Предлагается подход к построению профессиональной траектории студента в рамках основной образовательной программы, учитывающий индивидуальные знания обучающегося. Алгоритм построения траектории основан на методах обучения с подкреплением, а именно, используется подход максимизации функции полезности на основе опыта, получаемого от интерактивного взаимодействия со средой. Разработана функция награды для оценки эффективности и степени вклада каждой образовательной сущности в достижение определенной профессии конкретным студентом. В ходе эксперимента установлено, что алгоритм позволяет выстраивать индивидуальную траекторию освоения профессии, которая может стать основой профессионального развития для каждого студента.
Идентификаторы и классификаторы
- УДК
- 004.85. Обучение
Для определения адекватности алгоритма при построении траектории, предлагается провести ряд экспериментов, которые помогут понять насколько логично модель выстраивает траекторию, относительно различных ситуаций. Первым экспериментом проверим, что траектория формируется как подмножество дисциплин, а не простое добавление всех дисциплин подряд. Выберем направление, определим пустой цифровой профиль студента и профиль профессии аналитика данных. Алгоритм определил 40 дисциплин, в которые входят математические, научно-исследовательские и прикладные предметы, что подтверждает определенное ранее предположение. Вторым экспериментом проверим создание траектории для студента, который имеет все необходимые знания, умения и навыки для выбранной профессии аналитика данных. Должны получить либо пустую траекторию, либо содержащую несколько предметов, которые отражают научную составляющую профессии. Получили в траектории только 1 дисциплину «Научно-исследовательская работа». Этот результат подтверждает выдвинутое предположение и само по себе является логичным выбором, для студента, уже получившего все необходимые навыки.
Список литературы
-
Playing Atari with Deep Reinforcement Learning / V. Mnih, K. Kavukcuoglu, D. Silver, [et al.] // arXiv preprint arXiv:1312.5602 (date accessed: 17.06.2023).
-
Канева О. Н. Разработка алгоритма нахождения семантической близости между компетенциями // Информационный бюллетень Омского научно-образовательного центра ОмГТУ и ИМ СО РАН в области математики и информатики: материалы VII Междунар. молодежной науч.-практ. конф. с элементами науч. школы, посвящ. 60-летию Института математики им. С. Л. Соболева СО РАН / Ом. гос. техн. ун-т. Омск Изд-во ОмГТУ, 2017. Т. 1., № 1. С. 155- 156. EDN: ZDLKGT
Neural Information Processing Systems, Dec. 4-9, 2017 / Long Beach California USA, 2017. P. 6000-6010.
-
Бенгфорт Б., Билбро Р., Охеда Т. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений для обработки естественного языка. СПб.: Питер, 2019. 368 с.
-
Будыльский Д. В. Применение рекуррентных нейронных сетей в задачах обработки текстов на естественном языке // Вопросы науки. 2015. Т. 6. С. 8-12. EDN: UCGQXH
-
Watkins Ch. J. C. H. Technical Note: Q-Learning // Machine Learning, 1992. Vol. 8, no. 3-4. P. 279-292. EDN: EQIBGH
Это изображение не может быть вставлено из буфера обмена, но можно сохранить его на компьютере и вставить оттуда.
-
Зязюлькин С. П. Использование DQN для обучения агентов игр (Atari 2600) // Big data и анализ высокого уровня: сб. материаловVI Междунар. науч.-практ. конф. 20-21 мая 2020 г. / Минск: Бестпринт, 2020. С. 275-281. EDN: PAYVXR
-
Воротинцева Ю. А. Разработка алгоритма построения дескрипторной модели учебной дисциплины // Прикладная математика и фундаментальная информатика: материалы XII Междунар. молодежной науч.-практ. конф. с элементами научной школы, 16-21 мая 2022 г. / Ом. гос. техн. ун-т. Омск: Изд-во ОмГТУ, 2022. С. 76-77. EDN: XQOSSN
-
Канева О. Н., Акимов К. А., Шарун И. В. Разработка алгоритма нахождения семантической близости между компетенциями // Информационный бюллетень Омского научно-образовательного центра ОмГТУ и ИМ СО РАН в области математики и информатики: материалы VII Междунар. молодежной науч.-практ. конф. с элементами научной школы, посвящ. 60-летию Института математики им. С. Л. Соболева СО РАН, 25 апр. 2017 / Ом. гос. техн. ун-т. Омск: Изд-во ОмГТУ, 2017. Т. 1, № 1.С. 155-156. EDN: ZDLKGT
-
Зеер Э. Ф. Компетентностный подход к образованию // Образование и наука. Известия УрО РАО. 2005. № 3 (33). С. 27-40. EDN: JSIJVT
Выпуск
Другие статьи выпуска
Работа посвящена анализу текущего состояния проектной деятельности в вузе и моделированию процесса запуска студентов первого курса в этот вид деятельности. Разработана учебная программа, содержащая необходимые материалы для реализации проектной деятельности. Подготовлены материалы для погружения обучающихся в теоретическую часть и предложена схема реализации программы, ориентированная на практическую подготовку студентов в рамках семестрового курса в вузе.
В работе рассмотрена специфика применения генетического алгоритма в решение задачи коммивояжера. Приведен краткий теоретический обзор структуры генетического алгоритма. Выполнено описание программной реализации обобщенного генетического алгоритма для задачи коммивояжера. Представлен анализ эффективности генетического алгоритма в зависимости от его различных параметров, приведены соответствующие графики.
В настоящее время большинство угроз безопасности операционной системы в пользовательском режиме достаточно легко обнаруживаются современными антивирусными программами. Разработчики вредоносного программного обеспечения намного чаще используют уязвимости в ядре операционной системы Windows для затруднения поиска такого программного обеспечения, а также получения полного контроля над работой операционной системы. Одна из главных уязвимостей ядра операционной системы Windows - динамическое исполнение кода в ядре, обходя строгие требования Microsoft для разработчиков программного обеспечения в режиме ядра. Предлагаются возможные способы обнаружения исполнения такого кода, а также концепт разработки решения для мониторинга исполнения потенциально вредоносного кода в ядре операционной системы Windows.
В данной статье рассматривается применение нейронных сетей LSTM для прогнозирования потребления электроэнергии. Для обучения и тестирования модели использовались данные о потреблении электроэнергии за несколько лет. Для повышения качества прогнозирования были проведены эксперименты с различными параметрами нейронной сети, такими как число нейронов и глубина истории данных. Результаты показали, что нейронная сеть LSTM обеспечивает высокую точность прогнозирования объемов потребления электроэнергии на основе статистических данных. Эти результаты могут быть полезными для энергетических компаний и государственных органов, занимающихся прогнозированием и планированием энергетических потребностей.
В работе рассматривается задача выработки рекомендаций по выбору профессий в ИТ-сфере на основе оценки личных качеств претендента. Предлагается подход, основанный на построении доверительных интервалов для средних взвешенных оценок личных качеств (soft skills) по каждой профессии. Проведен анализ собранных от экспертов данных об оценке личных качеств. Приведены результаты программной реализации и сравнительный анализ точности доверительных интервалов, вычисленных с использованием t-распределения, бутстрэппинга, а также комбинации бутстрэппинга и t-распределения. Полученные результаты могут быть использованы для ранжирования профессий по степени соответствия личных качеств претендента рекомендованных профессий.
Издательство
- Издательство
- ОмГТУ
- Регион
- Россия, Омск
- Почтовый адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- Юр. адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- ФИО
- Корчагин Павел Александрович (Ректор )
- E-mail адрес
- info@omgtu.ru
- Контактный телефон
- +7 (381) 2653407
- Сайт
- https://omgtu.ru/