Перегляд за Автор "Kobylnyk T. P."
Зараз показуємо 1 - 4 з 4
Результатів на сторінці
Налаштування сортування
Документ Кліткові автомати як засіб моделювання складних систем(СумДПУ імені А. С. Макаренка, 2018) Кобильник Т. П.; Kobylnyk T. P.Стаття присвячена характеристиці кліткових автоматів як методу моделювання складних систем. Багато складних явищ та процесів, таких як самовідтворення, ріст, розвиток тощо складно описати за допомогою диференціальних рівнянь та їх систем. Проте це вдається легко змоделювати за допомогою кліткових автоматів. Відповідно зростає популярність моделей, побудованих на їх основі. Клітковий автомат характеризується дискретним простором і часом. Така структура є зручною для моделювання різноманітних фізичних, біологічних та інформаційних процесів. Застосування кліткових автоматів дозволяє змоделювати складну поведінку об’єктів чи явищ без використання складного і громіздкого математичного опису. Популярність кліткових автоматів пояснюється їх відносною простотою у поєднанні з великими можливостями використання для моделювання сукупності однорідних взаємозв’язаних об’єктів. Поряд з цим відзначають і слабкий загальний теоретичний фундамент кліткових автоматів, недостатнє вивчення питань збіжності обчислювальних експериментів та стійкості отриманих результатів. Для дослідження використовувались такі методи як системний науково-методологічний аналіз підручників і навчальних посібників, монографій, статей і матеріалів науково-методичних конференцій; спостереження навчального процесу; аналіз результатів навчання студентів у відповідності до проблеми дослідження; синтез, порівняння та узагальнення теоретичних положень, розкритих у науковій та навчальній літературі; узагальнення власного педагогічного досвіду та досвіду колег з інших закладів вищої освіти. У статті наводиться історична довідка з розвитку теорії кліткових автоматів. Пропонується схема реалізації кліткових автоматів. Детальніше описується гра «Життя». Подальші дослідження будуть зосереджені на аналізі можливостей використання кліткових автоматів для моделювання складних систем та методиці навчання моделювання на основі кліткових автоматів для студентів другого (магістерського) рівня вищої освіти педагогічного університету у межах дисципліни «Основи штучного інтелекту».Документ Методичні аспекти навчання дискретних випадкових величин з використанням статистичного середовища R(СумДПУ імені А. С. Макаренка, 2018) Кобильник Т. П.; Kobylnyk T. P.; Жидик В. Б.; Zhydyk V. B.Стаття присвячена методичним аспектам навчання студентів теорії ймовірностей, зокрема дискретних випадкових величин. Нами проаналізовано наукові та методичні джерела, порівняння, узагальнення з метою визначення стану проблеми та перспективних напрямків дослідження. Рекомендується використовувати статистичне середовище R як засіб навчання теорії ймовірностей та математичної статистики. Перш за все R – мова високого рівня та середовище для аналізу статистичних даних та їх графічної візуалізації. R – вільне програмне середовище з відкритим кодом, що поширюється в рамках проекту GNU. Широке навчання теорії ймовірностей та математичної статистики на основі пакетів цього середовища і всесвітня підтримка науковим співтовариством обумовили те, що наведення скриптів R поступово стає загальновизнаним «стандартом» як в журнальних публікаціях, так і в неформальному спілкуванні науковців усього світу. Слід зазначити, що є кілька графічних інтерфейсів користувача для R (RStudio, R Commander та інші), але вони не такі хороші, як інтерфейси Statistica або IBM SPSS. Методи теорії ймовірностей використовуються в різних галузях науки. Здатність і вміння використовувати різні ймовірнісно-статистичні методи для аналізу експериментальних даних є однією з важливих умов для навчання вчителів інформатики. Впровадження ймовірнісно-статистичних методів аналізу в навчальний процес дозволяє підвищити рівень підготовки вчителів. Теорія ймовірностей є основою математичної статистики. У статті наведено переваги та недоліки R, приклади його використання для розв’язування деяких задач теорії ймовірностей, зокрема вивчення дискретних випадкових величин з біноміальними, геометричними, гіпергеометричними та розподілами Пуассона. Для деяких випадкових величин ми показали, як обчислити математичне сподівання та дисперсію, використовуючи пакет R. Подальші дослідження ми зосередимо на аналізі можливостей використання пакета R для статистичного моделювання, інтелектуального аналізу даних та методиці їх навчання в педагогічному університеті.