Тараз мемлекеттік педагогикалық институтының хабаршысы ғылыми-педагогикалық журнал вестник таразского государственного педагогического института научно-педагогический журнал

Бұл жұмыста қателерді азайтуға, машиналық ойлауды жақсартуға мүмкіндік беретін интеллектуалды жүйелерді тану технологиясы қарастырылады. Зерттелетін жұмыс бейненің масштабын, бағытын, көлбеуінің өзгертулері шарттарында тануды көтеруге мүмкіндік береді.

Ең басынан кибернетиканың дамуы барысында бейнелерді машиналық қабылдау, көбінесе зерттеу және зердені модельдеу, сонымен қатар орта туралы жалпыланған білім жүйесін құру мен қатар шешім қабылдау процесінде осы білімді қолдану сияқты айқын құрылымды ойлар үшін таңдалды. Көру ақпаратын қабылдау-модельдеу үшін тиімді және практикалық мәнді көрсетілді.

Машиналық көруді қабылдау тапсырмаларын толық шешу үшін «интеллектуалды (зерделілік)» тану немесе «түсінумен» тану керек. Тіпті жиі қабылдауға ой түсіруге ұмтылған. Ой және қабылдау тығыз байланыста, бірақ бұлар бірдей деген сөз емес. Сондықтан жанды қабылдауды зерттеу (ең бірінші көру) сөзсіз ойлау процесін түсіну үшін пайдалы, бірақ мәселені толықтай шешпейді. Сол уақытта, көру ақпаратының автоматты анализі мен техникалық жүзеге асыруға ұмтылу облысында практикалық жұмыстардың бағдары нақты мәселе ауысымына әкелді. Бейнелерді танып процесін, бөліп қарастырылатын қарапайым объекттердің белгілері бойынша классификацияға келтіру арқылы жеңілдетіп қарастыру қажет болды. Бұл бағыт «Бейнені тану» деп аталды.

Бейнелерді тануды «Жасанды зерде» бағытына жатқызбады, солайша жасанды зерде тапсырмаларына қарағанда бейнелерді тануда жақсы өңделген математикалық ақпарат пайда болды, және қиын емес объекттер үшін практикалық жұмыс істейтін тану жүйесін құру мүмкін болды. Нәтижесінде, бейнелерді дәстүрлі тану, бір жағынан, қиын бейнелердің машиналық анализі тапсырмаларын шешпейді, және басқа жағынан, зердені модельдеу үшін нақты құрылғы болып табылмайды.

Кез-келген тану үшін өлшем қажет немесе танылатын объекттер классының моделі қажет. Тану әдістерінің классификациясы қолданылатын өлшемдердің типтері немесе танитын жүйеге кірерде объекттерді көрсету әдісі бойынша болуы мүмкін. Бейнелерді тану жүйелерінің көбіне растрлық, белгілілік немесе құрылымдық әдістер қолданылады.

Растрлық әдіске бейне болатын өлшемдер, немесе бейненің қандайда бір препараты сәйкес келеді Бейнелерді тану кезінде, нүктелік растр түрінде берілген кіріс бейнесі барлық өлшемдермен дәлме-дәл сәйкестендіріледі, және қай өлшеммен барынша ұқсас екендігі анықталады. Кірістік және өлшемдік бейнелер бірдей мөлшермен және бір бағдарлы болу керек. Мысалы, баспа текстін көпшрифтілі танушыларда бұл әртүрлі шрифттермен ғана емес, сонымен бірге бір шрифтпен әр түрлі мөлшерлі символдар үшін әр түрлі өлшемдер құрумен жетеді. Қолжазбалық символдарды осындай әдіспен тану олардың өте үлкен вариабельді пішіні, мөлшері және бағыты бойынша мүмкін емес.

Сонымен қатар, кірістік бейнелерді стандартты мөлшер мен бағдарға келтірумен растрлық тануды қолдану әдісі болуы мүмкін. Бұл жағдайда қолжазбалық символдарды растрлық әдіспен тану мүмкін болады. Жалпы жағдайда, растрлық түрде танылатын объекттердің өлшеміне, формасына және орналасуына байланысты ниварианттылығын алу өте қиын, кейде ол тіптен мүмкін емес. Келесі мәселені, жекелеген объектке сәйкес келетін бейне фрагментін бөліп қарастыру процесі туындатады. Бұл мәселе бейнелерді танудың барлық классикалық әдістеріне ортақ болып табылады.

Көптеген тану жүйелерінде және оптикалық оқу жүйелерінде негізінен белгілілік (құрылымды) әдісі қолданылады. Белгілілік әдісте өлшемдер таңдалған бейнелердің белгілерін қолданумен құрылады. Бейне танушы жүйеге кіргенде белгілер векторымен көрсетіледі. Белгілер ретінде танылатын объекттердің барлық сипаттамасы қарастырылуы мүмкін. Белгілер бағдарға, мөлшерге және объекттің пішініне инвариантты болу керек. Белгілердің кеңістігі барлық танылатын объекттер үшін тиянақты және бірдей болуы керек. Белгілердің алфавиті жүйенің құраушысымен ойлап шығарылады. Тану сапасы белгілер алфавитінің қаншалықты тиімді құрылғанына тәуелді. Қолайлы алфавиттің автоматты құрылуының қандайда бір әдістерінде белгілер болмайды. Бейнелерді тану процесі, осы бейнеде белгіленген, кез келген жекелеген объектке сәйкес келетін сипаттамалар векторын априорлық түрде алудан және содан соң ғана осы вектордың қай өлшемге сәйкес келетіндігін анықтаудан тұрады.

Өлшемдер көбінесе статистикалық және геометриялық объекттер ретінде құрылады. Бірінші жағдайда оқыту, мысалы, әрбір белгінің әрбір объекттер класында пайда болу жиілігінің матрицасын алудан тұруы мүмкін.

Геометриялық әдісте оқытудың нәтижесі көбінесе белгілер кеңістігінің, әр – түрлі танылатын объекттер класына сәйкес келетін облысқа бөлінуі болып табылады, Бейнелерді тану процесі, танылуға тиіс объектке сәйкес келетін сипаттамалардың кіріс векторы осы облыстардың қайсысында жататындығын анықтаудан тұрады. Бұл кезде, егер осы облыстар қиылысатын болса және егер жекелеген кластарға сәйкес облыстардың дөңестігі болмаса, яғни осы кластар, белгілер кеңістігінде бір-бірінен гипер жазықтықпен ажыратылмаса, онда қиындықтар туындауы мүмкін. Бұл мәселелер эвристикалық шешіледі. Құрылымды әдіске өлшемдік сипаттама сәйкес келеді,

Құрылымды элементтер ереже бойынша, контурда немесе объекттер «скелетте» таңдалады. Құрылымды сипаттама құрылымды элементтер мен олардың арасындағы қатынастарды қосатын графпен көрсетілуі мүмкін. Тану кезінде кірістік объекттің құрылымдық сипаттамасы құрылады. Бұл сипаттама барлық құрылымдық өлшемдермен салыстырылады.

