Применение платформ Neural Network Wizard и Loginom Community для решения задач аппроксимации и классификации в образовательном процессе

Копышева Татьяна Николаевна ORCID: 0000-0003-3392-1431 кандидат физико-математических наук доцент; кафедра математического и аппаратного обеспечения информационных систем; Чувашский государственный университет имени И.Н. Ульянова 428015, Россия, республика Чувашия, г. Чебоксары, Московский пр-т, 15, оф. Б-305 Kopysheva Tatyana Nikolaevna PhD in Physics and Mathematics Associate Professor; Department of Mathematical and Hardware Support of Information Systems; I.N. Ulyanov Chuvash State University 428015, Russia, Republic of Chuvashia, Cheboksary, Moskovsky ave., 15, office B-305 tn_pavlova@mail.ru Митрофанова Татьяна Валерьевна ORCID: 0000-0002-5750-7991 кандидат физико-математических наук доцент; кафедра математического и аппаратного обеспечения информационных систем; Чувашский государственный университет имени И.Н. Ульянова 428015, Россия, республика Чувашия, г. Чебоксары, ул. Московский, 15, оф. Б-304 Mitrofanova Tatiana Valerievna PhD in Physics and Mathematics Associate Professor; Department of Mathematical and Hardware Support of Information Systems; I.N. Ulyanov Chuvash State University 428015, Russia, Republic of Chuvashia, Cheboksary, Moskovsky str., 15, office B-304 mitrofanova_tv@mail.ru Смирнова Татьяна Николаевна ORCID: 0000-0001-6687-9415 кандидат физико-математических наук доцент; кафедра математического и аппаратного обеспечения информационных систем; Чувашский государственный университет имени И.Н. Ульянова 428015, Россия, республика Чувашия, г. Чебоксары, Московский пр-т, 15, оф. Б-304 Smirnova Tatiana Nikolaevna PhD in Physics and Mathematics Associate Professor; Department of Mathematical and Hardware Support of Information Systems; I.N. Ulyanov Chuvash State University 428015, Russia, Republic of Chuvashia, Cheboksary, Moskovsky ave., 15, office B-304 smirnova-tanechka@yandex.ru Другие публикации этого автора

Христофорова Анастасия Владимировна ORCID: 0000-0003-3534-8747 кандидат физико-математических наук доцент; кафедра математического и аппаратного обеспечения информационных систем; Чувашский государственный университет имени И.Н. Ульянова 428015, Россия, республика Чувашия, г. Чебоксары, ул. Московский, 15, оф. Б-304 Khristoforova Anastasiia Vladimirovna PhD in Physics and Mathematics Associate Professor; Department of Mathematical and Hardware Support of Information Systems; I.N. Ulyanov Chuvash State University 428015, Russia, Republic of Chuvashia, Cheboksary, Moskovsky str., 15, office B-304 dlya.nastenki@mail.ru

Введение

В Российской Федерации большое внимание уделяется развитию сквозных цифровых технологий, в том числе и технологиям искусственного интеллекта. Цифровая трансформация представляет собой одну из пяти национальных целей Российской Федерации на период до 2030 года, определенную Указом Президента РФ от 21 июля 2020 г. № 474 «О национальных целях развития Российской Федерации на период до 2030 года». По этой причине Указом Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 года. В рамках реализации Национальной стратегии в 2019 году был разработан и утвержден федеральный проект «Искусственный интеллект», который призван создать условия, чтобы предприятия и граждане использовали продукты и услуги, созданные с применением преимущественно отечественных технологий искусственного интеллекта, обеспечивающих качественно новый уровень эффективности деятельности.

В настоящее время решение различных задач на основе систем искусственного интеллекта является распространенной темой и применяется в различных областях – в информационных технологиях ^[1], в финансах ^[2], спорте ^[3].

