CC BY
34
3. Греч Н. Чтения о русском языке. Санкт-Петербург, 1840; Ч. 1.
4. Дубинина Л.Л. Основные функциональные разновидности специальных учебных текстов. Международное образование и сотрудничество: сборник научных трудов. Москва, 2013: 17 - 20.
5. Тимофеева И.М., Кожевникова М.Н. Учимся пересказывать тексты: учебное пособие по русскому языку для иностранных учащихся. Москва, 2017.
6. Саенко Л.П. Понятие лингвистической нормы в современном русском языке. Международное образование и сотрудничество: сборник научных трудов. Москва, 2012: 76 - 81.
7. Кожевникова М.Н. Адаптационный курс русского языка для иностранных учащихся подготовительного факультета. Русский язык за рубежом. 2013; 4 (239): 96 - 100. References
1. Tolstoj A.N. Sobranie sochinenij. V 10 t. Moskva, 1961.
2. Antichnye mysliteli ob iskusstve. Moskva, 1938.
3. Grech N. Chteniya o russkom yazyke. Sankt-Peterburg, 1840; Ch. 1.
4. Dubinina L.L. Osnovnye funkcional'nye raznovidnosti special'nyh uchebnyh tekstov. Mezhdunarodnoe obrazovanie i sotrudnichestvo: sbornik nauchnyh trudov. Moskva, 2013: 17 - 20.
5. Timofeeva I.M., Kozhevnikova M.N. Uchimsya pereskazyvat'teksty: uchebnoe posobie po russkomu yazyku dlya inostrannyh uchaschihsya. Moskva, 2017.
6. Saenko L.P. Ponyatie lingvisticheskoj normy v sovremennom russkom yazyke. Mezhdunarodnoe obrazovanie i sotrudnichestvo: sbornik nauchnyh trudov. Moskva, 2012: 76 - 81.
7. Kozhevnikova M.N. Adaptacionnyj kurs russkogo yazyka dlya inostrannyh uchaschihsya podgotovitel'nogo fakul'teta. Russkijyazykza rubezhom. 2013; 4 (239): 96 - 100.
Статья поступила в редакцию 08.10.18
УДК 37.01
Kastornova V.A., Cand. of Sciences (Pedagogy), senior lecturer, leading researcher, Institute of Education Management of the Russian Academy of Education
(Moscow, Russia), E-mail: [email protected]
THE SYSTEMS OF ARTIFICIAL INTELLIGENCE AS THE TECHNOLOGICAL BASIS OF THE SOLUTION OF UNFORMALIZED TASKS IN INFORMATION AND EDUCATION SPACE OF SUBJECT DOMAIN OF "INFORMATION SCIENTIST". In the work questions of creation of the training expert system (TES) and the neural networks designed to serve one of pedagogical instruments of process of training in identification of objects of subject domain of "Information scientist" are considered. The work shows two kinds of technology of artificial intelligence in carrying out the tasks of recognition sites. This underlies the systematization and control of knowledge in various fields, including in the subject area of "Informatics". These two types of the program (shell ES Deductor and Academic) can be effectively used in conjunction with the purpose of optimization of the number of attributes (characteristics) of recognizable objects.
Key words: information and education space, training expert system, module, knowledge base, training of expert system, neural network, neurocovers, training of neural networks.
В.А Касторнова, канд. пед. наук, доц., ведущий научный сотрудник, ФГБНУ «Институт управления образованием Российской академии
образования», г. Москва, Е-mail: [email protected]
СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА КАК ТЕХНОЛОГИЧЕСКАЯ ОСНОВА РЕШЕНИЯ НЕФОРМАЛИЗОВАННЫХ ЗАДАЧ В ИНФОРМАЦИОННО-ОБРАЗОВАТЕЛЬНОМ ПРОСТРАНСТВЕ ПРЕДМЕТНОЙ ОБЛАСТИ «ИНФОРМАТИКА»
В данной работе рассмотрены вопросы построения обучающей экспертной системы (ОЭС) и нейронных сетей, призванных служить одним из педагогических инструментов процесса обучения по идентификации объектов предметной области «Информатика».