Растрлық және құрылымдық әдістер бірінші жағдайда белгілер ретінде бейнелер нүктесін, екіншіден – құрылымдық элементтер мен олардың арасындағы қатынасты қарастыра отырып, кейде белгілілік тәсіліне әкеледі. Алайда, осы әдістердің арасында маңызды принципті ерекшелік бар. Растрлық әдіс бүтіндік қасиетке ие. Құрылымдық әдіс бүтіндік қасиетке ие болуы мүмкін. Белгілілік әдіс бүтіндік қасиетке ие болмайды.

Сонымен «бүтіндік» деген не және тануда қандай рөл ойнайды? Біріншіден, бейнелерді классикалық тану тізбектелген процесстер ретінде ұйымдастырылады. Белгілерді тану кезеңінің алдында кіріс бейнесінің априорлық сипаттамаларын алу кезеңі орындалады. Осы сипаттаманың элементтерін бөлу операциясы, мысалға, белгілердің, құрылымды элементтердің бөлінуі осы суретте локальды түрде орындалады, ал суреттің қалған бөліктері тәуелсіз интерпретацияға ие болады, яғни бөлмей, бүтіндік қабылдау (целостное восприятие) процесі орындалмайды, бұл өз кезегінде қателіктерге алып келуі мүмкін. Себебі, қабылдау гипотезасына байланысты, яғни қандай бүтін объектті көру қарастырылып отырғандығына байланысты, жекелеген бейне фрагменттерін әртүрлі интерпретациялауға болады.

Екіншіден, дәстүрлік тәсілдер, жеке-жеке қарастырылатын, объекттерді тануға бағытталған. Тану сатысынан кейін бейнелерді бөліктерге (бөлу) сегменттеу сатысы тұруы керек. Априорлық сегментация тәсілі кірістік деректердің ерекше қасиеттерін қолданады. Алдын-ала сегментация тапсырмалардың жалпы шешу болмайды.

Жолдық, тіпті қолжазбалық текст ең қиын жағдай болып табылмайды, бірақ мұндай бейнелер үшін де сөздерден жолдарды, бөлек символдарды белгілеу маңызды мәселеге айналуы мүмкін. Бұл мәселенің практикалық шешімі сегментация варианттарының артып кетуінен жиі негізделеді, және бұл адамның немесе жануардың миы істейтін бүтіндік мақсатқа бағытталған көрермендік қабылдауға ұқсамайды. Бұндай белсенді қабылдау үшін барлық деңгейдегі объекттердің бүтіндік көрсетуі қажет.

Осылайша, көптеген дәстүрлі тәсілдердің және бірінші кезекте белгілілік тәсілдің кемшілігі – бүтіндік қабылдаудың болмауы, мақсатқа бағытталғандық және тізбектелген бірбағытты «жоғары-төмен» процес ұжымының болмауы.

Тану, сонымен қатар, жасанды немесе формальды танушы нейрондық желілерді қолданумен болуы мүмкін. Кейде оларды тіпті қандай да бір мидың аналогы қарастырады. Соңғы кездері тексттерде жай «нейрондық желі» деп жасады. Негізінен танушы нейрондық желі – бұл көбінесе қарпайым белгілілік классификатор болып табылады.

Осы желілерде қолданылатын формальды нейрон – бұл белгілер кеңістігіндегі гипержазықтықты бөлетін өрнек коэффициенті болатын, кейбір коэффициенттерге белгілердің мәндерінің көбейтіндісін санайтын, шек элементі бар сумматор. Егер сумма шектен аз болса, онда вектор бөлінетін жазықтықтың бір жағында, егер көп болса − басқа жағында орналасады. Міне бітті.

Формальдық нейрондардан желі сызықтық емес бөлетін беттік жазықтықтармен және белгілер кеңістігіндегі байланыспаған облыстардың нәтижесі бойынша біріктіреді. Бұл көпқабатты желілерде жасалады.

Барлық жағдайда белгілік танушы формальды нейрондық желі – бұл бөлетін гипержазықтықтан және белгілер кеңістігіндегі тандалған облыстан тұратын, белгілілік классификатор. Белгілік танушы формальды нейрондық желі басқа тапсырмаларды шеше алмайды.

Одан басқа, формальды нейронда белгілілік танығыштар, сонымен бірге ансамблдық танығыштар растрлық құрылады. Бұндай жағдайда растрлық танығыштардың барлық белгіленген кемшіліктер сақталады.

Бөліп қарастырылатын объекттердің бірқалыпты танылып ажыратылуына және классификациялануына негізделетін, дәстүрлі, бірінші кезекте белгілілік танып білу жүйелері, танылатын объекттердің сипаттамаларында бүтіндіктің жоқ болуына және танып білу процесінің бірқалыпты, бірбағытты ұйымдастырылмауына байланысты қабылдау мен танып білуге байланысты мәселелерді дұрыс шеше алмайды.

Машиналық қабылдаудың тиімді жүйесін практикалық құру үшін бөлек объекттердің классификациясының ерекше алгоритмдерін құру жеткіліксіз. Бүтін, мақсатқа бағытталған, қабылдау процесінің контекстімен, яғни «түсінумен» басқарылатын ұжым керек.

М.Минский мен П.Уинстонның жұмыстары бейнелердің дәстүрлі танудан қиын бейнені көрермендік, машиналық қабылдау теориясын құруға анықталған әрекет болды. Олардың жұмысы тиімді машиналық қабылдау жанды қабылдаудың көптеген қасиеттерге және де ең бірінші мақсатқа бағытталғандық қасиетіне ие болу керектігін біріктіреді. Қабылдау үшін сөзсіз қызығушылық М.М.Бонгардтың имитация принципі көрсетеді.

Бейнені машиналық қабылдау тапсырмаларының жалпы шешімі бүтіндік қабылдау, мақсатқа бағытталғандық және тұжырым, яғни адамның көрермендік процесі туралы қазіргі көріністі сипаттайтын моменттерді қосатын процесс ұжымына негізделу керек.

Қабылдаудың маңызды аспектісі әлемдік иерархиялық моделі және көпдеңгейлі процессті бағалау негізінде болжам болып табылады. Белгілі орта мен жағдайда қабылдау жалпыланған деңгейде жүреді және осы деңгейдегі қабылдауды растаудан тұрады.

Көрермендік қабылдау актісінде қабылдаудың барлық қадамдары мен деңгейлеріңде тығыз астасады және екі процесс әрекеттеседі. Бұл екі процессті «жоғарыдан төмен», «төменнен жоғары» процесс деп көрсетеді.

Қабылдаудың маңызды сәті – бейненің құрамы туралы тұжырымды формальдау. Тұжырым «жоғарыдан төмен» процесімен «төменнен жоғары» процессінің әрекеттесуінен туындайды.

Одан кейін гипотезаны растау немесе қабылдауды айқындау болады. Бұл қадамда, сонымен қатар, екі процес әрекеттеседі – модельдегі ақпаратпен операция және бейнеге операциялар. Сонымен бірге ағымдағы гипотезамен шектелген, қабылдау контексті туралы ақпарат және орта моделін қолданумен мақсатқа бағытталған іздеумен жүзеге асады.

