ISSN 1991-2927
 

АПУ № 3 (65) 2021

Автор: "Пинков Александр Петрович"

УДК 004.896

Пинков Александр Петрович, Ульяновский государственный технический университет, кандидат экономических наук, окончил ульяновский филиал Куйбышевского планового института. Исполняющий обязанности ректора Ульяновского государственного технического университета. Имеет более 50 научных работ, в том числе монографию и статьи, по экономике, планированию, маркетингу, организации производства, организации высшего образования и корпоративного обучения. [e-mail: rector@ulstu.ru]А.П. Пинков,

Афанасьев Александр Николаевич, Ульяновский государственный технический университет, доктор технических наук, профессор, окончил радиотехнический факультет Ульяновского политехнического института. Первый проректор, проректор по дистанционному и дополнительному образованию УлГТУ. Имеет более 200 статей в области САПР. Область научных интересов: автоматизированные системы обучения, организация вычислительных процессов и структур ЭВМ, проектирование интеллектуальных систем, САПР, управление сложными потоками работ, диаграмматика графических языков. [e-mail: a.afanasev@ulstu.ru]А.Н. Афанасьев,

Войт Николай Николаевич, Ульяновский государственный технический университет, кандидат технических наук, окончил факультет информационных систем и технологий УлГТУ, доцент кафедры «Вычислительная техника» УлГТУ. Имеет более 114 научных статей в области интеллектуальных САПР, Сase-, Сals-технологий. Область научных интересов: интеллектуальные системы разработки сложных автоматизированных систем, автоматизированные среды обучения, графические языки и грамматики. [e-mail: n.voit@ulstu.ru]Н.Н. Войт,

Канев Дмитрий Сергеевич, Ульяновский государственный технический университет, окончил факультет информационных систем и технологий УлГТУ, старший научный сотрудник кафедры «Вычислительная техника» УлГТУ. Имеет более 20 статей в области САПР. Область научных интересов: разработка и внедрение программно-аппаратных платформ, способствующих поддержке, интенсификации и повышению вовлеченности обучающихся в образовательный процесс с помощью информационных технологий. [e-mail: dima.kanev@gmail.com]Д.С. Канев

Разработка методов и средств компьютерных систем обучения автоматизированному проектированию машиностроительных объектов000_11.pdf

В настоящее время наиболее перспективными направлениями в области компьютеризированного обучения являются адаптивные и мультимедиа технологии. основной целью адаптивных обучающих систем (аос) является реализация управления процессом обучения с учётом индивидуальных особенностей пользователей. адаптивные методы позволяют сократить время и повысить эффективность процесса обучения за счёт удержания пользователей в оптимальной зоне обучения, изменяя последовательность предъявления материала и заданий, содержание, темп обучения и нагрузку. В статье проведён анализ существующих методов к построению адаптивных автоматизированных обучающих систем, определены их преимущества и недостатки. Предложены аос с авторским методом синтеза траектории обучения, метод корректировки профиля обучаемого посредством автоматического анализа выполненных им операций в программных пакетах автоматизированного проектирования (на примере системы автоматизированного проектирования КоМПас).

Автоматизированная обучающая система, модель предметной области, модель обучаемого, методы адаптации, система рекомендаций.

2017_ 1

Рубрика: Информационные системы

Тематика: Информационные системы.


УДК 338.45(470.42)

Дударин Павел Владимирович, Ульяновский государственный технический университет, аспирант кафедры «Информационные системы» Ульяновского государственного технического университета, окончил Ульяновский государственный университет. Имеет научные работы в области кластеризации текстов. [e-mail: PDudarin@ibs.ru]П.В. Дударин,

Пинков Александр Петрович, Ульяновский государственный технический университет, кандидат экономических наук, окончил ульяновский филиал Куйбышевского планового института. Исполняющий обязанности ректора УлГТУ. Имеет более 50 научных работ, в том числе монографию и статьи, по экономике, планированию, маркетингу, организации производства, организации высшего образования и корпоративного обучения. [e-mail: rector@ulstu.ru]А.П. Пинков,

Ярушкина Надежда Глебовна, Ульяновский государственный технический университет, доктор технических наук, профессор, первый проректор - проректор по научной работе УлГТУ, заведующая кафедрой «Информационные системы» УлГТУ. Окончила Ульяновский политехнический институт. Имеет более 300 работ в области мягких вычислений, нечеткой логики, гибридных систем. [e-mail: jng@ulstu.ru]Н.Г. Ярушкина

Методика и алгоритм кластеризации объектов экономической аналитики000_12.pdf

Целью исследования, результаты которого изложены в данной статье, является разработка новых и модифицированных методов и алгоритмов решения задачи кластеризации объектов экономической аналитики. Применение известных алгоритмов кластеризации формулировок экономических показателей для установления сходства объектов затруднено тем, что формулировки показателей очень короткие и традиционные показатели встречаемости (частотности) терминов становятся недостаточными. Кроме того, широкое распространение в экономической аналитике опросов и различных анкет подразумевает использование лингвистических оценок. Например, показатель «Уровень удовлетворенности потребителя» затруднительно оценить количественно, поэтому вместо условных баллов часто используют нечеткие значения «высокая», «средняя», «низкая». В результате целесообразным становится использование нечеткого варианта метода k-средних - метода Fuzzy k-means. обычно количество показателей экономического анализа велико, что делает целесообразным модификацию алгоритма с учетом параллельного выполнения. В ходе исследования решены задачи: модифицирован метод k-средних, адаптированный к особенностям объектов экономической аналитики; разработана методика предварительной обработки данных для кластеризации; разработаны новые варианты кластеризации объектов экономической аналитики и проведено экспериментальное исследование результативности разработанных методов для больших объемов данных.

Кластеризация, метод k-средних, экономический анализ, большие данные, распараллеливание.

2017_ 1

Рубрика: Искусственный интеллект

Тематика: Искусственный интеллект.


© ФНПЦ АО "НПО "Марс", 2009-2021 Работает на Joomla!