Ключевые слова: информационно-образовательное пространство, обучающая экспертная система, модуль, база знаний, обучение экспертной системы, нейронная сеть, нейрооболочки, обучение нейронных сетей.
Под предметной областью будем понимать множество информационных объектов, рассматриваемых в пределах отдельного рассуждения, исследования или научной теории. Например, предметной областью информатики служит изучение информационных процессов. Это понятие играет большую роль в анализе данных, поскольку используемые там подходы и методы оперируют объектами и терминами предметной области и зависят от неё. С самого начала исследований в области моделирования процесса мышления (конец 40-х годов) выделились два до недавнего времени практически независимых направления: логическое и нейрокибернетическое.
Первое было основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые применяет человек для решения каких-либо задач. В дальнейшем с появлением концепций «экспертных систем» (ЭС) (в начале 80-х годов) это направление вылилось в научно-технологическое направление информатики «инженерия знаний», занимающееся созданием т. н. «систем, основанных на знаниях» (Knowledge Based Systems). Именно с этим направлением обычно ассоциируется термин «искусственный интеллект» (ИИ).
Второе направление - нейрокибернетическое - было основано на построении самоорганизующихся систем, состоящих из множества элементов, функционально подобных нейронам головного мозга. Это направление началось с концепции формального нейрона Мак-Каллока-Питтса и исследований Розенблатта с различными моделями перцептрона - системы, обучающейся распознаванию образов. В связи с относительными успехами в логическом направлении ИИ и низким технологическом уровнем в микроэлектронике нейрокибернетическое направление было почти забыто с конца 60-х годов до начала 80-х, когда появились новые удачные теоретические модели (например, «модель Хопфилда») и сверхбольшие интегральные схемы.
Логическое направление можно рассматривать как моделирование мышления на уровне сознания или вербального или логического (целенаправленного) мышления. Его достоинствами являются: возможность относительно легкого по-
нимания работы системы; легкость отображения процесса рассуждений системы на её интерфейс с пользователем на естественном языке или каком-либо формальном языке; достижимость однозначности поведения системы в одинаковых ситуациях.
Нейрокибернетическое направление (или нейроинформатика) можно рассматривать как моделирование образного мышления и мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства - это отсутствие недостатков, свойственных логическому направлению, а недостатки - отсутствие его достоинств. Кроме того, в нейроки-бернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети. Ещё одним достоинством нейронной сети является её живучесть, т. е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации [1].
Рассмотрим характерные особенности этих двух технологических решений развития искусственного интеллекта в сфере образования как составных частей информационно-образовательного пространства предметной области «Информатика». С помощью систем ИИ можно решать неформализованные задачи из разных областей знаний, среди которых можно указать распознавание объектов по их характерным признакам. Примером использования ИИ при изучении предметной области «Информатика» может служить изучение вопросов аппаратного и программного обеспечения ЭВМ - умение определить тип ЭВМ, вид программного обеспечения (базового и прикладного), тип языка программирования, а точнее системы программирования. При решении таких задач основным является выделение характерных свойств (признаков, атрибутов) этих объектов.
1. ЭКСПЕРТНЫЕ СИСТЕМЫ
Экспертные системы (ЭС) - класс систем искусственного интеллекта, предназначенных для получения, накопления, корректировки знаний, предоставляемых экспертами из некоторой предметной области для получения нового знания. Технологически экспертная система представляет собой пакет программ, способный с помощью методов искусственного интеллекта анализировать факты, представляемые пользователем; исследовать ситуацию, процесс, явление; выдать экспертное заключение или генерировать рекомендации по решению той или иной проблемы.
Экспертные системы - это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.
Экспертная система (ЭС) - программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала. Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века.
Основу успеха ЭС составили два важных свойства :
- в ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач;
- решаемые ЭС задачи являются неформализованными или слабофор-мализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области [1].