Қабылдаудың маңызды аспектісі оның бүтіндігі: локальды операциялар нәтижесі тек бүтін фрагменттер мен барлық бейнені интерпретациялау процесінде түсіндіріледі. Қабылдау кезінде бүтіндік модель құрылымды, толық және көрсетілетін болуы керек.Соңғысы көрсетілетін, яғни модель бойынша объект түрін ойша елестету дегенді білдіреді.

Қабылдау кезінде қолданылатын мәселелік ортадағы модель бүтіндік көрсетілу иерархиясын қосу керек. Бейнелерді автоматты қабылдаудың тапсырмаларына мыналарды айтуға болады. Танылушы объекттер құрамындағы бейне элементтерінің біріккен интерпретациясынан басқа, бүтіндік қабылдау принципі де танылушы объекттердің өзін интерпретациялауды болжайды.

Танудың сыртқы контекстің қолдану, олардың бөлек қабылдауынан өтетін бейнесі болатын объекттерді тек қана дұрыс интерпретациялауға жағдай туғызады емес, сонымен қатар барлық объекттердің тану сенімділігін көтереді.

Әлбетте, жалпы жағдайда интерпретация деңгейі жоғары болған сайын, сол бейнені тану сенімділігі де жоғары болады. Егер біз қиын практикалық тапсырмалардың тиімді шешімін алғымыз келсе, осындай машиналық көру жүйесіндегі процессті тану ұжымы қажет. Әрине, машиналық көрермендік қабылдау әлі адамның көрермендік қабылдауымен тең келе алмайды. Ең басты себеп: қабылдау ортасында біз толық машиналық семантикалық модельді қолдана және құра алмаймыз. Алайда машиналық көрудің тиімділігін көтеру міндетті түрде керек.

Қиын бейнелердің машиналық көрермендік қабылдау тапсырмалары қолжазба мен баспа мәтіндері автоматты оқу болып табылады. Бұл тапсырмалардың практикалық мәні көрсетілу қажеттілігімен, электронды түрде қайтадан пайда болатын ақпарат пен көп жинақтардың қолданылуы мен сақталуымен айқындалады. Сонымен бірге, үлкен мәнді ақпараттық және басқарушы жүйедегі ақпараттағы оперативті қосу алады.

Тану жүйелерінде қолжазба мәтіндерін тану кезінде растрлық, белгілілік, дифференциалдық және лингвистикалық деңгей қолданылады. Ең негізгі деңгей – құрылымды.

Құрылымды деңгей құру негізіне салынған басты принцип – бұл оның бүтіндік принципі. Бұл принциппен сәйкес құрылымды бөліктерден тұратын және өзара байланысқан, танылатын объект бүтіндей қаралады. Бейне фрагменті бүтін объект ретінде интерпретацияланады. Егер бейнеде сол объекттің барлық құрылымды бөлімдері болса және осы бөліктер құрылымды-метрлік сипаттамамен айқындалса қолжазба символы болады. Бір жағынан, танылатын объект бөліктері тек олардың бүтіндері біріккен құрамда ғана интерпретацияланады.

Тұжырым былай жасалады. Белгілілік және растрлық деңгей тұжырымдар тізімін тудырады. Тексерілетін тұжырымдардың тізімін жасауда растрлық өлшемдер мен бейнедегі локальды белгілер ғана емес, сонымен қатар танудың ағымдағы нәтижесі де қатысады.

Осы қадамда белгілік және растрлық деңгейге талап мыналардан тұрады, негізгі гипотеза құралған тізімде болуы және де барынша басына жақын орналасуы тиіс. Оған қоса, символдың құрылымының бұзылуынан құрылымдық деңгейде алынған қорытындыға төменгі деңгейлік сәйкес келуі немесе танудан бас тартылуы мүмкін. Мұндай жағдайда алдын ала алынған тану нәтижесінде белгілік және өсу деңгейінде реттелген тізім гипотезасы болады.

Алға қойылған гипотезалар құрылымдық деңгейіндегі тексеру тура шығыс элементтерге сәйкес суретінде бағытталған іздеуге әкеледі, олар танылатын объекттердің берілген класстың құрылымдық суреттеуін қанағаттандырады. Онымен қатар, гипотезаны тексеру процесі келесі ерекшеліктерімен сипатталады.

Суретті жеке элементтерге сегменттеу, және осы элементтердің интерпретациясы тану кезінде тура жүргізілуі тиіс (алдын ала сегменттеу сатысы және сипаттамалары жоқ) және тексеріліп отырған гипотезаның тек қана толық оқыту шектеулерімен ғана жүргізіледі.

Суретті сегменттеу мен алынған элементтердің интерпретациясы тура жүргізіледі және тексеріліп отырған гипотеза мен ағымдағы нәтиже арқылы басқарылып отырады, оған қоса барлық нәтижелер біріге интерпритацияланады.

Кезектегі гипотезаны тексеру аяқталғаннан кейін оның құрылымдық элементтермен байланысты нәтижелері, тек қана осы гипотезаға байланысты мағынасы болғандықтан, жойылады. Гипотезаны тексерумен қатар оны растаудың сапасының интегралды бағасы есептеледі.

Қиын суреттерді сараптауға бағытталған автоматты көру толық схемасында, «төменнен-жоғарыға» және «жоғарыдан-төменге» процестері бастапқы өзгертілмеген суреттен проблемалық орта туралы толық мағлұмат беретін және шешілетін есептің семантикасы бар әлдеқайда жоғарғы сатыға дейінгі диапазонында орын алу керек. Суреттелетін бағдарламаларда бұл диапазон төменнен аздап және жоғарыдан айтарлықтай сығылған.

Қолжазба символдарды оқу программасында құрылымдық сараптаманың төменгі сатысы түзулердің кесінділерімен жақындатылған сурет жолдары болып саналады. Жоғарғы саты − әдетте сыртқы есептің кәдімгі семантикалық құрылысы туралы шектелген мағлұмат. Сыртқы есептен алынған мағлұмат көбінесе тануда және форма енгізуде қолданылады, мысалы, сауалнамалар, салық декларациялы немесе банктік төлем құжаттары.

Тану жүйесінің құрылымды деңгейі бейненің векторлық көрсетілуінде жұмыс істейді. Бейненің жіңішкеруі және векторизациясы тану қадамында орындалады. Бұл негізгі, бастапқы принципті бұзады – танығанша және тануға жатпайтынға дейін еш нәрсе жасамау, яғни «түсінусіз».

Қажет болған жағдайда бастапқы растрлық бейнеге қарататын мүмкіндікпен бөлшектей теңгеріледі. Одан басқа, мақсатқа бағытталған векторизация алгоритмін құру туралы сұрақтарды қарастыру перспективалық көрсетіледі.

Бейненің априорлы векторизациясы ол жалғыз қателердің потенциалды қайнар көзі емес. Соңғы кездері мақалалар мен жобаларда «бейнені тануға ыңғайлы етіп келтіру» мәндері жиі кездеседі. Бұл сөздер «алдын – ала өңдеу» термині мағынасымен тең. Алайда алдын – ала өндеуде ыңғайлылық туралы сөз жүрмеуі керек, керісінше жүйенің жұмыс істеу сапасын жақсарту туралы сөз жүру керек. Сонымен бірге, бейнені алдын-ала априорлы өндеу қатенің қайнар көзі болуы мүмкін екенін естен шығармауымыз керек.

