Применение платформ Neural Network Wizard и Loginom Community для решения задач аппроксимации и классификации в образовательном процессе

Обложка

Цитировать

Полный текст

Аннотация

В Российской Федерации большое внимание уделяется развитию сквозных цифровых технологий, в том числе и технологиям искусственного интеллекта (ИИ). Указом Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 года. В соответствии с подпунктом (в) пункта 51.5 Стратегии одним из направлений повышения уровня компетенций в области ИИ и уровня информированности граждан о ИИ является развитие навыков использования технологий ИИ у выпускников образовательных организаций высшего образования посредством включения модулей по ИИ в каждую образовательную программу. Объектом исследования данной статьи является применение систем ИИ в ходе проведения лабораторных и практических занятий, а также самостоятельной работы обучающихся по дисциплинам «Системы искусственного интеллекта», «Основы искусственного интеллекта» и аналогичным дисциплинам. Предметом исследования являются способы решения задач аппроксимации функций и классификации данных средствами специализированных платформ Loginom Community и Neural Network Wizard. Подробно рассмотрены способы обучения нейронной сети, способы оценки качества обучения и обучающей выборки нейронной сети.  Методология исследования основана на сочетании теоретического и практического подходов с применением методов анализа, сравнения, обобщения, синтеза, классификации, моделирования. Разработаны материалы, в ходе изучения которых студенты должны получить теоретические знания в области аппроксимации функций и классификации данных, ознакомиться с основными концепциями и методами искусственного интеллекта, а также их применением в различных областях обработки данных, закрепить практические навыки работы с нейронными сетями, а также специализированными платформами и инструментами Loginom Community и Neural Network Wizard. Исследование было проведено с обучающимися 1–2 курсов бакалавриата и специалитета УГСН 09.00.00, 10.00.00, 15.00.00 всех форм обучения. При реализации исследования соблюдались принципы последовательного изложения материала и «от простого к сложному». Результаты контрольных мероприятий показали, что на достаточном уровне были сформированы навыки использования технологий искусственного интеллекта у обучающихся направлений подготовки, не связанных с областью искусственного интеллекта.

Об авторах

Татьяна Николаевна Копышева

Чувашский государственный университет имени И.Н. Ульянова

Email: tn_pavlova@mail.ru
ORCID iD: 0000-0003-3392-1431
доцент; кафедра математического и аппаратного обеспечения информационных систем;

Татьяна Валерьевна Митрофанова

Чувашский государственный университет имени И.Н. Ульянова

Email: mitrofanova_tv@mail.ru
ORCID iD: 0000-0002-5750-7991
доцент; кафедра математического и аппаратного обеспечения информационных систем;

Татьяна Николаевна Смирнова

Чувашский государственный университет имени И.Н. Ульянова

Email: smirnova-tanechka@yandex.ru
ORCID iD: 0000-0001-6687-9415
доцент; кафедра математического и аппаратного обеспечения информационных систем;

Анастасия Владимировна Христофорова

Чувашский государственный университет имени И.Н. Ульянова

Email: dlya.nastenki@mail.ru
ORCID iD: 0000-0003-3534-8747
доцент; кафедра математического и аппаратного обеспечения информационных систем;