ЭС традиционно включает в себя базу знаний и машину логического вывода. База знаний содержит эмпирические правила, наблюдения и описания прецедентов, полученные путем опроса экспертов. Машина логического вывода (решатель) представляет собой механизм, включающий в себя систему правил вывода, построенных эмпирическим путем в ходе обучения системы [2]. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Проблемы ставятся перед системой в виде совокупности фактов и правил, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.
Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Поэтому для целей обучения стали использоваться обучающие экспертные системы. Экспертная обучающая система (ЭОС) организует диалог пользователя с системой, обеспечивая при этом контроль уровня знаний, умений и навыков с диагностикой ошибок по результатам обучения.
Существуют различные инструментальные (Exsys Developer) и программные средства для реализации ЭОС, к числу которых относятся языки обработки символьной информации, наиболее известными из которых являются Пролог и Лисп. Кроме этих специализированных языков могут применяться и процедурные языки программирования: Си, Ассемблер, Паскаль, Фортран, Бейсик и др.
Используемая нами программная оболочка на языке Паскаль [1] для создания ЭОС состоит из следующих модулей: инициализация системы, ввод примера, тренировка и обучение системы, основной модуль диалога с пользователем - нормальное функционирование системы, запоминание текущего состояния и загрузка экспертной системы, контроль правил и примеров, добавление и удаление новых переменных и исходов, запись на диск схемы ЭОС.
Отметим, что она является универсальной и в нее можно помещать наполнение из любой предметной области. Разработчик ЭОС должен решить, по существу, три проблемы:
1. Выбрать оптимальное число узлов для правильной идентификации объектов.
2. Подобрать для каждого узла соответствующие признаки (переменные) этого объекта (исхода).
3. Обучить путем многократной «прогонки» программы базу знаний ЭОС, используя при этом либо удаление неиспользуемых признаков, либо добавление новых, если система допускает ошибки.
При инициализации системы разработчик определяет структуру базы знаний, где указываются число узлов, переменных и исходов, которые затем вводятся в эту базу. При этом набор переменных для каждого узла задает характерные признаки (атрибуты), присущие объектам (исходам) этого узла. Например, в предлагаемой нами базе знаний «Программное обеспечение ЭВМ» среди переменных первого узла указываются такие признаки: «Создает исполняемые файлы», «Управляет работой ЭВМ», «Создает программы», «Решает практические задачи» и пр., которые определяют классификацию ПО ЭВМ: системное ПО, прикладное ПО и система программирования. Во втором узле в число переменных входят исходы первого узла и дополнительные признаки, которые позволяют отличить MS DOS от Windows NT, MS WOrd от MS Access, Pascal от Assembler. На следующем этапе система обучается на конкретных примерах, до
тех пор, пока она не перестанет ошибаться. Полученная база знаний записывается в виде системы файлов на диске. Готовая система потом может быть использована учащимися после её загрузки. Система позволяет также производить её модификацию путем удаления или добавления новых переменных и исходов с последующим дообучением.
В рассматриваемой оболочке сами объекты называются исходами, а их характерные признаки - переменными. ЭОС может работать с разным числом узлов. ЭОС с одним узлом содержит один набор переменных и один список исходов (объектов). При двух и более узлах исходы предыдущего узла могут стать (все или частично) переменными для следующего узла. Система на основании характерных признаков объектов вырабатывает правила, и потом, по результатам ответов, полученных от пользователя, узнает нужный объект (число задаваемых системой вопросов, как правило, меньше, чем число характерных признаков объекта).
Итак, программная оболочка ЭОС состоит из следующих модулей:
1. Блок инициализации. Здесь разработчик определяет число узлов, максимальное число переменных для всех узлов, максимальное число исходов для всех узлов. Это делается для того, чтобы определить максимальный размер массивов, куда будут записываться данные. Затем вводятся последовательно все узлы: сначала указывается число переменных и число исходов для каждого узла, а потом - сами переменные и исходы. По завершению ввода данных рекомендуется записать эту информацию на диск.
2. Ввод примеров. Когда все переменные и исходы введены, то следует приступить к обучению ЭОС через примеры. Как правило, число примеров для каждого узла равно числу его исходов - надо указать через 0 или 1 наличие того или признака (свойства) у каждого исхода. Ввод примера также завершается записью его на диск.