Алдын-ала өңдеуге бейнені тануға дейін жасалатын: саналу, бинаризация, фрагментация, фильтрация, векторизация жатады.

Орнаған жүйелерде қолжазба символдарды оқудың жалпы принципі мынадан тұрады:бейнеге априорлы операциялар минимум қажеттілік бойынша жасалу керек.

Бейнелерді санау анықталған кеңістікте жүреді. Шамамен миллиметрге 10 нүкте. Кішкентай объекттерді тануда бұл рұқсат жеткіліксіз болуы мүмкін. Бинаризация жарықтық бойынша бейнені екілікке өзгертеді, яғни фон нүктелері «0», ал бейне нүктелері «1». Бинарияны жақсарту үшін айнымалылық шек қолданылады. Бейненің қасиеттері анализі нәтижесі бойынша әрбір нүктеге қойылатын айнымалылық шек. Алайда бұл қателікке соқтыруы мүмкін.

Фильтрация – бейнені артық нүктелер мен тесіктерден тазарту, кейде жағдайда контурды тегістеу. Фильтрация процесінде бейне бұзылуы мүмкін, Мысалы, «ё» «і» - дегі нүктелер жойылып кетеді. Сондықтан фильтрация кезінде сақ болу керек.

Фрагментация – бейнеде бөлек, тізбектей оқылатын блоктарды таңдап алу. Бұл блоктарға тақырып, бағандар, суретімен қолжазба, графтағы, таблицадағы және формадағы тексттер т.б. Фрагментация кезінде қателік болу ықтималдығының кемуі осы деңгейде бүтін құрылымды сипаттаманы қолдану есебінде жетуі мүмкін.

Құрылымды тану үшін тұжырымдардың қайнар көзі растрлық деңгейдегі алдын-ала тану болып табылады. Растрлық тану үшін растрлық бейненің өлшемі мен бағытын алдын-ала нормаға түсіру керек. Сонымен қатар, оқу мен тану бірдей мөлшер мен бағытта ғана емес, стандартты сызықта да жүргізілуі керек. Бұның бәрі алдын-ала өңдеуге жатқызылуы мүмкін.

Сызықтың қалыңдығын әртүрлі әдіспен жасауға болады. Егер бейненің векторизациясы орындалса, онда сызықтың орташа қалыңдығын қара нүктелер саның векторлық бейненің ұзындығына бөліп анықтауға болады. Бұл әдістің дәлдігі векторизация сапасына байланысты.

Дұрыс танудың анықтылығы танылатын ақпараттың сапасына байланысты. Сандар үшін бұл 99,6-99,8 %. Орыс және ағылшын әріптері үшін дұрыс тану 99 %-дан асады.

Сипатталған тәсілдегі мүмкін болатын қолдану облысы бейненің автоматты анализімен шектелмейді. Болжам негізінде бүтіндік және мақсатқа бағытталғандық кез-келген қабылдауда маңызды. Бұл принциптер ақпаратты қабылдау кезінде де маңызды.

Тәсілдердің практикалық іске асырылу мүмкіндігі нақты тапсырмаларға сәйкес бірнеше факторларға тәуелді болады.

Біріншіден, қабылдау объекттер класының толық, бүтіндік, құрылымды-метрлік сипаттамасын құру мүмкіндігі қажет. Принциптік бейнелеу – көрермендік бейнелердің бүтіндік және толықтық сипаттамасының критерийі. Өзінің және тек қана өзінің объект класына көрсетілетін сипаттама болу керек. Көрермендік емес үшін бүтіндік және толықтық сипаттамасының критерийі қандай? Принциптік деген сөз сипаттамада көрсетілу үшін жеткілікті ақпарат болу керек дегенді білдіреді.

Екіншіден, бүтіндік мақсатқа бағытталған қабылдауды жүзеге асыру үшін құрылымды элементтерді белгілейтін және олардың арасындағы қатынасты тексеретін мүмкіндік болу керек.

1. 
   Анохин П. К. Узловые вопросы теории функциональных систем. - М.: Наука, 1980.
   
2. 
   Асмаян Н.В., Голицин Г.А. Особенности афферентного синтеза в условиях выбора. Вопросы радиоэлектроники. Сер. Бионика, 1967, вып.
   

3. 
   А.М.Байков, Е.С.Кузин, А.Л.Шамис. Целостное целенаправленное распознавание изображений в ЭВМ. Сб. Вопросы кибернетики. Автоматизированные системы ввода-вывода графической информа­ции. Москва, 1987. б. 78-90.
   
4. 
   Бауэр Э.С. Теоретическая биология. - М.—Л.: ВИЭМ, 1935.
   
5. 
   Бонгард, М. М. Проблемы узнавания. - М.: Наука, 1967.
   
6. 
   Винер Н. Кибернетика. - М., 1968.
   
7. 
   Вайнберг С. Мечты об окончательной теории. - М.: УРСС, 2004.
   
8. 
   Голицын Г.А., Петров В.М. Информация, поведение, творчество. - М.: Знание, 1991.
   
9. 
   Емельянов-Ярославский Л.Б. Интеллектуальная квази - биологическая система Индуктивный автомат. - М.: Наука, 1990.
   
10. 
    Мак-Каллок У.С. Логическое исчисление идей, относящихся к нервной активности. Сб. Нейронные сети: история развития теории. М.: Радиотехника, 2001. б. 5-22.
    
11. 
    Минский М., Пейперт С. Персептроны. - М.: Мир, 1971.
    
12. 
    Пенроуз Р. Новый ум короля. - М.: УРСС, 2004.
    
13. 
    Психология машинного зрения / Под. ред. П. Уинстона ; Пер. с англ. под ред. В. Л. Стефанюка. - М.: Мир, 1978.
    
14. 
    Розенблатт Ф. Принципы нейродинамики. - М., Мир, 1965.
    
15. 
    Тьюринг А. Может ли машина мыслить? - М.: Физматгиз, 1960.
    
16. 
    Шамис А.Л., Левит Б.Ю. Подход к построению формальной модели поведения. Сб. Механизмы и принципы целенаправленного поведения. - М.: Наука, 1972. б. 34-49.
    
17. 
    Шамис А.Л. Пути моделирования мышления. - М.: КомКнига. 2006.
    
18. 
    Шеннон К. Работы по теории информации и кибернетике. - М., 1963.
    
19. 
    Шредингер Э. Что такое жизнь с точки зрения физики. - М.:Мир, 1947.
    
20. 
    Hebb D.O. The Organisation of Behevier. - New York, 1949.
    
21. 
    Neural network and physical systems with emergent collective computational abilities. Proc. Nat. Acad. Sci/ US. 1982. Vol 79/ P 2554-2558.
    

The paper deals with recognition technology of intelligent systems, allowing to minimize errors, improve machine thinking. The study work can improve recognition under scaling, orientation and tilt of an image change.

