VIRTUALIOS MOKYMOSI APLINKOS DUOMENŲ ANALIZĖ IR KONVOLIUCINIŲ NEURONINIŲ TINKLŲ VERTINIMAS TEKSTUI ATPAŽINTI

Ištrauka

VIRTUALIOS MOKYMOSI APLINKOS DUOMENŲ ANALIZĖ IR KONVOLIUCINIŲ NEURONINIŲ TINKLŲ VERTINIMAS TEKSTUI ATPAŽINTI
Baigiamasis magistro darbas

Turinys
Iliustracijų sąrašas 5
Lentelių sąrašas 7
Įvadas 8
1. Literatūros apžvalga 9
2. Teorinė dalis 11
2.1. Mašininio mokymosi modeliai 11
2.1.1. Sprendimų medis 11
2.1.2. Atsitiktinis miškas 12
2.1.3. k-artimiausi kaimynai 13
2.1.4. Logistinė regresija 14
2.1.5. k-vidurkiai 15
2.2. Kryžminės patikros metodas 16
2.3. Modelio tikslumo įvertinimas 17
2.4. Hiperparametrų paieškos metodai 18
2.5. Klasių balansavimo metodai 19
2.5.1. Atsitiktinės imties didinimas 20
2.5.2. SMOTE 20
2.5.3. Atvirkštinis klasės dažnis 21
2.6. Dirbtinis neuroninis tinklas 21
2.7. Aktyvacijos funkcijos 23
2.8. Nuostolių funkcijos 24
2.9. Optimizavimo algoritmai 25
2.10. Konvoliucinis neuroninis tinklas 26
2.11. Ranka rašytų simbolių atpažinimas 29
2.11.1. Paveikslėlio apdorojimas 29
3. Tiriamoji dalis 31
3.1. Virtualios mokymosi aplinkos duomenų analizė 31
3.1.1. Pradinis duomenų rinkinys 31
3.1.2. Besimokančiųjų aktyvumo analizė 31
3.1.3. Naujas duomenų rinkinys 34
3.1.4. Duomenų normalizavimas 35
3.1.5. Besimokančiųjų klasteriai 36
3.1.6. Kintamųjų apžvalga 38
3.1.7. Klasių disbalansas 39
3.1.8. Modeliavimas pažymio prognozei 41
3.1.9. Klasifikavimo lentelės 41
3.1.10. Modelių tikslumo metrikos 43
3.1.11. Kryžminė patikra 44
3.1.12. Hiperparametrų paieška 46
3.2. Konvoliucinio neuroninio tinklo kūrimas 50
3.2.1. Duomenų rinkiniai 50
3.2.2. Klasių svoriai 53
3.2.3. Duomenų kiekio didinimas 54
3.2.4. Konvoliucinio neuroninio tinklo architektūra 54
3.2.5. Konvoliucinio neuroninio tinklo mokymas 55
3.2.6. Konvoliucinio neuroninio tinklo metrikos 56
3.2.7. Besimokančiųjų darbų paruošimas 59
3.2.8. Besimokančiųjų darbų tikrinimas 60
3.3. Semestrų palyginimas 63
Išvados 66
Literatūros sąrašas 68

Įvadas
Dviejų duomenų rinkinių:
•virtualios mokymosi aplinkos žurnalo įrašų;
•ranka rašytų namų darbų, pagalba, analizuojamas studijų procesas.
Darbo aktualumas. Virtuali mokymosi aplinka – tai internetinė platforma, kuri padeda
organizuoti ir valdyti mokymą. Virtualios mokymosi sistemos leidžia mokančiajai ir
besimokančiajai pusei dalytis mokomąja medžiaga, kursų užduotimis bei bendrauti
tarpusavyje internete. Aplinkoje įdiegtas automatizuotas kursų administravimas, teikiama
informacija apie mokymosi procesą ir tam skirtos ataskaitos. Ataskaitoms apdoroti gali būti
naudojami statistiniai metodai – galima įvertinti, kada besimokantieji yra aktyviausi, daryti
prielaidas, kodėl mažėja aktyvumas ar nustoja mokytis. Mašininio mokymosi modeliai, pagal
turimus duomenis, leidžia prognozuoti besimokančiųjų įvertį ir nustatyti, kurie veiksniai tam
daro didžiausią įtaką.
Automatinis teksto atpažinimas gali padėti, taisant ranka rašytus darbus. Mokantysis
padidina savo darbo efektyvumą ir gali greičiau suteikti grįžtamąjį ryšį besimokančiajam.
Svarbu instruktuoti besimokančiuosius, kaip darbas turi būti pateikiamas. Struktūrizuotas
darbas padeda lengviau sudaryti ataskaitas, išskiriant svarbiausias dalis, todėl galima greičiau
įvertinti ar darbas atliktas tinkamai ir kur yra spragos.
Mokymo proceso sėkmė priklauso nuo to, kaip efektyviai vyksta mokymas. Kaip ir bet kokio
proceso valdymo uždavinyje, reikia:
•surasti kintamuosius, kurių atžvilgių mokymo procesas yra jautrus;
•parinkti tikslo funkciją ir rasti kintamųjų reikšmes, optimizuojančias tikslo funkciją.
Darbo tikslas. Taikant statistinius ir mašininio mokymosi modelius, gauti preliminarius
besimokančiųjų darbų įvertinimus ir pateikti rekomendacijas mokymo procesui tobulinti.
Darbo uždaviniai:
1. Apžvelgti atliktus šioje srityje darbus ir susipažinti su naudojamais metodais.
2. Pasirinkti duomenų analizės metodus.
3. Paruošti turimus duomenis tolimesniam darbui.
4. Atlikti duomenų analizę ir padaryti išvadas.