3. Тренировка системы. С помощью этого модуля на основании введенных примеров вычисляется массив правил для работы системы как эксперта по узнаванию объектов. Получаемое правило представляют собой двумерный массив, в котором положительность коэффициента (веса) в строке соответствует наличию этого свойства соответствующему исходу. Коэффициенты (веса) других исходов получают при этом отрицательные значения. Полученный массив записывается на диск.
4. Обучение системы. Этот модуль используется, если после ввода примеров и вычисления массива правил, система работает не надежно и дает неправильные варианты исходов. В этом случае рекомендуется переобучить систему, вводя дополнительные примеры. После ввода каждого примера система спрашивает, надо ли запоминать ответ, и если да, то она сама осуществляет коррекцию массива правил, который изменяет свои значения в тех строках, где речь идет о переменных, относящихся к свойствам неправильно узнанных исходов. Для надежности рекомендуется вводить один и тот же пример дважды. Можно дать столько же примеров, как было при вводе примеров на втором этапе. Можно же ограничиться примерами только для тех случаев, когда система выдает ошибочные исходы. По завершению сеанса обучения результаты записывается на диск.
6. Нормальное функционирование системы. Этот модуль предназначен преимущественно для работы с ЭОС обучаемым (пользователем), а не разработчиком. При запуске модуля на экране появляются вопросы, которая система последовательно ставит пользователю. Тот сообщает ей, какие признаки у того объекта, название которого он желает узнать с помощью ЭОС. Ответы пользователя должны быть точны, иначе ЭС не даст правильного ответа (исхода). При многоуровневой ЭОС сначала выдается исход 1-го узла, а потом - окончательный ответ. Оболочка данной ЭОС устроена так, что после завершения сеанса работы с ней создается файл-протокол сеанса работы.
6. Запоминание текущего состояния системы. Этот модуль записывает на диск массивы переменных, исходов, их число, массив примеров и правил (в общей сложности 7 файлов).
7. Загрузка экспертной системы. Заполнение массивов из файлов. Этот модуль делает ЭОС готовой к работе. После загрузки система готова либо для обучения, либо к нормальному функционированию, то есть использованию ЭОС для распознавания объектов (исходов).
8. Контроль правил и примеров. Здесь на экране монитора можно просмотреть список все переменных и исходов, введенные примеры и массив правил.
9. Модификация системы. Здесь можно удалять и вводить новые переменные и исходы. Переменные рекомендуются удалять только тогда, когда в процессе обучения система совсем не задает вопросов по наличию у объектов этого признака - значит, он не существенен, его надо удалить. Добавлять новые переменные нужно тогда, когда системе не удается отличить один объект от другого. После модификации исходных данных рекомендуется с помощью модуля 4 переобучить систему и записать результаты на диск.
10. Запись структуры ЭОС на диск. Этот модуль полезен тем, что после ввода переменных и исходов их можно вывести в текстовый файл (в отличие от модуля 8, который выводит только на экран монитора) для последующей корректировки системы.
Работа пользователя (обучаемого) начинается с загрузки ЭОС с внешнего носителя в ОЗУ (модуль 7 «Загрузка БЗ») и последующего диалога с ней. При диалоге на экране монитора появляются вопросы, на которые надо ответить в
форме ввода с клавиатуры значений 0 или 1 в зависимости от наличия или отсутствия указанных свойств у искомого объекта (исхода). Число задаваемых ЭОС вопросов и порядок их следования целиком зависит от уровня её обученности экспертом (преподавателем). Иногда ответ получается за 2-3 хода, порой задается более десятка вопросов (все зависит, конечно, от общего числа введенных в БЗ переменных и искомых исходов). В нашем примере ЭОС «Прикладное обеспечение ЭВМ» для идентификации исхода ACCESS система в 1 узле задает вопросы: «Создает программы»-1, «Создает исполняемые файлы»-0, «Имеет транслятор»-0, «Графический режим работы»-1 и принимает решение, что это - «Прикладное ПО», а потом во 2 узле спрашивает: «Создает графику», «Проводит вычисления», «Создает БД».