Жүйелік оптикалық тану мәтінде нақты қаріппен жұмыс жасауды калибрлеуді талап етеді. Бұрынғы версиялық программалауларда бір ғана символды бейне керек болған және программа бір уақытта да жалғыз бір каріппен жұмыс жасай алған болатын. Қазіргі уақытта «зияткерлік» деген жүйе таралған, ол жоғарғы деңгейлі дәлме-дәл көптеген каріпті тани алады. Кейбір жүйелер оптикалық тану негіздері мәтінді бастапқы қалпына келтіреді, сонымен қатар ол суретті, бағандар және тағы басқа мәтінді емес компоненттерді қалпына келтіре алады.

Қазіргі кезде дәлме-дәл тану символды терілген мәтінде ғана мүмкін, егер ол айқын сурет болу керек, яғни сканирлеп терілген құжат сиякты болу керек. Дәлме-дәлдік тапсырмада абсолюттікке жақындауды, бірақ абсолюттік дәлме-дәлдік тек қана адам түзеген кезде ғана жүзеге асады. Қолжазбаларды, стандартты қолжазбаларды, сонымен қатар терілген мәтіннің басқа өлшемдері қазіргі таңда белсенді пән зерттеулері тану проблемасы болып келеді.

Дәлме-дәлдәк тәсілі бірнеше әдістермен өлшенгендіктен қатты жөнделген десе де болады. Мысалы, егер арнайы сөздер кездессе және ол программаны қамсыздандыруда жоқ болса, онда жоқ сөз іздеу кезінде табылмайды және ол қателікті одан әрі үлкейте береді.

Сонымен мәтінді тану «оффлайнда» тәсілінде, яғни жазылып қойған мәтін бетінде немесе «онлайнды» тәсілінде, яғни қаламмен қадамды санау, мысалы, компьютер экранының арнайы жоғарғы бөлігі.

Онлайн жүйелерді тану қолжазба мәтінде «жылдам» соңғы уақыттары коммерсиялық тауар ретінде кең танымал. Алгоритмдердің құрылғыларын факт ретінде қолданылады, жылдамдық және танымал жеке қатысушы сызық бағытын қолданады. Сонымен қатар, қолданушы керек формадағы хатты ғана қолдануды үйренеді. Бұл тәсілдер программаны қамсыздандыруда қолданылмайды, өйткені олар сканирленген бетті құжатты пайдаланылады, яғни қолжазбаны терілген мәтін ретінде тану проблемасы сол қалпы қалады.

Суреттегі қолжазба мәтін артефактсыз 80% - 90% дәлме-дәлдікке дейін көрінеді, бірақ бұндай дәлдікті қолданатын болсақ бір бетте ондаған қателер болады. Бұндай технология тек қана аз мәтінді кезде ғана пайдалы болады.

Сондықтан, күрделі проблеманы тану сферасында шешу үшін зияткерлік жүйелік тану қолданылады, яғни жасанды нейронды желі сиякты.

Соңғы бірнеше жылдар бойы біз жасанды нейронды желіге қатты қызуғушылық тудыруда және олар әртүрлі облыста қолданылады – бизнесте, медицинада, техникада, физикада және тағы басқа. Нейронды желі тәжірибе жүзінде барлық жерлерде қолданыста, яғни болжауда, классификациялауда немесе басқарудың тапсырмаларын шешу үшін қолданылады. Осындай кең спектр бірнеше себептермен анықталынады:

Біріншіден, нейронды желі – бұл тәсіл моделдеу, өте күрделі тәуелділікті орындауға мүмкіндік береді. Жеке алғанда нейронды желі табиғатынан сызықта емес. Көптеген жылдар сызықты моделдеу бірнеше аймақта моделдеудің тәсілі болып келе жатыр және онда оптикалық процедуралары жақсы жұмыс жасайды. Есептерде сызықты аппроксимациялық сызықты қанағаттардырмайды, яғни онда сызықты моделдер нашар жұмыс жасайды. Басқа сөзбен айтқанда, нейрожелілер адамның зияткерлігіне байланысты сферадағы есептерді шешуге болады.

Екіншіден, нейронды желі мысалдарда үйрену мүмкіншілігі бар. Қолданушы нейронды желіде бірінші деректер қорын таңдауды, сонда кейін алгоритм құрады, онда кейін деректер құрылымын автоматты түрде орындайды. Қолданушыдан эвристикалық білім болу керек, яғни онда керекті және маңызды деректерді таңдап алу үшін, желілердің архитектурасының маңызын таңдау үшін және интерпретациялық нәтижелерді алу үшін, бірақ білім деңгейі ең бастысы нейронды желіні тиімді пайдалану үшін керек. Мысалы, статистикалардың дәстүрлі тәсілін қолдану кезінде керек.

Үшіншіден, нейронды желі құрамын күрделілігі және сол сияқты желінің істен шығу сол сияқты жағдайлардан шығу жолдарын қолданушы білу керек. Бұл ішкі кабілеті оның шумды және өмірлік маңызы бар тану бейнелерін кәдімгі өмірмен байланыстыра білу керек. Ол қатаң дәлдікті, қарапайым компьютерді орын алатын және жүйеге жол ашатын, яғни біз өмір сүріп жатқан болмаған өмірмен жұмыс жасайды. Бір маңыздылығын айтып кететін болсақ, өзінің құрылымның арқасында жасанды нейронды желі автоматты түрде орындалады. Ол қолданушының көмегінсіз, арнайы жазылған компьютерлік программа арқылы іске аса алады.

Төртіншіден – абстрагирация және сол сияқты жасанды нейронды желі кіріс сигналын шығару-жіберу қабілеті бар. Мысалы, желі А әрпінің нұсқасы үшін тізбектеп білу алу қиынға түседі. Ол әріп оқылғаннан кейін желі жаңа формалар әрпін тану алатын қабілеті пайда бола алады. Басқа сөзбен айтқанда ешқашан көрмеген таңбаларды, оқып ала алады. Адамдарды ажырату үшін оның қабілеттерін ескере отырып, идеалды прототиптер ойлап шығарамыз.

Бірақ, бұл дәстүрлі есептеу жүйелерінің алдында нейронды желілердің барлық мүмкіншіліктері мен жетістіктері емес. Оларға кірізуге болатын жағдайлар:

Белгісіз заңдылықтарға байланысты есепті шешу кезінде мысалдар жыинтығын еске ала отырып оқу қабілетін пайдаланады, нейронды желі есепті шешу кезінде, яғни белгісіз заңдылықті жағдайдың дамуы мен кіріс пен шығыстың деректері арасындағы байланысты қолданады. Дәстүрлі математикалық тәсілдер мен эксперттік жүйелері бұл кезде қолданылмайды.

Шумға байланысты тұрақтылық кіріс деректер – ақпаратты емес үлкен сандармен және шумды кірістік сигналдармен жұмыс істеуге мүмкіншілігі бар. Оарды алдын ала дайындаудың керегі жоқ, өйткені нейронды желі өзі аз мөлшердегі есепті шешу кезінде анықтайды.

