CC BY
2УДК 004
МЕТОДЫ И ЗАДАЧИ МАШИННОГО ОБУЧЕНИЯ В ОБРАЗОВАТЕЛЬНОМ
ОРГАНИЗАЦИИ
1Атамкулова Мушарапкан Тешевна, 2Аттокуров Урмат Теленевич, 3Мамарасул
кызы Дилфуза
1К.т.н, доцент ОшТУ, 2К.т.н., профессор ОшТУ, 3Магистрант, ОшТУ https://doi.org/10.5281/zenodo.10730278
Аннотация. Современность и актуальность данной работы заключается в том, что вопрос использования технологий машинного обучения в образовательных организациях до сих пор не решен, и в целом машинное обучение пока не является популярной технологией, но приносит, несомненно, большую пользу общество.
Ключевые слова: машинное обучение, образовательные организации, методы, данные, алгоритм, анализ, регрессия, Python.
Аннотация. Бул иштин заманбаптыгы жана актуалдуулугу билим берYY уюмдарында машиналык окутуунун технологияларын колдонуу маселеси али чечиле электигинде, жалпысынан машиналык окутуу али популярдуу технология эмес, бирок ал коомго чоц пайда алып келери талашсыз.
Калит сузлар: машинаны YйрвнYY, билим берYY уюмдары, ыкмалары, маалыматтар, алгоритм, анализ, регрессия, Python.
Abstract. The modernity and relevance of this work lies in the fact that the issue of using machine learning technologies in educational organizations has not yet been resolved, and in general, machine learning is not yet a popular technology, but it undoubtedly brings great benefits to society.
Keywords: machine learning, educational organizations, methods, data, algorithm, analysis, regression, Python.
Сегодня машинному обучению уделяется все больше внимания. Он может автоматизировать многие задачи, особенно задачи, которые люди могут выполнить только с помощью своего врожденного интеллекта. Машинное обучение — это способ обучения компьютеров без программирования или явных инструкций, с использованием шаблонов и умозаключений. В статье рассматриваются современные методы и основные задачи использования технологий машинного обучения в образовательных организациях.
Долгое время компьютеры применялись для решения задач, с которыми человек мог справиться и сам. Но постепенно становилось понятно, что преимущество машин — в скорости выполнения операций, быстрой аналитике больших объёмов данных, которые человек вручную обрабатывал бы очень долго. Компьютер может быстро дать результат, нужно только задать правильные условия «на входе». Так появились технологии машинного обучения и искусственный интеллект в широком его понимании.
Машинное обучение позволяет программисту не писать программы, учитывающие все варианты развития событий, а заложить в программу возможность самостоятельного нахождения решений с помощью использования имеющих статистических данных, в которых выделяются закономерности и на их основе создаются прогнозы.
Из-за быстрого роста вычислительных возможностей компьютеров во много раз усложнились прогнозы, которые они создают, и расширился круг проблем и задач, которые решает машинное обучение.
Для запуска процесса машинного обучения надо предоставить программе определенное количество исходных данных, необходимых для обучения. К примеру, это могут быть фотографии с присвоенными описаниями: «на фото дерево» или «на фото нет дерево». Это позволит программе в дальнейшем обнаруживать объекты на фото самостоятельно. Процесс обучения продолжается и в дальнейшем, так как все проанализированные фотографии попадают в базу данных. Поэтому, при увеличении количества обработанных данных увеличивается и качество распознавания.
В контексте высшего образования машинное обучение можно использовать для прогнозирования успеваемости учащихся, выявления учащихся из групп риска, предоставления рекомендаций по курсам и т.п.
Одной из ключевых концепций машинного обучения является понятие функции потерь, которая измеряет разницу между прогнозируемыми и истинными значениями.
Другой важной концепцией машинного обучения является выборка данных. В процессе обучения модель использует обучающий набор данных для настройки своих параметров и улучшения точности прогнозирования. Это может быть сделано с использования алгоритмов отбора, основанных на данных.
Цели и методы исследования является изучение и поиск возможных подходов к улучшению образовательной системы с помощью технологий машинного обучения. Для достижения указанной цели были решены следующие задачи:
• разобрано, что представляет собой машинное обучение в данный момент;
• изучены существующие методы и задачи использования технологий машинного обучения.
Как используют машинное обучение
Алгоритмы, которые используются в машинном обучении, дают возможность решать такие комплексные задачи, как определение, надо ли госпитализировать пациента, страдающего диабетом, по 8 факторам. Обработка текстов и речи — другая обширная область для применения технологий машинного обучения. К примеру, это создание голосовых помощников, таких как Siri или Alexa, онлайн-ботов для интернет-магазинов, отвечающих на входящие запросы клиентов, систем распознавания текста и речи. Создание умных автомобилей, которые способны самостоятельно ориентироваться в пространстве и принимать решения, согласно дорожной обстановке является крупным и важным направлением машинного обучения.