Много интересных работ связано с сельским хозяйством. В статье ^[4] дано описание разработанных моделей для оценки урожайности озимой пшеницы с использованием множественной линейной регрессии и нейронной сети. Вопросы отслеживания поведения сельскохозяйственных животных с помощью нейронных сетей отражены в работе ^[5], классификации белых грибов с целью автоматизации процесса их сортировки на основе модели нейронной сети – ^[6].

Помощи и поддержке лицам, страдающим депрессией, посвящено множество работ. Например, в статье ^[7] дано описание процесса создания эффективной системы автоматического обнаружения депрессии на основе аудио с применением сверточной нейронной сети. Применение глубокого обучения для определения уровня стресса по непрерывным звуковым сигналам в базе данных отражено в работе ^[8].

Вопросом улучшения генерации диалогов, основанных на знаниях, за счет двухэтапного отбора знаний и сети указателей, ориентированных на выбор знаний, занимались авторы работы ^[9]. Разработке и применению интерактивной информационной системы в управлении персоналом колледжа посвящена статья ^[10].

Авторы данной статьи акцентировали внимание на подпункте (в) пункта 51.5 Национальной стратегии, в котором отмечено, что основными направлениями повышения уровня компетенций в области искусственного интеллекта и уровня информированности граждан о технологиях искусственного интеллекта являются «развитие навыков использования технологий искусственного интеллекта у выпускников образовательных организаций высшего образования посредством включения модулей по искусственному интеллекту в каждую образовательную программу (с учетом особенностей, связанных с отраслевой принадлежностью и направлениями подготовки)».

Проблема, на решение которой направлено настоящее исследование, заключается в дефиците адаптированных методик, позволяющих преподавать основы применения ИИ студентам, не обладающим предварительной подготовкой в этой области. Стандартные подходы к обучению искусственному интеллекту и машинному обучению предполагают наличие у обучающихся углубленных знаний в области математики, программирования и моделирования. Однако студенты непрофильных направлений нуждаются в методике, позволяющей осваивать ИИ-инструменты поэтапно и в практико-ориентированном формате, который будет понятен и доступен.

Данная статья посвящена методике проведения лабораторных и практических занятий, а также организации самостоятельной работы обучающихся 1–2 курсов бакалавриата и специалитета по направлениям подготовки, не связанных непосредственно с ИИ ^[11].

Научная новизна заключается в разработке методики использования доступных платформ Neural Network Wizard и Loginom Community для решения задач аппроксимации и классификации. Особенность методики – адаптация подхода для обучения студентов, чьи направления подготовки не связаны с искусственным интеллектом. Это способствует развитию навыков работы с искусственным интеллектом, что важно в условиях цифровой трансформации и возросшего внимания к сквозным цифровым технологиям. Предложенные задания позволяют студентам, изучающим фундаментальные и прикладные науки, освоить применение методов искусственного интеллекта для анализа данных. Примеры использования включают такие задачи, как прогнозирование, анализ данных в бизнесе и экономике, оценка показателей эффективности и исследовательские работы, связанные с обработкой больших массивов данных. Предложенный подход позволяет проводить обучение ИИ в формате практических лабораторных работ и самостоятельного освоения принципов построения и применения моделей для классификации и аппроксимации, что способствует расширению профессиональных навыков и отвечает вызовам цифровой экономики. В рамках исследования были выработаны: цели обучения на каждом этапе, принципы взаимодействия с платформами и методические рекомендации, которые в совокупности обеспечивают логичную, поэтапную систему освоения ИИ-инструментов.

Основной целью методики является обучение студентов основам применения нейронных сетей и алгоритмов машинного обучения на примерах конкретных задач: аппроксимации (на платформе Neural Network Wizard) и классификации (на Loginom Community). Задачи включают:

•овладение навыками настройки и обучения нейронных сетей;

•закрепление практических знаний на основе выполнения типовых задач;

•развитие навыков анализа данных и оценки точности моделей.

Ожидаемые результаты обучения включают:

1.Освоение навыков построения нейронных сетей. Студенты смогут создавать и настраивать простые нейронные сети для задач аппроксимации и классификации, используя доступные платформы.