Қоршаған ортаға адаптацияға өзгеріс жасау кезінде – нейронды желілер қоршаған ортаға адаптацияға өзгеріс жасауға мүмкіншілігі бар. Жеке алғанда, нейронды желілер, белгілі бір ортаға оқутуға мүмкіншілігі бар. Сонымен қоса, стационарлы ортамен жұмыс жасау кезінде нейронды желілер пайда болуы мүмкін, қазіргі өмірді есепке ала тұра. Жүйеде адаптация қабілеті жоғарлаған сайын, стационарлы емес ортада жұмыс соғырлым үлкейе береді. Осыдан кейін мынаны ескерген жөн, адаптация барлық жағдайда да тұрақтылыққа әкеле бермейді. Кейбір жағдайларда мүлдем қарама-қарсы нәтижеге алып келеді. Мысалы, адаптациялық жүйенің параметрлері уақытқа байланысты жылдам өзгеріп отыратына байланысты, дәл сол сияқты жылдам құрылған құрылымды жоққа шығаруы мүмкін. Сол үшін адаптивтілікті барлық мүмкіншіліктерін қолдану үшін, оның жүйедегі негізгі параметрлері тұрақты, ішкі катерлерді ескермей, ортадағы өзгеріске реакциясы бір қалыпты болу керек.

Потенциалды жоғары биіктік әрекеті – нейронды желілерде потенциалды жоғарғы биіктік әрекеті ақпаратты параллелилизм арқылы жөндеу болып табылады.

Аппараттық реализация кезінде құрылғыны жоққа шығару – нейронды желілер потенциалды түрде құрылғыны жоққа шығарады. Яғни онда зиянды шарттардың шығару мүмкіншілігі төмендейді. Мысалы, егер кез келген нейрон немесе олардың арасындағы байланыс бұзылса, онда ақпаратты сақтау мүмкіншілігі қиындыққа ұшырайды. Бірақ, нейронды желіде ақпаратты сақтауды есепке алса, онда қатерлі зақымданған құрылымдар ғана нейронды желіде жұмыс істемейді, ал қалған ақпараттар жұмыс істеу мүмкіншілігі бар. Сондықтан нейронды желі жұмыс сапасына келгенде ақырын жұмыс істейді.

Сонымен қатар, нейронды желілер интуициялық көзқараспен қарағанда өте қолайлы желілер болып келеді, яғни нервтық жүйелердің биологиялық модельдің примитивтілігі болып келеді. Алдағы даму кездерде нейробиологиялық моделдеу ойлайтын компьютерлерді дүниеге алып келуі мүмкін.

Нейронды желілердің алуандығына қарамай, олар жалпы бірдей мүмкіншілікке ие бола алады. Сонымен қатар адамның миы сияқты оларда бір типті көп санды элементтерден тұрады – нейрондар, олар бастағы мидың нейрондары байланыстырады.

Жасанды нейрон, тірі нейрон сияқты, синапстардан құралған, кірістерді нейрон мен ядроны байланыстырады, кірістік сигналдарды аксондар арқылы, яғни нейрон мен нейрондарды қабат-қабат арқылы байланыстырады. Әрбір синапстардың салмағы, яғни нейронның кірісіне қанша мөлшерде әсер ететінін көрсетеді.

Жасанды нейронды желі – бұл бір-бірімен байланыстыратын нейрондардың жиынтығы. Ереже бойынша, қолда бар функциялар барлық нейрондардың нейронды желілер үшін жоққа шығарады, ал салмағын нейронды желілердің параметрі және өзгертуге мүмкіндігі бар. Кейбір кірістердің нейрондары ішкі кірістер ретінде танылады. Сондықтан нейронды желімен жұмыс жасау үшін кірістік вектор мен шығыстық векторлар пайда болады, олар нейронды желілерге салмақ қосады.

Бұл проблеманы шешу үшін нейронды желілерге арналған тану түріндегі жиынтықты пайдалану керек. Олардың бәрін төменгі типтерге бөлуге болады:

Көпқабатты нейронды желілердің архитектурасы байланыстырған қабаттардан тұрады, онда нейрон әрбір қабаттардың кірісі алдыңғы қабаттардың нейрондарымен байланыста болады, ал шығыстары содан кейінгі нейрондармен байланыста болады. Нейронды желілер екі шешуші қабатпен кез келген көпмөлшерлі функцияларды басқара алады. Нейронды желілер бір шешіммен жоғарғы бөліктегі сызықты жасай алады. Нейронды желілер сызықты емес функцияларды белсенді етеді және екі шешуші қабат арқылы кез келген шешу кеңістігіне байланысты шеше алады.

Көпқабатты нейронды желілер арқылы өзінің қабілеттерін жоғалтпайды. Көпқабатты нейронды желілерді оқыту арқылы қателікті болдырмау кеңістігінің алгоритмін құруға болады және салмақты шығару кеңістігінің тәсілі арқылы желідегі қателіктер қосындысын минимизациялау мақсатына жетеді. Бұл қателік кезінде кеңістігі нейрондарды байланыстыру үшін кірістен шығысұа дейін бағытты керісінше ұстайтын болады.

Нейронды желілер жоғарғы реттен айырмашылығы көпқабатты нейронды желіден қарағанда оларды бір қабат қана, бірақ кірістерде нейрондар жоғарғы рет сияқты термдермен басталады, яғни екі немесе оданда көп компонентті кірістік векторлардан тұрады. Сондай желілер күрделі бөлінген жоғарлықты орындау алады. Бұндай желілердің ерекшілігі вариациясыз масштаб бейнесі мен бұрылысты класты желілік оқуға жіберген соң белгілі кластар инвариантты масштаб пен бұрылысты танитын болады. Осындай желі толық байланысты болмайды, бірақ тез оқиды және жақсы жұмыс жасайды.

Жоғарғы дәлдік классификациялық желіде жоғарғы және масштабталған суреттерді салыстыру арқылы көпқабатты нейронды желілер пайда болады.

Хопфилдтың нейронды желілері бір қабатты және толық байланысты, шығыстары кірістермен байланысты болып келеді. Көп қабатты нейронды желіден қарағанда, Хопфилд нейронды желі релакционды және тағы басқа - болашақта бастапқы жағдайы орнатылған кезден бастап аяғына дейн тұрақты болуға жеткіземіз. Хопфилд нейронды желілері ассоциативті жады сапасы мен оптикалық есепті шешумен айналысады.

Бірінші жағдайда Хопфилд нейронды желісі мұғалімсіз де үйреніп алуға болады және екіншіден есепті шешу кезіндегі салмақ нейрондарды басынан бастап кодирация жасайды. Хопфилда нейронды желілер синхронды бола алады, барлық нейронды және асинхрондыны бір уақытта есептей алады, кездейсоқ таңдалған нейронды есептейді. Динамикалық функциолды зерттеу Хопфилд нейронды желі Ляпунов тәсілінде қолданылады.

