Часть VI issn 2072-0297
жүктеу/скачать 2,45 Mb. Pdf көрінісі
|
moluch 65 ch6
| 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. |