| Статья |
|---|
| Название статьи |
Формирование умений бакалавров в области машинного обучения и интеллектуального анализа данных |
| Авторы |
Лапенок М.В.доктор педагогических наук, доцент rina_l@mail.ruШестакова Л.Г.кандидат педагогических наук, доцент shestakowa@yandex.ru |
| Библиографическое описание статьи |
Лапенок М. В., Шестакова Л. Г. Формирование умений бакалавров в области машинного обучения и интеллектуального анализа данных // Учёные записки Забайкальского государственного университета. 2024. Т. 19, № 3. С. 17–26. DOI: 10.21209/2658-7114-2024-19-3-17-26. |
| Рубрика |
|
| DOI |
10.21209/2658-7114-2024-19-3-17-26 |
| УДК |
372.862 |
| Тип статьи |
Научная статья |
| Аннотация |
В статье представлено содержание учебных дисциплин «Практикум по программированию на Python» и «Основы искусственного интеллекта», входящих в модуль «Анализ данных. Машинное обучение. Искусственный интеллект», реализуемый в ряде уральских вузов. Ведущие педагоги отмечают, что при подготовке следующего поколения учителей приоритетом должно стать приобретение опыта применения средств искусственного интеллекта в педагогической деятельности. Целями освоения модуля являются развитие у студентов навыков в области нейросетевого математического моделирования, формирование знаний об основных алгоритмах анализа данных, развитие умений визуализации и интерпретации данных для решения прикладных задач с использованием технологий объектно-ориентированного программирования и технологий искусственных нейронных сетей. В рамках проектной деятельности студенты приобретают опыт интеллектуального анализа данных, выполняя исследовательские проекты (например, проект по сравнительной оценке эффективности алгоритмов обучения многослойного персептрона, таких как алгоритм обратного распространения ошибки и генетический алгоритм) и прикладные проекты (например, по разработке нейросетевой системы прогнозирования успешности исследовательской работы школьников; по разработке нейросетевой системы прогнозирования посещаемости студентами учебных занятий на основе учёта их личностных качеств, целевых установок обучения, расписания занятий). В УрГПУ разработаны программные комплексы на языке Python, реализующие представленные нейросетевые прогностические системы. Учебно-методические материалы по дисциплинам модуля включают видеолекции и презентации к ним, лабораторные работы (в том числе на основе блокнотов GoogleColab), датасеты, наборы тестов, вопросы по теории и практические задания для экзаменов и зачётов. Эффективность разработанной методики обучения подтверждена результатами педагогического эксперимента, на констатирующем, формирующем и контрольном этапах которого приняли участие 30 студентов ПГНИУ, обучающихся по направлению бакалавриата «Прикладная математика и информатика». Развитие модуля предполагает реализацию студентами проектов по освоению базовых алгоритмов машинного зрения с использованием языков программирования Java и Python. |
| Ключевые слова |
нейросетевые технологии, интеллектуальный анализ данных, прогностические системы, машинное обучение, содержание учебной дисциплины |
| Информация о статье |
|
| Список литературы |
1. Акаев А. А., Садовничий В. А. Человеческий фактор как определяющий фактор производительности труда в эпоху цифровой экономики // Проблемы прогнозирования. 2021. № 1. С. 56–58.
2. Бхаттачарья М., Кумбс С. Предложение инновационной модели оценки, основанной на дизайне, для интеллектуальных технологий интеллектуального обучения // Умные инновации, системы и технологии. 2018. Т. 99. С. 249–258.
3. Влияние искусственного интеллекта на образование / К. Казарян [и др.]. М.: АНО «Цифровая экономика», 2024. 88 с.
4. Мазанюк Е. Ф. Применение искусственного интеллекта в школах РФ: перспективы и неоднозначные последствия // Проблемы современного педагогического образования. 2023. № 79-4. С. 205–208.
5. Босова Л. Л., Самылкина Н. Н. Современная информатика: от робототехники к искусственному интеллекту // Информатика в школе. 2018. № 8. С. 2–5.
6. Комиссаров А. ИИ в образовании: что технологии могут сделать сейчас? Текст: электронный // Университет Сбера. 2022. № 4. URL: https://sberuniversity.ru/upload/iblock/09f/85v0n3to7fvy3awqz3p1lboeq0sk464r/EduTech_49_web.pdf (дата обращения: 02.05.2024).
7. Рахман М., Реза Х. Аналитика больших данных в социальных сетях: исследование тройного Т (типы, методы и таксономия) // Достижения в области интеллектуальных систем и вычислений. 2021. Т. 1346. С. 479–487.
8. Андреева О. С., Селиванова О. А., Васильева И. В. Комплексная диагностика компонентов исследовательской компетентности студентов педагогических направлений подготовки // Образование и наука. 2019. Т. 21, № 1. С. 37–58.
9. Данилова Н. Ю. Совершенствование аналитической деятельности студентов – будущих педагогов // Вестник Ленинградского государственного университета. 2021. № 2. С. 461–471.
10. Бай Л., Лю К., Су Дж. ChatGPT: когнитивное влияние на обучение и память // Brain-X. 2023. Т. 1, № 3. С. 29–33.
11. Холмс У., Бялик М., Фейдл Ч. Искусственный интеллект в образовании. М.: Альпина PRO, 2022. 303 c.
12. Аусин М., Азизсолтани Х., Барнс Т. Использование глубокого обучения с подкреплением для внедрения педагогической политики в интеллектуальной системе обучения // Proceedings of the 12th International Conference on Educational Data Mining (EDM 2019). Montreal: Springer, 2019. P. 168–177.
13. Каро М. Ф., Хосюла Д. П., Хименес Х. А. Многоуровневая педагогическая модель персонализации педагогических стратегий в интеллектуальных обучающих системах // Dyna. 2015. Т. 82. С. 185–193.
14. Лапенок М. В., Тагильцева Н. Г. Нейросетевые прогностические системы для исследования и решения педагогических задач // Педагогическая информатика. 2019. № 3. С. 145–155.
15. Лапенок М. В., Лозинская А. М., Лихачева В. С. Когнитивные проблемы интеллектуального моделирования педагогических задач // Proceedings of the 18th International Conference on Information Technology-New Generations (10–14 April 2021). Las Vegas: Springer International Publishing, 2021. Vol. 1346. P. 355–359. |
| Полный текст статьи | Формирование умений бакалавров в области машинного обучения и интеллектуального анализа данных |