Хопфилд асинхронды нейронды желі дәлдік тұрақты, бірақ аттракторлы синхронды Хипфилда нейронды желі тұрақты стационарлы нүкте мен ұзындығы екіге тең циклдар бар. Хипфилда нейронды желі бастапқы жағдайдан локальды минимум энергия желісіне жақындайды, нейронның жағдайы және есепті тану бейнесін орнату, шешімі – оптимальды есептер үшін арналған. Глобальды минимум іздеуді оптимальды есепте Хопфилд нейронды желінің стохастикалық модификациясы қолданылады.

Кохонена нейронды желі топологиялық реттік кірістің бейне кеңістігін қамтамасыз етеді. Олар топологиялық кірістің n өлшемді және шығыстық кеңістіктігі m өлшемді болып келеді.

Нейронды желі радиалды-базисті функциясы Кохонен нейронды желінің дамуына, яғни бәкелестік қабатқа тағы бір қабат қосылғанкезде тәсілді қайтадан кеңістікке оқыту болып табылады. Кохонен нейронды желілердің нейронды желілерден айырмашылығы радиалды-базисті функциясы шығыстық нейрондар бәсекелестік қабаты Гаусстың нормальды орналастыру заңдылығы болып келеді және нолдік жақындаған нейронды қаматамасызданбайды. Радиалды-базисті функциясы ені кластер центрінің ара қашықтығы, яғни әрбір нейрондық элементте пайда болады және көршілесіне жақындай береді.

Когнитронның архитектурасы қорлардың көзқарасына ұқсайды және иерархиялық көп қабатты құрылымды болады, яғни онда нейрондардың қабаттары локальды түрде байланыста болады екен. Бәселестік оқутумен оқыталады. Әрбір мидың қабаты әртүрлі деңдейде құрылады; кірістік қабатта қарапайым бейнелерге сезімтал сызықты сияқты және олар анықталған визуальды облыста орналасқан, сол уақытта басқа қабаттардың реакциясы күрделі болып келеді, абстрактылы және тәуелсіз беййне позициясында тұрады. Фукнцияны құру кезінде когнитронды жолмен модельді организациялық көзқарасты қорды құрады.

1. 
   Ежов А., Чечеткин В. Нейронные сети в медицине. – Открытые системы, 1997, №4, с. 34-37.
   
2. 
   Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1990.
   
3. 
   Нейрокомпьютеры и интеллектуальные роботы / Н.М. Амосов, Т.Н. Байдык, А.Д. Гольцов и др. – Киев: Наукова думка, 1991.
   
4. 
   Fast Artificial Neural Network Library [Электронный ресурс]. Url: http://leenissen.dk/fann/wp/
   
5. 
   Абрамов Е. С. Моделирование систем распознавания изображений (На примере печатных текстов) : Дис. ... канд. техн. наук : 05.13.01 СПб., 2006 – 140 с.
   
6. 
   Бухалто А.Н., Булаев В.И., Власов А.И. и др. Нейрокомпьютеры в системах обработки изображений. – М.: Радиотехника, 2003. – 192 с.
   
7. 
   Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: – Мир, 1989. – 510 с.
   
8. 
   Мерков А.Б. Основные методы, применяемые для распознавания рукописного текста // Лаборатория распознавания образов МЦНМО, 2004.
   
9. 
   Морозов М. Н. Курс лекций по дисциплине «Системы искусственного интеллекта» // Марийский государственный технический университет, 2005.
   
10. 
    Проненко Л.И. Каллиграфия для всех. – M.: Книга, 1990. – 115 с.
    
11. 
    Телков А.Ю. Экспертные системы: Учебное пособие. – Воронеж: ИПЦ ВГУ, 2007. – 83 с.
    
12. 
    Фу К. Структурные методы в распознавании образов. – М.: Мир, 1977 – 320 с.
    
13. 
    Фукунага К. Введение в статистическую теорию распознавания образов. – М.: Наука, 1979. – 368 с.
    
14. 
    Шахнов В.А., Власов А.И., Кузнецов А.С., Поляков Ю.А. Нейрокомпьютеры: архитектура и схемотехника. - М.: Машиностроение, 2000. – 64 c.
    
15. 
    Belhumeur P. N., Hespanha J. P. and Kriegman D. J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 711-720.
    
16. 
    Vetter T. and Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 733-742.
    

Modern technology has examined the phenomenon of thinking, going from problems of behavior and perception. The paper discusses some of the principles of "«smart» perceptual Narrow the example of solving the problem of automatic reading of handwritten characters. It is shown that to obtain a workable solution must recognize with «understanding».

Бейіндік білім беру – оқушының тұлғалық және өмірлік өзін-өзі анықтауын қамтамасыз ететін, оқытудың даралануы мен саралануын жүзеге асыратын жалпы орта білім беруді аяқтау кезеңі. Бұл оқыту әрекетінің ұйымдастыру жүйесінде жоғарғы сынып оқушыларының қызығушылығы мен талабы, қабілеттері ескерілген жағдайда оқушының танымдық, болашақ кәсіби бағдарына сәйкес дербес дамуына жағдай жасалады.

Бейіндік білім берудің мақсаты: оқушының кәсіби бағдары мен өзін-өзі анықтауын қамтамасыз ету, оқушылардың саналы кәсіби таңдауын жүзеге асыруға қажетті ресурстарын құру мүмкіндіктерін туғызу. Бұл мақсатты жүзеге асырудың институтционалдық формалары бейіндік мектеп пен жалпы білім беретін мектептің бейіндік сыныптары болып табылады. Бейінді оқыту – білім алуды жалғастыру мақсатында жоғары сынып оқушылары үшін таңдаған мамандықтарына сәйкес білім беру, оқушылардың бейімділіктері мен қабілеттіліктерін, қызығушылықтарын ескере отырып, білім беру үрдісін ұйымдастыру және мазмұны, құрылысындағы өзгерістерді негізге алады. Бейінді оқыту жеке оқытудың және дифференцация құралы болып табылады. Бейінді оқыту оқу процесінде бағдар беруге бағытталған.

Бағдарлы оқыту – бұл оқушыны жоғарғы оқу орнына дайындауды орындау. Бағдарлы оқытудың негізгі мақсаты – оқушылардың өзіндік білім алу бағдарламаларын құрудың және оны жүзеге асыру, оқушыларды орта және жоғарғы оқу орындарына дайындау үшін орта жалпы білім беру бағдарламаларындағы жеке пәндерді тереңдетіп оқытуды қамтамасыз ету болып табылады. Мемлекет әзірге 2 (жаратылыстану-математика және қоғамдық-гуманитарлық) бағытты анықтады. Бұған 12 жылдық оқытуға өткенде технологиялық бағыт қосылады.Бағдарлы оқыту типтері:

-Жеке бағдарлы мектеп – нақты бағдарды жүзеге асырады

-Көп бағдарлы мектеп – бірнеше бағдарлы оқытуды жүзеге асырады

-Жалпы білім беретін мектептер мен лицейлерде бағдарлы білім беру

-Лицейлерде, дарынды балаларға арналған мамандандырылған мектептерде ұйымдастырылуы мүмкін.

