782 «Молодой учёный»
. № 6 (65)
. Май, 2014 г.
Педагогика означает способность сети правильно решать задачу с данными, которые оказываются аналогичны данным, предъяв-
лявшимся сети в процессе обучения, но отличными от них.
Рассмотрим подробнее исследуемые нами нейронные сети в применении к задаче адаптивного обучения.
Пусть
Х — входной сигнал,
Y — выходной сигнал нейронной сети. Необходимо построить отображение
X → Y такое,
чтобы на каждый возможный входной сигнал
X формировался правильный выходной сигнал
Y . Отображение задается
конечным набором пар (<вход>, <известный выход>). Число таких пар (обучающих примеров) существенно меньше
общего числа возможных сочетаний значений входных и выходных сигналов. Совокупность всех обучающих примеров
носит название обучающей выборки. В задаче компьютеризованного адаптивного обучения
Х — набор параметров мо-
дели обучаемого,
Y — код, определяющий методику обучения, соответствующую текущим значениям параметров МО.
В нейронной сети, основанной на модели Хопфилда,
Х — набор параметров, представленный матрицей (
N×M ) кон-
кретного обучаемого. Следовательно, количество нейронов в сети —
Т = N*M. Y — представляет собой образец ма-
трицы (
N×M ), соответствующей одной из методик обучения. Известно, что сеть Хопфилда при наличии
Т нейронов
способна запомнить примерно 0,15*Т образцов. В нашем примере Т = 5*12 = 60, и, следовательно, количество об-
разцов равно 9, что позволяет использовать достаточное количество разнообразных методик в процессе обучения. Не-
достатком сети Хопфилда является то, что на выходе сети получается сам образец, характеризующий методику об-
учения, что в нашем случае избыточно, достаточно лишь выявить тип рекомендуемой методики. Другим недостатком
является большое число нейронов сети, что может влиять на время получения результирующего решения сети. Про-
граммная реализация сети Хопфилда обеспечивает эксперимент с параметрами модели обучаемого и определением со-
ответствующих методик обучения.
В нейронной сети Хемминга входные сигналы Х соответствуют набору параметров обучаемого, количество входных
сигналов —
Т = N*M . Число нейронов сети равно числу образцов, т. е. числу предлагаемых методик. Выходные сигналы
Y соответствуют образцам и представляют собой вектор с одним единичным значением. Сеть Хемминга решает задачу
классификации, т. е. соотносит входные сигналы с одним выходным сигналом. Недостатком сети является удачное рас-
познавание только слабо зашумленных наборов входных сигналов.
Практическая реализация сетей обеих моделей позволяет в ходе эксперимента выяснить следующее: какая модель
точнее решает задачу выбора предпочтительной методики обучения на основе параметров МО; какой параметр МО
несет определяющее влияние при выборе методики обучения; каким образом сеть обрабатывает тупиковые ситуации,
т. е. ситуации, в которых невозможно распознать предлагаемый входной набор.
Итак, модели НС Хопфилда и Хемминга позволяют выделить наиболее эффективную методику обучения для кон-
кретного субъекта обучения. Авторами ведется эксперимент, в рамках которого строятся модели обучаемых — сту-
дентов 1, 2 курса специальностей «прикладная математика и информатика», «математика», «физика» Ургенчского го-
сударственного университета. Не меньший интерес в реальном учебном процессе представляет использование такой
модели нейронной сети как многослойный персептрон. Основным применением этой модели является решение задачи
прогнозирования. Например, с использованием модели многослойного персептрона можно решать задачу построения
прогноза сдачи сессии студентами некоторой группы. В качестве априорных данных для обучения сети используется ин-
формация о сдаче этой группой предыдущих сессий, о сдаче этой сессии другими группами прошлых лет.
Результаты рассмотренной модели обучения субъекта на основе нейросетевых технологий могут быть использо-
ваны:
Для построения адаптивных компьютерных обучающих и контролирующих систем (АКОС);
Для более глубокого понимания и дальнейшего развития теории построения и обучения искусственных нейронных
сетей;
Для более широкого внедрения нейронных технологий в вузовскую систему обучения, в частности, для прогнозиро-
вания уровня знаний, умений, навыков студентов по конкретным предметам, направлениям специальностей, что позво-
льяет своевременно внести соответствующие корректировки методики обучения в целом.
Литература:
1. Кольцов, Ю. В., Добровольская Н. Ю., Подколзин В. В. Метамодель компьютерной системы обучения. //Со-
временные проблемы школьной и вузовской педагогики. Краснодар, КубГУ, 1998.
2. Юсупов, Ф., Юсупов Д. Ф., Раззаков Б. Повышение эффективности изучения курса информатика на основе
структурно-логической граф схемы дисциплины / Высшее образование сегодня. — М.: 2011, № 11. — с. 46– 49.
3. Ермаков, А. В. Методика обучения структурированию учебной информации как основа управления учебно-по-
знавательной деятельностью учашихся на уроках физики / А. В. Ермаков, О. В. Аквилева//Матереалы по теории
и методике обучение физике. Вып, 9. — Н. Новгород: НГПУ, 2007. — с. 43–46.
4. Рудковская, Д., Пилиньский М., Рудковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы:
Пер. с польск. И. Д. Рудинского. — М.: Горячая линия. — Телеком, 2006. — 452 с.