При создании ЭОС в какой-либо предметной области, прежде всего, нужно определиться с выбором темы курса, знание которой планируется проверить с её помощью. Например, в базовом курсе информатики одним из немаловажных являются вопросы классификации видов компьютеров, программного обеспечения и языков программирования. Как уже было сказано выше, ЭОС идентифицирует объекты по их характерным признакам (свойствам, атрибутам). Поэтому разработчик ЭОС должен в первую очередь набрать достаточное число этих свойств, которые мы называем входами или переменными. Их число варьируется в зависимости от количества распознаваемых объектов - исходов.
После ввода исходных данных идет задание примера, в котором для каждого исхода всех узлов указывается наличие его характерных признаков. За вводом примера наступает этап тренировки системы, в котором по соответствующему алгоритму заполняется массив правил, позволяющих по набору некоторых значений переменных (не обязательно всех) определить соответствующий им исход. Однако этап тренировки, как правило, формирует такой массив правил, который не всегда обеспечивает поиск адекватного переменным (атрибутам) исхода. Поэтому рекомендуется после тренировки провести обучение системы. На этом этапе система, ориентируясь на сформированный ранее массив правил, ставит эксперту уточняющие вопросы относительно наличия тех или свойств выбранному исходу. Обучение заканчивается, как только система перестает ошибаться. Теперь результаты обучения заносятся в модифицированный массив правил, при этом сохраняются и все ранее созданные массивы. Первоначально следует подобрать как можно больше переменных, а потом, после обучения системы, неиспользуемые переменные, а ими окажутся те, которые совсем не будет вызывать система, можно удалить из базы. Может оказаться, что система не различает два похожих друг на друга объекта. В этом случае следует ввести в базу дополнительную переменную. Система готова к работе и её можно использовать.
Существенным также является вопрос определения числа узлов будущей ЭОС. Самый простой вариант - одноузловая система. В ней множество всех свойств объектов дают все переменные узла, а узнаваемые объекты (виды ЭВМ, ПО ЭВМ и языки программирования) - множество исходов. Построение двуглавых или более систем связано в большей степени с выбранными системами классификации объектов. ЭОС призвана проверять знания обучаемых в как можно большем объеме, поэтому желательно создавать много узловые системы. В случае классификации ЭВМ существует классическое их разделение на супер ЭВМ, большие ЭВМ, миниЭВМ и микроЭВМ. В результате будет получаться двухузловая ЭОС (первый узел определяет принадлежность к указанному виду, а второй узел определяет конкретный тип ЭВМ (БЭСМ, Apple и пр.)). В случае типизации ПО его можно отнести к трем видам: системное, прикладное и инструментальное. Такое деление определяет двухузловую систему. При построении трехузловой системы рекомендуется указанные три вида подразделить на поддержку ПО тем или иным типом операционной системы (однозадачная, многозадачная, сетевая, несетевая). Для языков программирования, а точнее для их систем программирования, можно взять градации: процедурные, декларативные, функциональные и пр. Строя трехузловую систему, можно применять аналогичный классификации ПО подход.
2. НЕЙРОННЫЕ СЕТИ
Основной функцией обучения нейронной сети (НС) является ассоциативное мышление, направленное на узнавание объектов, умение определять их сходство и различия. На этапе обучения НС формируются основные отношения между входными параметрами, которые впоследствии будут использоваться при решении задач с использованием нейросети.
Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом принципиально отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер. Он обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнить конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие компьютеры. Мозг имеет совершенную структуру, позволяющую строить собственные правила на основе опыта. Опыт накапливается с течением времени.
Таким образом, можно дать следующее определение нейронных сетей, выступающих в роли адаптивной машины: нейронная сеть - это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и представляющих их для последующей обработки. Нейронная сеть сходна с мозгом с
двух точек зрения: знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения; для накопления знаний применяются связи между нейронами, называемые синаптическими весами. Процедура настройки синаптических весов называется алгоритмом обучения [3].