2.Приобретение опыта работы с ИИ-инструментами. Студенты будут способны подготовить данные для анализа, выполнить настройку параметров моделей и провести интерпретацию результатов.

3.Умение анализировать и корректировать модели. На основе анализа ошибок, студенты научатся корректировать параметры моделей, добавлять обучающие данные и улучшать точность прогнозов.

4.Применение знаний для решения прикладных задач. Студенты смогут применять базовые принципы машинного обучения для решения конкретных прикладных задач в их будущей профессиональной деятельности, таких как прогнозирование показателей или анализ экономических данных.

Описание методики использования Neural Network Wizard для аппроксимации функций

Аппроксимация функций является базовым примером использования ИИ в различных задачах. Методика предполагает, что студенты создают простую архитектуру нейронной сети, направленную на аппроксимацию функций с заранее подготовленной обучающей выборкой. В лабораторных условиях обучающая выборка формируется студентами для примера вычисления произведения двух множителей.

Процесс обучения представлен следующими этапами:

1.Подготовка данных. Создание текстового файла с тройками чисел (два множителя и их произведение).

2.Настройка нейронной сети. На платформе Neural Network Wizard студенты строят архитектуру сети, состоящую из одного или нескольких слоев.

3.Процесс обучения и интерпретация результатов. Выполняется обучение сети на примере произведения чисел, анализируется точность вычислений и способы её улучшения (дополнительное обучение, увеличение объема выборки, изменение параметров сети).

Аппроксимация функций с использованием нейронных сетей

Аппроксимация функций является распространенным случаем применения искусственных нейронных сетей. В работе ^[12] доказана теорема, в соответствии с которой с помощью линейных операций и каскадного соединения можно из произвольного нелинейного элемента получить устройство, вычисляющее любую непрерывную функцию с некоторой наперед заданной точностью.

Изучение материала предлагается начинать в Neural Network Wizard – среде визуального моделирования архитектуры сверточной нейронной сети и ее обучения.

Применение Neural Network Wizard отражено, например, в работах для краткосрочного прогнозирования погоды ^[13], моделирования цен на легковые автомобили ^[14], построения моделей рынка смартфонов ^[15], прогнозирования некоторых котировок валют на ранке Forex ^[16].

Вначале рассматривается пример аппроксимации функции, предназначенной для вычисления произведения двух множителей. В среду Neural Network Wizard загружается файл формата txt с обучающей выборкой, содержащей тройки чисел – два множителя и произведение (рис. 1). Будем обучать нейронную сеть только на этой выборке. При подстановке пар чисел, не входящих в данное множество, ошибка может быть существенной.

Рис. 1. Файл с обучающей выборкой

Рис. 2. Результат умножения обученной сетью

Как видно из рис. 2, точность расчетов довольно высокая – отклонение от правильного ответа меньше одного процента.

Способы увеличения точности расчетов:

1) вернуться на один шаг назад и обучить сеть дополнительно;

2) изменить параметры обучения используемой нейросети;

3) увеличить обучающую выборку.

В качестве заданий требуется построить сети с одним, двумя, тремя нейронами на единственном внутреннем слое и обучить их и оценить точность расчетов.

Описание методики использования Loginom Community для задач классификации

Loginom Community применяется для решения задач классификации на основе анализа данных. Студентам предлагается задача определения рентабельности предприятий по историческим данным. Исходные данные включают значения двух показателей, разделяющих предприятия на рентабельные и нерентабельные группы.

Этапы выполнения задания:

1.Создание проекта. Студенты загружают исходные данные и настраивают компонент «Нейронная сеть (регрессия)».

2.Обучение сети. В настройках указывается количество рестартов (до 1000), проводится настройка параметров подбора, что позволяет автоматизировать процесс обучения.

3.Визуализация и анализ результатов. Студенты используют визуализаторы для оценки качества прогноза нейронной сети, проводят анализ ошибок и формируют выводы по точности классификации.