Список литературы

  1. Компьютерное зрение в теории и на практике / В. А. Артемьев, Т. Н. Копышева, Т. В. Митрофанова [и др.]. // Инновации в информационных технологиях, машиностроении и автотранспорте : Сборник материалов V Международной научно-практической конференции, Кемерово, 19–20 октября 2021 года / Редколлегия: Д.М. Дубинкин (отв. ред.) [и др.]. Кемерово: Кузбасский государственный технический университет имени Т.Ф. Горбачева, 2021. С. 47–50. EDN UQSPNB.
  2. Лаврентьев, Л. Ф. Финансовое прогнозирование на основе аппарата нейронных сетей / Л. Ф. Лаврентьев, В. П. Филиппов // Вестник Российского университета кооперации. 2014. № 2(16). С. 122–127. EDN QNPSGO.
  3. Особенности прогнозирования спортивных событий на основе использования аппарата нейронных сетей / М. С. Портнов, А. В. Речнов, В. П. Филиппов [и др.]. // Вестник Российского университета кооперации. 2019. № 2(36). С. 76–79. EDN KIZOXH.
  4. Wheat Yield Estimation Based on Unmanned Aerial Vehicle Multispectral Images and Texture Feature Indices / Y. Kang, Ya. Wang, Ya. Fan [et al.] // Agriculture. 2024. Vol. 14, No. 2. P. 167. doi: 10.3390/agriculture14020167. EDN PRFCIE.
  5. Vayssade, J. A. Wizard: Unsupervised goats tracking algorithm / J. A. Vayssade, X. Godard, M. Bonneau // Computers and Electronics in Agriculture. 2023. Vol. 209. P. 107831. doi: 10.1016/j.compag.2023.107831. EDN TIHIOK.
  6. Кафиев, И. Р. К вопросу автоматизации процесса сортировки белых грибов с использованием нейронных сетей / И. Р. Кафиев, П. С. Романов, И. П. Романова // Вестник НГИЭИ. 2024. № 4(155). С. 34-49. doi: 10.24412/2227-9407-2024-4-34-49. EDN DENZQG.
  7. Audio based depression detection using Convolutional Autoencoder / S. Sardari, B. Nakisa, M. N. Rastgoo, P. Eklund // Expert Systems with Applications. 2022. Vol. 189. P. 116076. doi: 10.1016/j.eswa.2021.116076. EDN JXRGNN.
  8. Faye, G. Localized states in an unbounded neural field equation with smooth firing rate function: a multi-parameter analysis / G. Faye, Ja. Rankin, P. Chossat // Journal of Mathematical Biology. 2013. Vol. 66, No. 6. P. 1303-1338. doi: 10.1007/s00285-012-0532-y. EDN GPURTX.
  9. Improving knowledge-based dialogue generation through two-stage knowledge selection and knowledge selection-guided pointer network / M. Liu, P. Zhao, J. Liu [et al.] // Journal of Intelligent Information Systems. 2022. Vol. 59, No. 3. P. 591-611. doi: 10.1007/s10844-022-00709-5. EDN ULVRYK.
  10. Minsheng, L. Application of interactive information system in college personnel management by using BP neural network algorithm / L. Minsheng // Soft Computing-A Fusion of Foundations, Methodologies and Applications. 2023. doi: 10.1007/s00500-023-08617-8. EDN CTVCYU.
  11. Применение систем искусственного интеллекта для обработки данных : практикум / М. С. Портнов, А. В. Речнов, Т. Н. Смирнова [и др.]. Чебоксары: Изд-во Чу-ваш. ун-та, 2023. 52 с.
  12. Горбань, А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А. Н. Горбань // Сибирский журнал вычислительной математики. 1998. Т. 1, № 1. С. 11-24. EDN PRZOML.
  13. Прогнозирование среднесуточной температуры воздуха в Бишкеке с помощью нейронных сетей в среде Neural Network Wizard / А. А. Насиров, Э. М. Имамалиев, Т. Т. Талантбеков, А. Ж. Андакулов // Наука и инновационные технологии. 2022. № 2(23). С. 138-143. doi: 10.33942/sititpr202265. EDN OVGMTA.
  14. Ступников, А. В. Прогнозирование цены легковых автомобилей с помощью нейронных сетей в среде Neural Network Wizard / А. В. Ступников, Р. И. Баженов // Современная техника и технологии. 2015. № 7(47). С. 3-10. EDN UHWDBB.
  15. Козич, П. А. Применение регрессионного анализа и нейронных сетей для построения моделей рынка смартфонов Honor / П. А. Козич, Р. И. Баженов // Постулат. 2019. № 1-1(39). С. 23. EDN ZAHJUT.
  16. Клинский, С. Д. Прогнозирование котировок валют на финансовой бирже / С. Д. Клинский // Постулат. 2019. № 12(50). С. 9. EDN TAFBLL.
  17. Маркевич, Д. В. Интеграция систем бизнес-аналитики с системами управления базами данных на транспорте / Д. В. Маркевич, В. В. Харланова, А. Д. Хомоненко // Наукоемкие технологии в космических исследованиях Земли. 2023. Т. 15, № 2. С. 41-48. doi: 10.36724/2409-5419-2023-15-2-41-48. EDN XAPPBD.
  18. Евдокимова, С. А. Анализ товарного ассортимента запасных частей дилерского предприятия автомобильного сервиса с помощью алгоритма FP-Growth / С. А. Евдокимова, К. В. Фролов, А. И. Новиков // Моделирование систем и процессов. 2022. Т. 15, № 4. С. 24-33. – doi: 10.12737/2219-0767-2022-15-4-24-33. EDN JCNGHB.
  19. Попова, С. А. Разработка модели социального рейтинга и ее нейросетевая реализация в Loginom Community / С. А. Попова, Д. Б. Владимирова // Устойчивое развитие общества: новые научные подходы и исследования : Сборник научных трудов по материалам V Международной научно-практической конференции, Москва, 10 апреля 2024 года. – Москва: Центр развития образования и науки, 2024. С. 151-159. EDN TSVPXH.
  20. Евдокимова, С. А. Применение алгоритмов кластеризации для анализа клиентской базы магазина / С. А. Евдокимова, А. В. Журавлев, Т. П. Новикова // Моделирование систем и процессов. 2021. Т. 14, № 2. С. 4-12. doi: 10.12737/2219-0767-2021-14-2-4-12. EDN DXGWQN

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).