В настоящее время существуют два основных направления реализации НС. К первому из них относятся специализированные компьютеры, которые получили название нейрокомпьютеры или нейроЭВМ (Synapse, NeuroMatrix). Второе направление основано на использовании нейросетевых программных продуктов, включающих: системы разработки нейроприложений, нейропакеты общего назначения, готовые решения на основе нейросетей. Нейропакеты общего назначения предназначены для решения информационных задач в диалоговом режиме, к ним относятся BrainMaker Professional, NeuroForecaster, Deductor Academic. Каждый нейропакет представляет собой комплекс программ, моделирующих работу нейроЭВМ. Входные и выходные данные могут быть представлены в числовом или символьном видах. При этом все данные имеют текстовый формат, и могут быть созданы и отредактированы в текстовом редакторе типа «Блокнот» [2].
Пакет Deductor Academic является свободно распространяемым ПО для учебных целей и позволяет решать задачу построения различных видов ней-росетей с помощью имеющихся в нем инструментов - Мастеров обработки. С помощью Мастера обработки Deductor Academic позволяет конструировать нейронную сеть с заданной структурой, определить её параметры и обучить с помощью одного из доступных в системе алгоритмов обучения. В результате получается некий эмулятор нейронной сети, который может быть использован для решения различного рода задач, в том числе, классификации объектов.
Помимо разработки структуры нейросети процесс её создания включает в себя и этап обучения. Обучение равносильно процессу аппроксимации функции. Перед процессом обучения необходимо подготовить таблицу, в которой задаются входные и выходные параметры, то есть создать обучающую выборку. По представленной таблице нейросеть определит зависимости выходных параметров от входных. Далее построенные зависимости можно использовать, подавая на вход нейросети определенные системой значения (даже те, на которых нейросеть не обучалась).
Проиллюстрируем вышесказанное на примере классификации программного обеспечения ЭВМ, как это было проделано для экспертных систем. Представим работу Deductor Academic на примере создания нейросети «Виды ПО».
Как было сказано ранее, первоначально создается таблица, в столбцах которой помещается список всех атрибутов (входные данные), а в строках - перечень объектов распознавания (выходные данные), которая с помощью редактора «Блокнот» импортируется в Deductor Academic. Входными параметрами являются признаки объектов, а выходными - узнаваемый объект. Полученная таблица может быть обработана с помощью различных Мастеров обработки, из которых, на наш взгляд, для решения рассматриваемой задачи классификации объектов, эффективными являются Дерево решений и Кластеризация.
1. Дерево решений
Деревья решений (decision trees) являются средством решения задачи принадлежности какого-либо объекта (строчки набора данных) к одному из заранее известных классов. Дерево решений - является своего рода классификатором, полученным из обучающего множества, содержащего объекты и их характеристики. Дерево состоит из узлов и листьев, указывающих на класс.
Рассмотрим построение нейросети с помощью инструмента Дерево решений:
1) Вызываем Мастер обработки.
2) Выбираем Дерево решений.
3) Задаем назначения столбцов данных. Входными значениями сделаем тип «Атрибуты ПО ЭВМ», выходным - «Виды ПО».
4) Запускаем процесс построения дерева решений, нажав кнопку Пуск.
В качестве способов отображения (визуализация) данных выберем подпункты пункта Data Mining: дерево решений, правила вывода, значимость атрибутов и инструмент «Что-если».
Визуализатор «Дерево решений» позволяет увидеть, как на основе алгоритмической структуры «если-то-иначе» система осуществляет классификацию объектов.
Визуализатор «Значимость атрибутов» показывает, какие атрибуты значимы при проведении классификации объектов.
Визуализатор «Что-если» позволяет работать с обученной нейронной сетью, придавая значения «да» и «нет» узнаваемым объектам.
2. Кластеризация
Пакет Deductor Academic имеет в своем распоряжении Мастер обработки «Кластеризация». Этот мастер обработки позволяет при решении задач указанного типа изменить подход для получения результатов обучения сети с помощью визуализатора «Что-если». Сеть можно настроить так, что атрибуты становятся выходными значениями, а выходной параметр - входным. В этом случае получается рабочий инструмент, который позволяет, выбирая вид ПО, получить его атрибуты, то есть характерные признаки объекта.
