| Код | 496981 |
| Дата создания | 2021 |
|
Мы сможем обработать ваш заказ (!) 2 мая в 16:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
Пояснительная записка: 79 с., 18 рис., 3 табл., 17 источников, 5 прил.
Целью данного дипломного проекта является разработка программного модуля оптимизации контроля успеваемости студентов.
В качестве объекта исследования была выбрана оптимизация контроля успеваемости студентов.
В ходе выполнения дипломного проекта решаются следующие задачи:
- исследование особенностей существующих аналогов;
- разработка требований к системе;
- обоснование и выбор языков программирования и средств разработки;
- реализация данных для обучения и распознавания;
- реализация обучения на выбранных данных;
- тестирование разработанной системы;
- разработка удобного пользовательского интерфейса;
- тестирование разработанной системы.
Для реализации дипломного проекта было выбранно IDE PyCharm, язык программирования Python.
ВВЕДЕНИЕ.......................................................................................................... 7
1 ПОСТАНОВКА ЗАДАЧИ................................................................................. 9
1.1 Необходимый функционал проекта................................................................ 9
1.2 Требования к интерфейсу разрабатываемого проекта.................................... 9
1.3 Требуемая точность прогнозирования системы........................................... 10
1.4 Системные требования для работы программы........................................... 10
2 ОБОСНОВАНИЕ ЦЕЛЕСООБРАЗНОСТИ РАЗРАБОТКИ АЛГОРИТМОВ БИНАРНОЙ КЛАССИФИКАЦИИ ........................................................................................ 11
2.1 Суть технической проблемы бинарной классификации............................... 11
2.2 Эффективность бинарной классификации................................................... 11
2.3 Анализ существующих аналогов бинарной классфикации.......................... 14
2.3.1 «Случайный лес»....................................................................................... 15
2.3.2 Градиентный бустинг деревьев решений.................................................. 17
2.3.3 Байесовский классификатор...................................................................... 17
2.3.4 Дискриминантный анализ.......................................................................... 19
2.3.5 Логистическая регрессия........................................................................... 19
2.3.5 Метод опорных векторов........................................................................... 21
3 ОБЗОР СУЩЕСТВУЮЩИХ ПРОГРАММНЫХ СРЕДСТВ ДЛЯ КОМПЬЮТЕРНОГО УЧЕТА УСПЕВАЕМОСТИ И ПОСЕЩАЕМОСТИ.......................................... 23
4 ОБОСНОВАНИЕ ВЫБОРА СРЕДСТВ РАЗРАБОТКИ СИСТЕМЫ.............. 28
4.1 Анализ и обоснование выбора языка программирования Python................. 28
4.2 Анализ и обоснование выбоа среды разработки PyCharm........................... 29
4.3 Обоснование выбора готовых модулей в Python.......................................... 31
4.3.1 Библиотека Matplotlib................................................................................ 30
4.3.2 Библиотека NumPy.................................................................................... 31
4.3.3 Библиотека Pandas..................................................................................... 31
4.3.4 Библиотека Sklearn.................................................................................... 31
5 РАЗРАБОТКА И РЕАЛИЗАЦИЯ ПРОГРАММНОГО МОДУЛЯ ОПТИМИЗАЦИИ КОНТРОЛЯ УСПЕВАЕМОСТИ СТУДЕНТОВ................................................ 33
5.1 Сбор данных для обучения........................................................................... 33
5.2 Разработка и реализация алгоритма обучения............................................. 36
5.3 Разработка и реализация алгоритма прогнозирования................................. 40
5.4 Разработка и реализация пользовательского интерфейса............................ 42
6 ОПИСАНИЕ РАЗРАБОТКИ ЭОС................................................................... 43
6.1 Описание входных и выходных данных....................................................... 43
6.2 Потоки данных............................................................................................. 44
7 ТЕСТИРОВАНИЕ СИСТЕМЫ....................................................................... 45
8 ОХРАНА ТРУДА, ВОПРОСЫ БЕЗОПАСНОСТИ
ЖИЗНЕДЕЯТЕЛЬНОСТИ И ГРАЖДАНСКОЙ ОБОРОНЫ............................. 46
8.1 Анализ условий труда в помещении с ПК.................................................... 46
8.2 Мероприятия по улучшению условий труда................................................ 47
8.3 Расчет заземления общего контура здания, который должен быть выведен к каждой розетке с ПК....................................................................................................... 48
8.4 Мероприятия по обеспечению пожарной безопасности............................... 50
8.5 Безопасность жизнедеятельности................................................................. 51
8.6 Гражданская оборона................................................................................... 55
ЗАКЛЮЧЕНИЕ.................................................................................................. 60
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ................................................. 61
Приложение А ТЕХНИЧЕСКОЕ ЗАДАНИЕ..................................................... 63
Приложение Б РУКОВОДСТВО ПОЛЬЗОВАТЕЛЯ......................................... 65
Приложение В ЭКРАННЫЕ ФОРМЫ............................................................... 66
Приложение Г ЛИСТИНГ ПРОГРАММЫ......................................................... 68
Приложение Д ПЕРЕЧЕНЬ ЗАМЕЧАНИЙ НОРМОКОНТРОЛЕРА К ДИПЛОМНОМУ ПРОЕКТУ.......................................................................................................... 79
1. Головко, В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями / В.А. Головко. – Брест: БПИ, 1999. – 260 с.
