Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://repository.kpi.kharkov.ua/handle/KhPI-Press/39786
Название: Інформаційно-екстремальне машинне навчання системи контролю знань
Другие названия: Information-extreme machine learning of knowledge control system
Авторы: Шелехов, Ігор Володимирович
Пилипенко, Світлана Олександрівна
Столярчук, Олексій Олександрович
Романенко, Тимофій Андрійович
Ключевые слова: інтелектуальна технологія; оптимізація; система контрольних допусків; ознака розпізнавання; гіперсферичний контейнер; intellectual technology; machine learning; optimization; system of control tolerances; recognition sign
Дата публикации: 2018
Издательство: НТУ "ХПІ"
Библиографическое описание: Інформаційно-екстремальне машинне навчання системи контролю знань / І. В. Шелехов [та ін.] // Вісник Національного технічного університету "ХПІ". Сер. : Системний аналіз, управління та інформаційні технології = Bulletin of the National Technical University "KhPI". Ser. : System analysis, control and information technology : зб. наук. пр. – Харків : НТУ "ХПІ", 2018. – № 44 (1320). – С.49-56.
Краткий осмотр (реферат): 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.
The algorithm of machine learning of an automated subsystem of control of students’ knowledge according to the test tasks of the computerized education system is considered. In this case, machine learning is carried out within the framework of information-extreme intellectual technology of data analysis, which is based on maximizing the information capacity of the system in the process of its improvement. The results of students' answers to test tasks were considered as signs of recognition, which were evaluated on a scale from 0 to 100. The algorithm of information-extreme machine learning with parallel-sequential optimization of the system of control tolerances on recognition signs was suggested. The lower control tolerance for recognition attributes, with a fixed upper control tolerance, was considered as an optimized machine learning parameter. In this case, quasi-optimal control tolerances on the signs of recognition, obtained in the process of parallel optimization, were used as the starting point for the implementation of a machine learning algorithm with sequential optimization. Kullback modified information measure, which is a function of the exact characteristics of classification decisions, was considered as an optimization criterion of machine learning characteristics. Since the specificity of knowledge control is that the class alphabet is structured, so the enclosed structure of container classes of recognition, which characterize the corresponding levels of knowledge, was considered. In this case, the enclosed structure was characterized by the general center of scattering of vector-realization classes of recognition. This structure, in contrast to polymodial containers of recognition classes, has allowed increasing of the efficiency of machine learning and the validity of decisive rules. The verification of the workability of the suggested algorithm for machine learning was carried out on the basis of a representative input matrix, which was formed on the basis of the student test results of the discipline.
URI (Унифицированный идентификатор ресурса): http://repository.kpi.kharkov.ua/handle/KhPI-Press/39786
Располагается в коллекциях:Вісник № 44

Файлы этого ресурса:
Файл Описание РазмерФормат 
vestnik_KhPI_2018_44_Shelekhov_Informatsiino-ekstremalne.pdf1,1 MBAdobe PDFЭскиз
Открыть
Показать полное описание ресурса Просмотр статистики  Google Scholar



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.