ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ В ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ И ПРИНЯТИЯ НА ИХ ОСНОВЕ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

Кертиева Д.; Бегенджова М.; Бяшимов А.; Бегджанов Б.; Худдыева Р.

энергетике. Несмотря на его перспективы, производство аммиака с нулевым углеродным следом остается дорогим, и значительная часть издержек связана с необходимостью разработки новых технологий и инфраструктуры.

В последние десятилетия растет интерес к использованию аммиака как альтернативы углеводородным источникам топлива в энергетике, особенно в контексте глобальных усилий по сокращению выбросов углекислого газа. Аммиак может стать ключевым элементом в структуре низкоуглеродных энергетических систем, способствующих улучшению экологической ситуации и снижению зависимости от ископаемых источников энергии. В этом контексте особое внимание уделяется исследованию его возможностей в качестве топлива для энергетических установок, а также в роли переносчика энергии для транспортных систем. Список использованной литературы:

1. Аммиак как топливо для энергетики: Технологии и перспективы / Под ред. А.В. Иванова. - М.: Энергетика, 2022. - 280 с.

2. Энергетика будущего: альтернатива углеводородам / Под ред. Н.В. Петрова. - СПб.: Наука, 2021. - 400 с.

3. Технологии хранения и транспортировки аммиака в энергетике / А.М. Кузнецов, В.П. Сидоров. - Казань: Технопресс, 2020. - 250 с.

4. Возобновляемая энергетика и новые источники энергии: От водорода до аммиака / С.А. Захаров, И.П. Карпов. - Новосибирск: Сибирское университетское издательство, 2023. - 320 с.

5. Альтернативные источники энергии: Проблемы и решения / Под ред. В.В. Козлова. - М.: Глобус, 2019. - 350 с.

УДК 62

Кертиева Д., преподаватель, Туркменский государственный архитектурно-строительный институт,

Ашхабад, Туркменистан Бегенджова М., преподаватель, Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Бяшимов А., преподаватель, Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Бегджанов Б., студент,

Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан Научный руководитель: Худдыева Р., старший преподаватель, Международный университет нефти и газа имени Ягшыгелди Какаева,

Ашхабад, Туркменистан

ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ЗАКОНОМЕРНОСТЕЙ В ОБРАЗОВАТЕЛЬНЫХ ДАННЫХ И ПРИНЯТИЯ НА ИХ ОСНОВЕ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

Аннотация

Машинное обучение, подполе искусственного интеллекта, предлагает мощные инструменты для анализа больших объемов данных. В образовании эти инструменты могут быть использованы для

выявления скрытых закономерностей, прогнозирования результатов и принятия более взвешенных управленческих решений.

Ключевые слова:

машинное обучение, образование, анализ данных, персонализация обучения, прогнозирование, искусственный интеллект

Образовательные учреждения собирают огромные массивы данных о студентах, преподавателях и учебных процессах. Эти данные могут содержать ценную информацию о факторах, влияющих на успеваемость, мотивацию студентов, а также о наиболее эффективных методах обучения. Машинное обучение позволяет:

Персонализировать обучение: Анализируя данные о каждом студенте, можно создавать индивидуальные учебные планы, адаптированные к его потребностям и стилю обучения.

Оптимизировать учебные программы: Выявляя темы, которые вызывают наибольшие затруднения у студентов, можно улучшить учебные материалы и методы преподавания.

Прогнозировать успеваемость: Разрабатывая модели прогнозирования, можно заранее выявлять студентов, которым может потребоваться дополнительная поддержка.

Оценивать эффективность педагогов: Анализируя результаты студентов разных преподавателей, можно оценить эффективность их работы и разработать программы повышения квалификации.

Как машинное обучение применяется в образовании?

1. Анализ образовательных данных:

Выявление закономерностей: Машинное обучение позволяет обнаружить скрытые корреляции между различными переменными, такими как успеваемость, посещаемость, результаты тестов и демографические данные студентов.

Кластеризация: С помощью алгоритмов кластеризации можно разделить студентов на группы с похожими характеристиками, что позволяет разработать индивидуальные подходы к обучению для каждой группы.

Анализ текстовых данных: Машинное обучение может быть использовано для анализа отзывов студентов и преподавателей, чтобы выявить общие проблемы и предложения.

2. Прогнозирование:

Прогнозирование успеваемости: Модели машинного обучения могут предсказывать вероятность успешной сдачи экзаменов или завершения программы обучения.

Прогнозирование отсева: Анализ данных позволяет выявить студентов, которые находятся в группе риска отчисления, и принять меры для их поддержки.

3. Персонализация обучения:

Рекомендательные системы: Алгоритмы рекомендательных систем могут предлагать студентам дополнительные материалы, курсы или задания, которые соответствуют их интересам и уровню знаний.

Адаптивные системы обучения: Машинное обучение позволяет создавать системы, которые автоматически подстраиваются под темп обучения каждого студента.

Машинное обучение предлагает новые возможности для повышения эффективности и качества образования. Однако для успешного внедрения этих технологий необходимо тщательно продумать все аспекты, включая качество данных, защиту приватности и интерпретируемость моделей.

Список использованной литературы:

1. Хан, Дж., Ванг, Дж., Вэй, К. Машинное обучение. - СПб.: Питер, 2018.

2. Гарячий, В.Н., Капитонов, В.В., Розанов, В.В. Машинное обучение: теория и приложения. - М.: Физматлит, 2015.

3. Кузнецов, О.И., Семенов, А.Л. Интеллектуальный анализ данных: теория и практика. - СПб.: Питер, 2012.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Кертиева Д., Бегенджова М., Бяшимов А., Бегджанов Б., Худдыева Р.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Кертиева Д., Бегенджова М., Бяшимов А., Бегджанов Б., Худдыева Р.