2. Журавлёв, Ю.И. Распознавание. Классификация. Прогноз. Математические методы и их применение / Ю.И. Журавлёв. – Вып.2. – М. : Наука, 1989. – 163 с.
3. Колесников, С. Распознавание образов. Общие сведения / С. Колесников // Сайт газеты «Компьютер-Информ» [Электронный ресурс]. – Режим доступа : http://www.ci.ru/inform03_06/p_24.htm
4. Осовский, С. Нейронные сети для обработки информации / С. Осовский. – М. : Финансы и статистика, 2002. – 89 с.
5. Попко, Е. Распознавание образов : с чего начинать / Е. Попко. // Класс робототехники [Электронный ресурс]. – Режим доступа : http://robotclass.ru/распознавание-образов-с-чего-начинат/
6. Алпатов, Б.А. Алгоритм оценки местоположения объекта на двумерном изображении / Б.А. Алпатов, А.А. Селяев. // Изв. вузов. Приборостроение – 1988 – Т. XXXI. № 5. – С. 3-6.
7. Головко, В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей / В.А. Головко. – Брест: БПИ, 1999. – 228 с.
8. Круг, П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» для студентов, обучающихся по направлению «Информатика и вычислительная техника» / П.Г. Круг. – М : МЭИ, 2002. – 216 с.
9. Хайкин, С. Нейронные сети. Полный курс / С.Хайкин; [пер. с анг]. – М. : Вильямс, 2006. – 1104 с.
10. Амосов, О.С. Интеллектуальные информационные системы. Нейронные сети и нечеткие системы : учебное пособие для студентов специальностей 010502 «Прикладная информатика (по областям)», 230201 «Информационные системы и технологии» вузов региона / О. С. Амосов. – Комсомольск-на-Амуре: КнАГТУ, – 2006. – 136 с.
11. Калмыков, Д.А. Использование методов машинного обучения в задачах бинарной классификации / Д.А. Калмыков, Е.В. Бычкова. // Материалы XII Международной научно-технической конференции «Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2021), 26-27 мая 2021, г.Донецк : ДонНТУ, 2021. – С. 343-348.
12. Колесников, С. Распознавание образов. Общие сведения / С. Колесников. // Сайт газеты «Компьютер-Информ» [Электронный ресурс]. – Режим доступа : http://www.ci.ru/inform03_06/p_24.htm
13. Бидюк, П.И. Построение и методы обучения байесовских сетей / П.И. Бидюк, А.Н. Терентьев. // Информатика и кибернетика, 2004. – № 2. – С. 140-154.
14. Breiman, W. 1Random Forests / Breiman, W. // Machine Learning, 45(1), 2001. – Р. 5-32.
15. Васильев, Н.П. Опыт расчета параметров логистической регрессии методом НьютонаРафсона для оценки зимостойкости растений / Н.П. Васильев, А.А. Егоров. // Математическая биология и биоинформатика, 2011. – Т. 6. – № 2. – С. 190-199.
16. Клячкин, В.Н. Сравнительный анализ точности нелинейных моделей при прогнозировании состояния системы на основе марковской цепи / В.Н. Клячкин, Ю.С. Донцова. // Известия Самарского научного центра РАН, 2013. – Т. 15. – № 4(4). – С. 924-927.
17. Метод опорных векторов [Электронный ресурс]. – Режим доступа : https://ru.wikipedia.org/wiki/Метод_опорных_векторов