Россия
В статье проводится кластерный анализ успеваемости студентов при помощи нейронных сетей Кохонена. Для кластеризации были взяты данные деканата одного их вузов г. Воронежа по результатам экзаменационной сессии 4-х групп студентов из 82 человек по 9-ти предметам. С применением многослойного персептрона на основе показателей сдачи 3-х экзаменов реализован прогноз оценки сдачи 4-ого экзамена для 27 студентов.
успеваемость студентов, кластерный анализ, нейронные сети Кохонена
1. Безусова, Т.А. Использование методов математической статистики в педагогическом исследовании. / Т.А. Безусова // Гуманизация образования. – 2018. – № 6. – С. 143 – 149. EDN: https://elibrary.ru/VUGESU
2. Венгерова, Н.Н. Балльно-рейтинговая система оценки успеваемости студентов высшей школы / Н.Н. Венгерова, Л.Т. Кудашова // Здоровье – основа человеческого потенциала: проблемы и пути их решения. – 2017. – Т.12, №1. – С. 359 – 363. EDN: https://elibrary.ru/NQTVNR
3. Грачев, Ю.П. Математические методы планирования эксперимента/ Ю.П. Грачев, Ю.М. Плаксин. – M.: ДеЛи принт, 2005. – 296 с. EDN: https://elibrary.ru/QJPJNR
4. Дроздов, И.Н. Пути повышение эффективности подготовки к профессиональной деятельности студентов с различным уровнем успеваемости / И.Н. Дроздов// Новая наука: Проблемы и перспективы. – 2015. – №1,(1). – С. 21 – 24. EDN: https://elibrary.ru/TXZLND
5. Портнова, А.Г. Использование математических методов для мониторинга качества успеваемости студентов / А.Г. Портнова, С.Л. Лесникова, Н.А. Русакова // Вестник Кемеровского государственного университета. Серия: Гуманитарные и общественные науки. – 2020. – Т 4. – № 3,(15). – С. 218 – 226. DOI: https://doi.org/10.21603/2542-1840-2020-4-3-218-226; EDN: https://elibrary.ru/YTCGUZ
6. Хартман, К. Планирование эксперимента в исследовании технологических процессов/ К. Хартман [и др.]. – М.: Мир, 1977. – 552 с.
7. Арапов, Д. В. Автоматизированная мобильная система принятия решений для использования в специальной медицине / Д. В. Арапов, В. А. Курицын, С. А. Скоробогатов // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 7-16. – DOIhttps://doi.org/10.12737/2219-0767-2024-5-13. – EDN CMPAPT.
8. Бураков, М.В. Нейронные сети и нейроконтроллеры: учебное пособие. – С-Петербург: ГУАП, 2013. – 284 с. EDN: https://elibrary.ru/TTPLAF
9. Киреева, К.А. Разработка искусственной нейронной сети для классификации ЭКГ/ К.А. Киреева, Л.А. Коробова, Д.В. Арапов// Моделирование систем и процессов. – 2023. – Т.16, №3. – С. 42 – 54. – DOI:https://doi.org/10.12737/2219-0767-2023-16-3-42-54. EDN PERZZQ.
10. Асадов, Х. Г. Моделирование температурного поля при лесных пожарах / Х. Г. Асадов, Г. З. Байрамов // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 7-15. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-7-15. – EDN ECSUWP.
