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 с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».