Применение платформы Loginom Community для аппроксимации функций

Платформа Loginom (разработчик – компания Loginom Company) внесена в реестр российских программ и предназначена для проведения расширенной аналитики бизнес-пользователями. В учебных целях рассмотрена настольная редакция для некоммерческого использования Loginom Community, которую можно скачать бесплатно. Visual builder позволяет настраивать весь процесс анализа: интеграцию, подготовку данных, моделирование и визуализацию. В результате сократится время между проверкой гипотез и созданием рабочего бизнес-процесса.

Платформа Loginom Community применяется для решения разнообразных задач. Например, обработки больших массивов данных при решении транспортных задач ^[17], анализа товарного ассортимента ^[18], разработки модели социального рейтинга ^[19], анализа клиентской базы магазина ^[20].

Для обучения нейронной сети будем использовать исходную обучающую выборку (рис. 1). Добавим в проект компонент «Нейронная сеть (регрессия)» (рис. 3). Укажем количество рестартов обучения нейронной сети, равное 1000. Обратим внимание на параметры настроек окна «Настройка автоматического подбора параметров Нейросети». При увеличении сложности датасета придется ими воспользоваться для поиска оптимальной нейросети и ее настроек. Далее необходимо обучить нейронную сеть, воспользовавшись пунктом контекстного меню «Переобучить узел». Процесс обучения может быть длительным на компьютерах с низкой производительностью.

Рис. 3. Добавление компонента «Нейронная сеть (регрессия)»

Рис. 4. Анализ результатов

Далее необходимо проанализировать эффективность обучения компонента «Нейронная сеть (регрессия)» с применением визуализатора. Имеется возможность добавления до пяти различных визуализаторов выхода нейронной сети («Диаграмма», «Качество данных», «Куб», «Статистика», «Таблица»), на основании которых можно провести анализ качества обучения нейронной сети.

Был выбран визуализатор «Таблица», который отображает исходную обучающую выборку (столбцы x, y, res), а также прогноз нейронной сети (столбец rez|Прогноз). Анализ показал, что более 90% прогнозов верные, однако имеются и ошибочные (рис. 4). Такой результат свидетельствует либо об ошибках в обучающей выборке, либо о недостаточной обученности нейронной сети. Улучшить качество работы нейронной сети можно, добавив в обучающую выборку большее количество элементов, а также удалив строки, содержащие неверные значения обучающей выборки.

Аппроксимация двух функций с использованием одной нейронной сети

Рассмотрим пример обучения для выполнения двух операций – сложения и умножения чисел x и y на отрезке ^{[0; 10]}. Так как в обучающей выборке планируется использование двух различных формул, то в отличие от предыдущей задачи необходимо рассмотреть не две, а три входных переменных (x, y, знак операции). С помощью средств программирования (рис. 5) заполним таблицу Excel, содержащую обучающую выборку (рис. 6).

Рис. 5. Фрагмент кода программы

Рис. 6. Фрагмент обучающей выборки

Создадим новый проект в Loginom Community. Соединим выход компонента «Excel файл» с компонентом «Нейронная сеть (регрессия)». Выполним настройки нейросети согласно рис. 7. Параметры разбиения множества: обучающее – 80%, тестовое – 20%. Количество рестартов – 5000. Далее проверим работу нейросети на произвольной выборке (рис. 8).

Рис. 7. Фрагмент окна настроек

Рис. 8. Фрагмент визуализатора

Такую же задачу требуется решить средствами Neural Network Wizard.

В качестве самостоятельной работы предлагается решить следующие задания средствами программных продуктов Loginom Community и Neural Network Wizard:

1. Доработать проект для сложения и умножения двух вещественных чисел на отрезке ^{[0; 10]} (либо на произвольном отрезке).

2. Создать и обучить нейронную сеть для выполнения расчетов по четырем формулам (рис. 9). Для создания обучающей выборки использовать интервал значений x, y, z на отрезке ^{[0; 10]}. Погрешность расчетов должна быть не более 1–2%.

