Классические методы машинного обучения для цифровых образовательных технологий

Статья в сборнике трудов конференции
Всероссийская научно-методическая конференция с международным участием «Цифровая трансформация современного образования»
Creative commons logo
Опубликовано в:
Всероссийская научно-методическая конференция с международным участием «Цифровая трансформация современного образования»
Авторы:
Тулегулов А. Д. 1 , Исмаилов А. 1 , Ешпанов В. С. 1
Рубрика:
Формирование понимания значимости развития цифровых навыков и цифровых образовательных технологий
Страницы:
119-124
Получена: 02.11.2020

Рейтинг:
Статья просмотрена:
2551 раз
Размещено в:
РИНЦ
1 Казахский университет технологии и бизнеса
Для цитирования:
Тулегулов А. Д. Классические методы машинного обучения для цифровых образовательных технологий: сборник трудов конференции. / А. Д. Тулегулов, А. Исмаилов, В. С. Ешпанов // Цифровая трансформация современного образования : материалы Всерос. науч. конф. с международным участием (Чебоксары, 2 нояб. 2020 г.) / редкол.: Е. А. Мочалова [и др.] – Чебоксары: ИД «Среда», 2020. – С. 119-124. – ISBN 978-5-907313-85-9.

Аннотация

В статье анализируются основные виды машинного обучения по признаку наличия и сложности данных. Под каждую конкретную задачу подбирается свой алгоритм, так как от него зависит скорость и точность результата обработки исходных данных. Рассматриваются методы машинного обучения. В частности, характеризуется вариант на основе обучения интеллектуального агента, который действует во внешней среде и называется обучением с подкреплением. Обучение с подкреплением (англ. reinforcement learning) – способ машинного обучения, при котором система обучается, взаимодействуя с некоторой средой.

Список литературы

  1. 1. Никлаус Вирт. Алгоритмы и структуры данных. Новая версия для Оберона + CD / пер. с англ. Ф.В. Ткачев. – М.: ДМК Пресс, 2010. – 272 с.
  2. 2. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: учебное пособ. – М.: БИНОМ. Лаборатория знаний, 2012. – 197 с.
  3. 3. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / пер. с англ. – 4-е изд.– М.: Вильямс, 2003. – 864 с.
  4. 4. Исмаилов А.Х. Интеллектуальные программные комплексы анализа больших данных / А.Х. Исмаилов, Б. Буленов, А.Н. Наурызбаева [и др.] // Интеграция науки, образования и производства индустриального государства: сборник мат. Межд. науч-практ. конф. – Нур-Султан: Мастер По ЖШС, 2002. – С. 79–81
  5. 5. Чубукова И.А. Data Mining. Курс лекций INTUIT, 2006. – 328 с. [Электронный ресурс]. – Режим доступа: https://www.twirpx.com/file/116669/
  6. 6. Послание Президента РК Н. Назарбаева народу Казахстана от 10 января 2018 года «Новые возможности развития в условиях четвертой промышленной революции» [Электронный ресурс]. – Режим доступа: https://www.akorda.kz/ru/addresses/
  7. 7. Замятин А.В. Интеллектуальный анализ данных: учеб. пособие. – Томск: Издательский дом Томского государственного университета, 2016. – 120 с.
  8. 8. Масимов К. Следующий властелин мира. ИИ, 2019. – 177 с.
  9. 9. Силен Д. Основы Data Science и Big Data. Python и наука о данных / Д. Силен, А. Мейсман, М. Али. – СПб.: Питер, 2017. – 336 с.

Комментарии(0)

При добавлении комментария укажите:
  • степень актуальности публикуемого материала;
  • общую оценку (оригинальность и актуальность темы, полнота, глубина, всесторонность раскрытия темы, логичность, связность, доказательность, структурная упорядоченность, характер и достоверность примеров, иллюстративного материала, убедительность выводов);
  • недостатки, недочеты;
  • вопросы и пожелания Автору.