Бағдарлы оқытудың негiзгi мiндетi бағдарлардың икемдi жүйесiн жасауға және мектептiң жоғары сатысын бастауыш, орта және жоғары кәсiптiк бiлiм беретiн мекемелермен үйлестiруге келiп саяды. Сонымен бiрге бағдарлы оқыту жеке тұлғаға бағыттала отырып, мынадай мiндеттердi де шешудi қамтамасыз етуi қажет: жалпы орта бiлiм бағдарламасының жеке пәндерiн тереңдете оқыту ; бiлiм мазмұнын саралауға және әр оқушының жеке бiлiмдiк траекториясын құруға жағдай жасау ; жалпы орта және кәсiби бiлiм арасындағы сабақтастықты, бағдарлы сынып оқушыларын жоғары оқу орнында бiлiмiн жалғастыруға дайындауды қамтамасыз ету.

Бағдарлы сыныптар оқушылардың сұранысы мен олардың нақты мүмкiндiктерi, ата-аналар мен таңдалып алынған бағдар пәндерiн оқытатын мұғалiмдердiң пiкiрлерi, әдiстемелiк бiрлестiк ұсыныстары, болжау мәлiметтерi, тестiлеу нәтижелерi ескерiле отырып құрылады. Ол оқушыларға негiзгi назарды болашақ кәсiби бiлiмнiң таңдалып алынған бағдарының негiзiн құрайтын пәндердi оқуға аударуға мүмкiндiк бередi.

Бейіндік мектеп оқу жоспарына сәйкес мыналарды оқу қажет:

- Міндетті базалық пәндер;

-Таңдауы бойынша 4-тен кем емес бейіндік пән;

-Таңдау бойынша 3-тен кем емес элективтік курс;

-“Зерттеу және шығармашылық әрекет негіздері” арнаулы курсының модулі. Сонымен қатар 11-12 сынып оқушыларының аудиториялық оқу жүктемесінің жиыны рұқсат етілетін жүктеменің 36 сағатынан аспауы тиіс.

Бейінді оқытудың икемді жүйесі оқу пәндерінің түрлі типтерін қамтиды, олар:

- базалық жалпы білім беретін пәндер;

- бағдарлы пәндер;

- қолданбалы курстар;

- таңдау курстары.

Элективті курстар-мектептің жоғары сатысында оқыту бағдарының құрамына енетін және оқушылардың таңдауы бойынша қатысатын міндетті курстар болып табылады. Барлық жалпы білім беретін пәндер негізіндегі бағдарлы және элективті курстардың жиынтығы әрбір оқушы үшін жеке білім теориясын құруға мүмкіндік береді. Жеке мектептерде, басқа да білім беру мекемелерінде тек қана таңдалған курс бойынша ғана емес, сонымен қатар оқушылардың әрқайсына қызықты және маңызды басқа да бейінді курстардың мазмұнын меңгертуге мүмкіндік береді. Мұндай мүмкіндік білім беру үрдісінің ұйымдастыру формаларының түрлі құралы ретінде (дистанциялық курстар, факультативтер), сонымен қатар кооперация негізінде (білім беру ресурстарының жиынтығы ретінде), түрлі білім беру мекемелерінде (жалпы білім беретін мектептер, қосымша білім беру мекемелері, бастауыш және орта кәсіби білім беру, сырттай бөлімдегі физика-математика мектептері және т.б.) қолдануына байланысты. Бұл жоғары сынып оқушысына қажетті болған жағдайда бір мектептен басқа мектептердің немесе мекемелердің білім беру қызметін пайдалануға рұқсат береді.

Элективті курстар – мектептің жоғары сатысындағы бейінді оқытудың құрамына кіретін, оқушылардың таңдауы бойынша оқытылатын міндетті курстар.Элективті курстар негізгі үш маңызды функцияны атқарады.Элективті курстардың маңыздылығы бейінді курстардың мазмұнын толықтырады. Бұл жағдайда бейінді курстың мазмұны тереңдетіледі, курсты оқитын мектеп (сынып) жеке оқу пәндерін тереңдетіп оқитын дәстүрлі арнайы мектепке айналады. Элективті курстардың саны оқушылардың міндетті таңдаған курстардың санынан жоғары болуы қажет.

Жоғары сыныптардағы (10-11 сыныптар) биологияны оқытудың негізгі мақсаты мен міндеттері оқушыларды қазіргі биология ғылымының даму тенденциялары мен жетістіктерімен таныстыру; болашақ кәсіби іс-әрекеттері үшін оқушылардың биологиялық білім мен биологиялық талдау әдістерін меңгеруді негіздеудің маңыздылығы болып табылады. Осы мақсатқа жету үшін білім беру бағдарламасындағы оқу материалдарының орналасуы орталықтандырылған тәсіл бойынша құрылуы тиіс. Мұнда бір объектіні оқу жай қайталана бермейді, оның мазмұнында берілетін білім оқушылардың алғашқы қабылдауынан толық меңгеруіне дейін кеңейтіліп, тереңдетіледі.
Базалық деңгейдегі оқу материалдарының мазмұнына болашақ ұрпақтың биологиялық сауаттылығын, биологиялық мәдениетін көтеруге ықпал ететін маңызды білім мен біліктер енгізілген. Бағдарлы деңгейде оқушылардың биологиялық мәдениетін қалыптастырушы білім, біліктермен қатар, олардың білімін ары қарай жалғастыруға және кәсіби мамандыққа даярлауға қажетті білім мен оқушылардың жеке тұлғалық іс-әрекетіне көп көңіл бөлінген.

Биологияны оқытуда мектепке элективті курстарды енгізудің маңызы өте зор. Баланың биология пәніне қызығушылығына байланысты және болашақта таңдайтын мамандығына байланысты элективті курстарды енгізу қажет. Мектептерде 6-7 сыныптарға бейіналды пән ретінде «Жануарлардың көртүрлілігі», «Биоэкология», «Гүл- ғажайып дүние», «Фитодизайн», «Биоэкология», «Гельминтология» элективті курстарын, 8- сыныптарға «Адам және жануарлар физиологиясы», «Эмбриология», 9 сыныпқа «Цитология», «Биохимия», «Молекулалық биология», «Өсімдіктер және жануарлар экологиясы», 10-11- сыныптарға бейінді бағдарлы білім беруде «Медициналық генетика», «Генетика және селекция негіздері» және т.б. элективті курстарды енгізуге болады. Элективті курстардың оқу бағдарламалары құрастырылып, күнтізбелік тақырыптық жоспары құрылуы тиіс.

Биология пәнінен бейінді бағдарлы білім беруде элективті курстарды енгізу арқылы мектепті бітіруші түлектердің еңбек нарығына ену процесіне назарын күшейте отырып, әлеуметтік-экономикалық тиімділігін арттыруға, оқушылардың таңдаған бейініне қарай жалпы орта білім көлеміндегі жеке пәндерді тереңдетіп оқу мүмкіндігін жоғарылатуға, мектепте білім беру процесінің вариативтілігі мен тұлғаға бағдарлануын қамтамасыз етуге, оқушының білім алу әрекетіне қызығушылығын арттыруын қамтамасыз етеді. Сонымен қатар элективті курстарды енгізу оқушылардың оқытудың ішкі бейіндік курстарын нақты таңдауына және икемді білім алу бағдарламаларын құруына мүмкіндік береді.