Таким образом, рассмотренные нами два способа (с омощью экспертных систем и нейронных сетей) решения задач идентификации объектов, несмотря на их внешнее различие, имеют и много общего. Оба они предполагают составление списков входных данных (переменных) и выходных (исходов). У обоих
способов создается база знаний (система правил), базирующаяся на весовых коэффициентах. Оба проходят этап обучения, однако на этом этапе и наблюдаются существенные отличия. Так обучение нейронной сети производится нейроэмуля-тором Deductor Academic после ввода обучающей выборки. В экспертных же системах, как отмечалось выше, после ввода примеров и получения системы правил, чаще всего, приходится их улучшать путем дополнительного дообучивания. Есть еще одно характерное отличие ЭС от нейронной сети. Как уже отмечалось, экспертная система может быть многоузловой, что обуславливается многоуровневой классификацией объектов. В рассматриваемом нами примере идентифицируемая компьютерная программа сначала в первом узле соотносится по своим признакам с системным, прикладным ПО или системой программирования, а во втором - по переменным этого узла определяется название программы. Нейро-сеть не имеет узлов, в ней задается только один список атрибутов, позволяющих сразу определить название узнаваемой программы. Этот список атрибутов может совпадать со списком переменных второго узла ЭС, таким образом, нейро-сеть можно формально считать одноузловой экспертной системой.
В данной работе мы показали технологию использования двух видов искусственного интеллекта при решении задач распознавания объетов, что лежит
Библиографический список
в основе систематизации и контроля знаний в различных областях, в том числе и в предметной области «Информатика». Эти два вида программных сред (оболочка ЭС и Deductor Academic) можно эффективно использовать совместно с целью оптимизации числа атрибутов (характерных признаков) распознаваемых объектов. Действительно, работая в среде ЭС довольно трудно определить значимые и незначимые атрибуты (переменные). А инструмент дедуктора «Значимость атрибутов» позволчет легко определить лишние атрибуты (свойства объектов). При этом надо учитывать то обстоятельство, что ЭС и нейросети ведут себя по-разному. Так, нейросеть может идентифицировать объект по отсутствию у него указанных свойств. И это логично, так как отсутствие у объекта какого-либо свойства есть его характеристика. А для ЭС идентификация объекта обязательно требует наличия у него хотя бы одного характерного признака. Такова особенность работы алгоритма, заложенного в её оболочку. Следует заметить, что список признаков, входящих в соответсвующее объекту правило, включает в себя не все свойства объектов, которые указаны в исходной таблице для построения нейронной сети. Сюда входодят только те из них, которые позволяют сети отличить один объект от другого, с учетом того, что они могут иметь одинаковые характерные признаки.
1. Макаренко С.И. Интеллектуальные информационные системы: учебное пособие. Ставрополь, 2009.
2. Касторнов А.Ф., Касторнова В.А. Интеллектуальное тестирование знаний. Информационные и педагогические технологии в современном образовательном учреждении: материалы VIII Всероссийской научно-практической конференции. Череповец: ЧГУ, 2017: 14 - 17.
3. Касторнов А.Ф. Нейрокомпьютинг - современный интеллектуальный инструмент познания. Учёные записки ИУО РАО. 2017; 1-2 (61): 58 - 61.
References
1. Makarenko S.I. Intellektual'nye informacionnye sistemy: uchebnoe posobie. Stavropol', 2009.
2. Kastornov A.F., Kastornova V.A. Intellektual'noe testirovanie znanij. Informacionnye i pedagogicheskie tehnologii v sovremennom obrazovatel'nom uchrezhdenii: materialy VIII Vserossijskoj nauchno-prakticheskoj konferencii. Cherepovec: ChGU, 2017: 14 - 17.