Рис. 9. Фрагмент таблицы с вариантами заданий

Классификационный анализ с использованием нейронных сетей

Изучение данного вопроса отведено на самостоятельную работу, в результате выполнения которой студенты должны научиться использовать нейронные сети для решения классификационных задач.

Приведем один из вариантов формулировки задания. По результатам предыдущего года известны значения двух показателей и выявлены две группы предприятий: группа А – рентабельные, группа В – нерентабельные. Несколько предприятий выполнили прогноз своего развития на текущий год и представили его в аналогичной форме (два показателя, рис. 10). Используя значения прошлого года в качестве обучающей выборки, выполнить классификацию предприятий по признаку рентабельности средствами программных продуктов Loginom Community и Neural Network Wizard.

Рис. 10. Фрагмент таблицы с исходными данными

Заключение

Исследование было проведено с обучающимися 1–2 курсов бакалавриата и специалитета УГСН 09.00.00, 10.00.00, 15.00.00. При реализации исследования соблюдались принципы последовательного изложения материала и «от простого к сложному». Результаты контрольных мероприятий показали, что на достаточном уровне были сформированы навыки использования технологий искусственного интеллекта у обучающихся направлений подготовки, не связанных с областью искусственного интеллекта.

Авторская методика предоставляет студентам возможность изучить базовые принципы работы с нейронными сетями и инструментами ИИ, адаптированными под образовательные нужды. В отличие от существующих подходов, предложенная методика:

1.Ориентирована на непрофильные специальности и рассчитана на студентов, не обладающих глубокими знаниями в математике и программировании.

2.Включает поэтапное обучение с переходом от простых к более сложным задачам, что снижает порог входа и позволяет развивать навыки работы с данными в удобном темпе.

3.Предлагает практико-ориентированные задания с акцентом на конкретные задачи аппроксимации и классификации, что даёт возможность студентам освоить применимость методов ИИ на реальных примерах.

Таким образом, авторская методика закрывает пробел в образовательной практике, предоставляя преподавателям и студентам простой и эффективный инструмент для начального освоения методов анализа данных и работы с ИИ, что имеет прикладное значение для студентов широкого спектра направлений подготовки.

Полученные результаты могут быть использованы для построения практико-ориентированных учебных курсов и задач в различных областях, не связанных напрямую с искусственным интеллектом, в которых необходимо знание базовых методов анализа данных и алгоритмов искусственного интеллекта.

Предложенный подход позволяет проводить обучение ИИ в формате практических лабораторных работ и самостоятельного освоения принципов построения и применения моделей для классификации и аппроксимации, что способствует расширению профессиональных навыков и отвечает вызовам цифровой экономики. В рамках исследования были выработаны: цели обучения на каждом этапе, принципы взаимодействия с платформами и методические рекомендации, которые в совокупности обеспечивают логичную, поэтапную систему освоения ИИ-инструментов.

Основной целью методики является обучение студентов основам применения нейронных сетей и алгоритмов машинного обучения на примерах конкретных задач: аппроксимации (на платформе Neural Network Wizard) и классификации (на Loginom Community). Задачи включают:

• овладение навыками настройки и обучения нейронных сетей;
• закрепление практических знаний на основе выполнения типовых задач;
• развитие навыков анализа данных и оценки точности моделей.

Ожидаемые результаты обучения включают:

1. Освоение навыков построения нейронных сетей. Студенты смогут создавать и настраивать простые нейронные сети для задач аппроксимации и классификации, используя доступные платформы.
2. Приобретение опыта работы с ИИ-инструментами. Студенты будут способны подготовить данные для анализа, выполнить настройку параметров моделей и провести интерпретацию результатов.
3. Умение анализировать и корректировать модели. На основе анализа ошибок, студенты научатся корректировать параметры моделей, добавлять обучающие данные и улучшать точность прогнозов.
4. Применение знаний для решения прикладных задач. Студенты смогут применять базовые принципы машинного обучения для решения конкретных прикладных задач в их будущей профессиональной деятельности, таких как прогнозирование показателей или анализ экономических данных.