Как работает машинное обучение
1. Определение критериев для отбора и сбор данных. Это огромные объёмы информации.
2. Подготовка сведений — разграничение их метками, которые важны для распознавания алгоритмами ML нужных элементов. Сейчас разметка проводится специалистами и реже автоматизируется, поэтому процесс этот долгий.
3. Проверка данных и поиск закономерностей. Здесь находят ошибки, чтобы их исправить и сделать следующий этап наиболее точным.
4. Выбор модели и начало обучения. Алгоритм обрабатывает данные и выдаёт результаты.
5. Получение и оценка работы алгоритмов. На этом этапе исправляются ошибки, меняются алгоритмы для дальнейшей работы.
Методы машинного обучения
Существует три методы задач, которые решаются с помощью машинного обучения:
1. Классическое обучение и есть 2 типа классического обучения обучение с «учителем» (learning with superviser) и без него (learning without superviser);
2. Обучение с подкреплением (Reinforcement Learning);
3. Нейросети и глубокое обучение (Deep learning).
Рис. 1.Машинное обучение: методы, типы, задачи и примеры Таблица 1.
Способы Описание
Обучение с учителем (Supervised Learning) Мы обучаем машину на реальных примерах. Допустим, мы хотим научить ее отличать мандарин от лимона. Загружаем в программу данные и говорим ей, что на одних картинках изображены мандарин, а на других — лимона. Машина должна найти общие признаки и выстроить связи
Обучение без учителя (Unsupervised Learning) Этот метод используется, когда нет возможности предоставить роботу размеченные данные. Программа должна сама найти общие признаки и классифицировать полученные данные. Такой подход часто используют в таргетированной рекламе, когда действия или предпочтения пользователя нельзя заранее классифицировать.
Обучение с подкреплением (Reinforcement Learning) Это более сложный вид обучения. ИИ нужно не просто анализировать данные, а действовать самостоятельно в реальной среде. Обучение похоже на игру: за правильно принятое решение машина получает балл, за ошибки — баллы вычитаются. Рассмотрим на примере игры «Змейка». На поле есть объект, до которого должна добраться змейка. Она не знает, какой путь самый
эффективный. Ей известно только расстояние до объекта. Этот способ используют для обучения роботов-пылесосов или самоуправляемых автомобилей.
Нейросети и глубокое обучение (Deep learning) Глубоким это обучение называется потому, что структура искусственных нейронных сетей состоит из нескольких слоев, которые взаимодействуют между собой и создают сложный процесс анализа данных. Есть 3 вида слоев: входной, выходной, скрытый.
Какие задачи решает машинное обучение в образовательной организации.
Существует несколько задач машинного обучения:
1. Задача регрессии - составить прогноз, основываясь на некоторой выборке объектов, которые имеют различные признаки. В итоге должны получится числовые данные, например, цена акций и т.д.
2. Задача классификации ставит своей целью выбор ответа из определенной категории, базируя свой выбор на наборе признаков. Имеет конкретный набор ответов, например, да или нет, к примеру: есть ли фотографии енот. Может использоваться для распознавания текста или определения спама.
3. Задача кластеризации - это отнесение информации к какой-либо определенной группе исходя из признаков, например, определение типа объектов.
4. Задача минимизации размерности - минимизация набора признаков объекта, к примеру, для того, чтобы их было удобно представить графически.
Для решения данной задачи наибольший интерес представляет применение методов нечеткой логики и методов машинного обучения.
Мы можем использовать программное обеспечение Python для создания модели компьютерного машинного обучения на основе алгоритма линейной регрессии. Заключение
В данной статье рассматриваются современные методы использования технологий машинного обучения в образовательных организациях. Для достижения указанной цели были решены следующие задачи: разобрано, что представляет собой машинное обучение в данный момент; изучены существующие методы использования технологий машинного обучения. В ходе работы были получены следующие результаты: изучены понятие машинного обучения и относящиеся к нему термины, рассмотрены методы использования технологий машинного обучения в Кыргызстанда и за рубежом, предложен вариант решения проблемы некачественного образования.
REFERENCES
1. Бринк Х., Ричардс Дж.Феверолф М. Машинное обучение.- СПб.: Питер,2017. - 336 с.
2. Шолле, Ф.Глубокое обучение на Python. - СПб.: Питер, 2018. - 400 с.
3. Полетаева Н. Г. Классификация систем машинного обучения // Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. 2020. №1. С. 5-22.
4. Бозиева А. М., Дзамихова Ф. Х. Модель интеллектуальной системы, основанной на нечеткой логике, в задачах оценки деятельности высшего учебного заведения // Известия Кабардино-Балкарского научного центра РАН. 2023. № 1(111). С. 11-17.
5. https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0 (Machine Learning).
