Нейрокомпьютерные технологии в обучении информатике

Глава 1. Теоретико-методологические проблемы применения нейрокомпьютерных технологий в образовании

1.1. Основные понятия теории искусственных нейронных сетей

1.2. Характеристики, свойства и процессы в нейронных сетях

1.2.1 Биологический нейрон и его кибернетическая модель

1.2.2 Свойства процессов обучения в нейронных сетях

1.2.3 Нейронные сети ассоциативной памяти

1.3. Нейрокомпьютерные технологии в образовании

1.4. Выводы

Глава 2. Программно-методические средства реализации нейрокомпьютерных технологии

2.1 Пакет NeuroShell2(технология использования)

2.2 Пакет программ CLAB (технология применения в обучении)

2.3 Пакет GeneHunter (технология применения)

2.4 Пакет NeuroShell Trader (технология применения)

2.5 Применение пакета ST Neural Networks

2.6. Основные характеристики пакета MATLAB

2.7. Выводы

Глава 3. Разработка технологии обучения нейроинформатике и информатике в учреждениях среднего и

высшего образования

3.1.Особенности реализации технологии обучения нейроинформатике

3.2. Средства информационного обеспечения дисциплины нейроинформатика (на примере пакета

МАТЬАВ)

3.3. Лабораторный практикум как средство обеспечения дисциплины нейроинформатика

3.3.1. Базовые модели

3.3.2. Линейные сети

3.3.3. Радиальные базисные сети

3.4. Выводы

Глава 4. Педагогический эксперимент по применению нейроинформационных средств в учреждениях общего и высшего образования

4.1 Педагогическая диагностика и педагогический эксперимент

4.2. Выводы

Заключение

Список использованной литературы



Отличительной особенностью развития цивилизации конца XX века является эволюционное изменение социально-экономической и технологической ее основы через глобальную информатизацию всех сфер человеческой жизнедеятельности, конечной целью которой является построение постиндустриального общества. В этом обществе существенно повысится роль и значение интеллектуального труда, следствием которого будет смещение приоритетов в общественном разделении труда из сферы материального производства в область получения, переработки, хранения, представления и использования информации на основе новых информационных технологий и средств телекоммуникаций. Информационное общество - это общество с доминированием интеллектуально - информационных технологий.

В XXI веке концептуально оформилась основная тенденция социально-экономического развития высокоразвитых государств, сущность которой заключается в наиболее полном удовлетворении меняющихся потребностей (в том числе и образовательных) индивидуумов, их объединений и общества в целом.

Учитывая глобальную тенденцию информатизации общества можно ожидать, что в обозримом будущем постиндустриальное информационное общество и все его институты будут погружены в среду социально - экономических отношений рыночного типа.

Система образования, являясь составной частью социальной сферы общества, должна быть адаптивна к этим двум глобальным факторам развития цивилизации, то есть она должна:



Нейронной сети в ходе обучения предъявляются примеры и их решение оценивается. По результатам оценки делается шаг, меняются параметры. Обучающий пример - пара <вход; известный выход> - имеет вид:

/ Е Е Е Е . Е Е Е Е 

СГ[ ,СГ2 Ь] ->Ъ2 /»

где <т'' и д* элемент входного и выходного сигнала,

о~ 1 г 2, . , А?о, 1ь-1г 2, , N1,

Ь - число слоев,

е - номер обучающего примера в выборке, е=1,2

Р - число обучающих примеров в выборке. На каждый

входной сигнал сеть должна выдать соответствующий выходной сигнал.

Если в необученную многослойную нейронную сеть с последовательными связями ввести входной сигнал одного из примеров обучающей выборки:

X =<Л=1>2

X = Е-Х, ~Ь.Л = 1.2



X = Дхк = 1 А-,Хт,т = 1,2

то выходные сигналы будут отличаться от требуемых, которые определены в обучающем примере.

Функция ошибки определяет степень близости выходных сигналов к требуемым при решении всей совокупности примеров обучающей выборки:

п. 6)

 е-1 |,

На каждой итерации вычисляется градиент функции ошибки в адаптивном пространстве сети и делается шаг по адаптивному рельефу в направлении, противоположном градиенту. Размерность адаптивного пространства сети на едини-