Документ Методичні аспекти навчання множинного лінійного регресійного аналізу з використанням статистичного середовища R(СумДПУ імені А. С. Макаренка, 2018) Кобильник Т. П.; Kobylnyk T. P.Однією з важливих умов підготовки вчителів інформатики є вміння та навички використовувати різноманітні статистичні методи аналізу експериментальних даних. Упровадження статистичних методів аналізу у навчальний процес дає можливість підвищити рівень підготовки майбутнього педагога. Методи регресійного аналізу використовуються в різних галузях науки для визначення вигляду залежностей між досліджуваними ознаками. Регресійний аналіз є основним статистичним методом побудови математичних моделей об’єктів або явищ на основі експериментальних даних. Основні результати в даний час отримані стосовно до лінійних регресійних моделей, які можуть служити як початковий етап дослідження. Опрацювання даних неможливе без використання комп'ютера з відповідним програмним забезпеченням. Перед користувачем виникає проблема вибору програмного забезпечення для дослідження. Пропонується використовувати статистичне середовище R для наукових досліджень та супроводу навчального процесу у вищих навчальних закладах. Для проведення регресійного аналізу у статті використано вільно поширюваний пакет R – однією з кращих програм для проведення статистичного аналізу. Нелінійні зв’язки за певними перетвореннями (заміною змінних чи логарифмуванням) можна звести до лінійного вигляду, тобто апроксимувати відповідні залежності лінійними функціями. Модель лінійної регресії є найпростішим і найчастіше використовуваним видом залежності між змінними. Тому під час вивчення елементів регресійного аналізу значну увагу слід приділити лінійній моделі. У статті на конкретному прикладі показано побудову та дослідження множинної лінійної регресійної моделі з використанням статистичного середовища R. Перевірку на відповідність нормальному розподілу проведено за допомогою побудови q-q діаграми. Перспективи подальших досліджень будуть спрямовані на вивчення можливостей використання пакету R для статистичного аналізу даних та методиці навчання основ імітаційного моделювання студентів інформатичних спеціальностей в педагогічних університетах.Документ Методичні аспекти навчання теми «Логічне виведення за невірогідних знань»(СумДПУ імені А. С. Макаренка, 2018) Кобильник Т. П.; Kobylnyk T. P.Стаття присвячена методичним аспектам навчання теми «Логічне виведення за невірогідних знань». Тема є складовою розділу «Моделі та методи подання знань» дисципліни «Основи штучного інтелекту». Тема вивчається на другому (магістерському) рівні вищої освіти педагогічного університету. Схема подання навчального матеріалу пропонується такою: постановка завдання, стисле подання теоретичних відомостей, методи та алгоритми розв’язування, вправи на їх застосування. При поданні теоретичних відомостей наводяться основні теореми, твердження без доведення. При цьому для ознайомлення з доведенням даються посилання на відповідні літературні джерела. Знання – інформаційна основа систем штучного інтелекту. Знання експерта, які потрібно формалізувати, можуть бути неповними, невірогідними та нечіткими. Проте ці відомості є цінними і повинні бути включені до бази знань. Мета вивчення теми передбачає ознайомлення студентів з методами неточного логічного виведення та теоретичними основами і практичними аспектами їх використання для прийняття рішень в умовах невизначеності. Більшість методик неточного логічного виведення пов’язані з ймовірнісними методами, зокрема формулою Байєса. Тому перед вивченням теми студентам необхідно нагадати деякі поняття, твердження, формули з теорії ймовірностей. Підсумовуючи вивчення теми «Логічне виведення за невірогідних знань», слід наголосити на тому, що не існує досконалого механізму логічного виведення за невірогідних знань. Студентам самостійно пропонується ознайомитися зі схемами MYCIN (EMYCIN), (методи виведення ґрунтуються на байєсівському підході, як і в схемі PROSPECTOR), Піерла (базується на байєсівських мережах), теорією Демпстера-Шефера. Подальші дослідження буде зосереджено на методиці навчання основ штучного інтелекту для студентів інформатичних спеціальностей другого (магістерського) рівня вищої освіти в педагогічному університеті.