3. Kastornov A.F. Nejrokomp'yuting - sovremennyj intellektual'nyj instrument poznaniya. Uchenye zapiski IUO RAO. 2017; 1-2 (61): 58 - 61.
Статья поступила в редакцию 22.10.18
УДК 37
Kachalov D.V., Doctor of Sciences (Pedagogy), Senior Lecturer, Professor, Department of Transport Economics, Ural State University of Railway Engineering
(Yekaterinburg, Russia), E-mail: [email protected]
FORMATION OF STUDENTS' SELF-EDUCATION CULTURE BY MEANS OF REFLEXIVE-ANALYTICAL WORKSHOP. The atatement of a problem of formation of culture of self-education of students is dictated by the need to form not only professional competence, but also to form a culture of self-knowledge, promotion of self-realization, self-improvement, "self-movement" in the professional future. The process changes in the approaches to the organization of the learning process at a university are associated with the creation of conditions and the use of methods aimed at the formation of a culture of self-education, knowledge, search skills to achieve a high level of professional competence.
Key words: self-education, culture of self-education, reflexive-analytical workshop, functions, pedagogical potential in formation of culture of self-education of students.
Д.В. Качалов, д-р пед. наук, доц., проф. каф. экономики транспорта, Уральский государственный университет путей сообщения, г. Екатеринбург,
Е-mail: [email protected]
ФОРМИРОВАНИЕ КУЛЬТУРЫ САМООБРАЗОВАНИЯ СТУДЕНТОВ ПОСРЕДСТВОМ РЕФЛЕКСИВНО-АНАЛИТИЧЕСКОГО ПРАКТИКУМА
Постановка проблемы формирования культуры самообразования студентов продиктована необходимостью сформировать не только профессиональные компетенции, но и сформировать культуру самостоятельного получения знания, выдвижения задач самореализации, самосовершенствования, собственного «самодвижения» в профессиональном будущем, способности успешной самореализации в будущей профессиональной деятельности. Процессные изменения в подходах к организации процесса обучения в вузе связаны с созданием условий и применением методов, направленных на формирование культуры самообразования, знаний, поисковых навыков для достижения высокого уровня профессиональной компетентности.
Ключевые слова: самообразование, культура самообразования, рефлексивно-аналитический практикум, функции, педагогический потенциал в формировании культуры самообразования студентов.
В калейдоскопе научных исследований нет однозначного общепризнанного определения культуры самообразования студентов. Чаще исследователи обращают внимание на категорию самообразование и определяют её как целенаправленную, систематическую, управляемую студентом познавательную деятельность; как переход личности от одного состояния к другому [1; 2]; в целостном рассмотрении в самообразовании выделяются инициативность субъекта; самостоятельное овладение знаниями; дополнительный характер образования по отношению к основному образованию; целенаправленность данного процесса; систематичность; высший уровень образовательной деятельности [3, с. 137-138]. То есть как родовое и составляющее понятие самообразование в приближении к культуре самообразования может рассматриваться как целенаправленная познавательная деятельность, способствующая развитию личностных качеств
Между тем, исследователи, активно решая проблему формирования культуры самообразования, дают её определение в контексте учебной и будущей профессиональной деятельности, подчеркивая, что она (культура самообразова-
ния) является условием успешной учебной деятельности студента, и её составной характеристики; на высоком уровне организованная умственная и творческая деятельность; выделяют в её структуре ценностно-мотивационный, когнитивно-операционный и контрольно-рефлексивный компоненты [4, с. 278-285]; соотнося составляющие культуры самообразования со структурой личности, исследователи определяют данное понятие как готовность к изменению вида и характера деятельности, активное пользование информационными технологиями, способность осмысливать выдвигаемые учебные ситуации и «переносить» их в формат и цель самообразования [5] и другие.
Воспользуемся структурным форматом культуры самообразования уже известным в научном понимании [6, с. 247] и будем ориентироваться в процессе её формирования на следующие компоненты: ценностно-мотивационный компонент, включающий осознание требований будущей профессиональной деятельности, потребность в освоении новых знаний, стремление к освоению методов научного познания, стремление состояться в профессии; когнитивно-
