |