ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНЕ МАШИННЕ НАВЧАННЯ СИСТЕМИ КОНТРОЛЮ ЗНАНЬ

Автор(и)

DOI:

https://doi.org/10.20998/2079-0023.2018.44.09

Ключові слова:

інформаційно-екстремальна інтелектуальна технологія, машинне навчання, оптимізація, система контрольних допусків, ознака розпізнавання, гіперсферичний контейнер класу розпізнавання

Анотація

Розглядається алгоритм машинного навчання комп’ютеризованої системи контролю знань за тестовими завданнями. При цьому машинне навчання здійснюється в рамках інформаційно-екстремальної інтелектуальної технології аналізу даних, яка ґрунтується на максимізації інформаційної спроможності системи в процесі її навчання. Як ознаки розпізнавання розглядалися результати відповідей студентів на тестові завдання, які оцінювалися за стобальною шкалою. Запропоновано алгоритм інформаційно-екстремального машинного навчання з паралельно-послідовною оптимізацією системи контрольних допусків на ознаки розпізнавання. Як параметр машинного навчання, що оптимізується, розглядався нижній контрольний допуск на ознаки розпізнавання при фіксованому верхньому допуску. При цьому отримані в процесі паралельної оптимізації квазіоптимальні контрольні допуски на ознаки розпізнавання використовувалися як стартові при реалізації алгоритму машинного навчання з послідовною оптимізацією. Як критерій оптимізації параметрів машинного навчання розглядалася модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик класифікаційних рішень. Оскільки, специфіка контролю знань полягає в тому, що алфавіт класів є структурованим, то розглядалася вкладена структура контейнерів класів розпізнавання, які характеризують відповідні рівні знать. При цьому вкладена структура характеризувалася загальним центром розсіювання векторів-реалізацій класів розпізнавання. Така структура на відміну від полімодальних контейнерів класів розпізнавання дозволила підвищити оперативність машинного навчання та достовірність вирішальних правил. Перевірка працездатності запропонованого алгоритму машинного навчання здійснювалася за репрезентативною вхідною навчальною матрицею, яка була сформованою за результатами тестування студентів за навчальною дисципліною.

Посилання

V. I., Kudryavtseva S. P., Kolos V. V., Verenich E. V. Distantsionnoye obucheniye: teoriya i praktika [Distance learning: theory and practice]. Kyiv: Naukova dumka Publ., 2004. 375 p.

Lubchak V. A., Petrov S. A. Estimation of functional efficiency of multyagent intellectual system of classification management of distance learning. Informational Technologies and Management: Theses of 3rd International Conference, 14–15 April 2005. Riga, Latvia: Information Systems Management Institute Publ., 2005, p. 73.

Melo-Pinto P., Kim T., Atanassov K., Sotirova E., Shannon A., Krawczak M. Generalized net model of e-learning evaluation with intuitionistic fuzzy estimations. Representation and Processing of Uncertain and Imprecise Information, Warszawa, 2005, pp. 241–249.

Huang M. J., Huang H. S., Chen M. Y. Constructing a personalized eLearning system based on genetic algorithm and case-based reasoning approach. Expert Systems with Applications. 2007, vol. 33, pp. 551–564.

Angelova G., Kalaydjiev O., Strupchanska A. Domain Ontology as a Resource Providing Adaptivity in eLearning. In Proc. On the Move to Meaningful Internet Systems 2004: OTM 2004 Workshops, LNCS 3292. Cyprus, 2004, pp. 700–712.

Rudolf Kruse, Christian Borgelt, Christian Moewes, Klawonn F., Matthias Steinbrecher, Pascal Held. Computational intelligence: a methodological introduction. London; New York, Springer Publ., 2013. 490 p.

Shai Shalev-Shwartz, Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014. 449 p.

Baylari Ahmad, Montazer Gh. A. Design a personalized e-learning system based on item response theory and artificial neural network approach. Expert Systems with Applications. 2009, vol. 36, pp. 8013–8021.

Francis T. S. Yu, Edward H. Yu, Ann G. Yu. The Art of Learning: Neural Networks and Education. CRC PressINC, 2018. 96 p.

James D. Miller. Statistics for Data Science: Leverage the power of statistics for Data Analysis, Classification, Regression, Machine Learning and Neural Networks. Packt Publ. Ltd, 2017. 286 p.

Dovbysh A. S. Osnovy proektuvannya intelektualnykh system: Navchalnyy posibnyk [Fundamentals of Designing Intelligent Systems: Textbook]. Sumy, SumDU Publ., 2009. 171 p.

Dovbysh A. S. Intelektualni informatsiyni tekhnologii v elektronnomu navchanni [Intelligent Information Technologies in Electronic Learning]. Sumy, SumDU Publ., 2013. 172 p.

Dovbysh А. S., Moskalenko V. V., Rizhova A. S. Information-Extreme Method for Classification of Observations with Categorical Attributes. Cibernetica and Systems Analysis. 2016, vol. 52, no. 2, pp. 45–52

Dovbysh A. S., Lyubchak V. O., Petrov S. O. Mashynna otsinka znan studentiv u systemakh keruvannya dystantsiynym navchannya [Machine assessment of knowledge of students in distance learning management systems]. Visnyk Sumʹkoho derzhavnoho universytetu. Seriya «Tekhnichni nauky» [Herald of Sumy State University. Series «Technical sciences»]. 2007, no. 1, pp. 167–178.

##submission.downloads##

Як цитувати

Shelehov, I. V., Pylypenko, S. O., Stolyarchuk, O. O., & Romanenko, T. A. (2018). ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНЕ МАШИННЕ НАВЧАННЯ СИСТЕМИ КОНТРОЛЮ ЗНАНЬ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, 1320(44), 49–56. https://doi.org/10.20998/2079-0023.2018.44.09

Номер

№ 44 (2018)

Розділ

СИСТЕМНИЙ АНАЛІЗ І ТЕОРІЯ ПРИЙНЯТТЯ РІШЕНЬ

Ліцензія

Авторське право (c) 2018 Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  • Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  • Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  • Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).