Қазақстанның жоғары оқу орнында (ЖОО) білім алушылардың оқытылу қызметі туралы көп көлемде ақпарат жинақталған, және олардың көпшілігі студенттердің бүтіндей оқыту мерзіміндегі алған жинақталған орта баллдары бойынша ранжирлеуде статистикалық есеп беру үшін қолданылады. Оқыту үрдісін жетілдіру мақсатында шешім қабылдау үшін түсінікті және көрнекі нәтижелер алу үшін деректерді ағымдағы талдау және ақпаратты өңдеудің интеллектуалды алгоритмдерді қолдану қажет. Дегенмен білім беру сферасында шешім қабылдау және деректерді талдауға Data Mining әдістерін қолдану мәселелері шешілмей келеді [1]. Сондықтан білім беру сферасында ең жиі қолданылатыны интеллектуалды талдаудың сипаттама моделдерінің сатылары 1 -ші кестеде көрсетілген.
Деректерді интеллектуалды талдау алгоритмдері деректерді интеллектуалды талдау модельдерін құратын механизм болып табылады. Модель құру үшін алдын-ала деректер жиыны талданады, белгілі заңдылықтар мен трендтерді іздеуді жүзеге асырады. Алгоритм деректерді интеллектуалды талдау параметрлерінің моделін анықтауға арналған нәтижелер қолданылады. Содан соң бұл параметрлер барлық деректер жиынына қолданылады, онда қолдануға жарамды заңдалықтарды анықтау мен нақты статистиканы алу. Ұсынылған әдісті график түрінде көрсетуді қолданудың қадамдар тізбегі 1-ші суретке сәйкес келтірілді.
Алгоритм құрған деректерді интеллектуалды талдау моделі әртүрлі формада болады және оған келесілер енеді:
– шешім қабылдау ағыны, студент болашақ сессиясын тапсыруын болжайды;
– математикалық модель, кафедралар (факультеттер т.б) бойынша сессия нәтижелерін болжайды;
– білім беру үрдісіндегі деректер жиынының байланыстар варианттарын сипаттайтын кластерлер жиыны т.б.
Деректерді интеллектуалды талдау бойынша модуль құру үшін деректер көздерін анықтау қажет, деректерді интеллектуалды талдау моделі және интеллектуалды талдау құрылымы құрылуы тиіс [2].
Деректерді интеллектуалды талдау моделіне негізделген әдістерден тәуелді келесі нәтежелерді алуға болады:
– шешім қабылдау алгоритм ағашы көмегімен моделдеу нәтижелері;
– кластеризациялау алгоритмі негізінде моделдеу нәтижелері;
– уақыттық қатар алгоритмдері бойынша моделдеу нәтижелері;
– қысқартылған Байес алгоритмі бойынша моделдеу нәтижелері;
– өзара байланыс ережелерін қолданып моделдеу нәтижелері;
– ассоциация алгоритмдері бойынша моделдеу нәтижелері;
– нейрон желілерін қарау құралдары көмегімен моделдеу нәтижелері;
– логистикалық регрессия алгоритмін қолданып моделдеу нәтижелері.
Қазақстан ЖОО-да рейтингті жүйені енгізгеннен бастап оқу үрдісінің жағдайы туралы ақпарат көлемі едәуір ұлғайды. Рейтинг деректердің өңдеу және талдау есебі өзекті сипат алуда, сондай-ак оқу үрдісін басқаруға арналған алынған нәтижелерді интерпритациялау қажет етеді.
Айқынсыз бастапқы ақпараттарды реттеу есебін шешу үшін айқынсыз деректерді талдау әдісі 2-ші суретке сәйкес алгоритмі қолданылады. Бұл әдістер көмегімен әртүрлі топтардағы студенттер үлгерімдерін салыстырмалы бағалау есептерін шешу мүмкін және пәндер жиынтығы бойынша бір топ студенттерін ранжирлейді.
Ары қарай есептің математикалық формулировкасын сипаттаймыз. Альтернатива жиынын қысқаша келтірейік х= {x>i}, мұндағы i=1,2,…,n. Әрбір альтернатива бірнеше белгілермен сипатталады k=1,2,…,m ол {a>і} жиынын құрайды. Әрбір а>k белгі бойынша алтернативті жұп салыстыру туралы ақпарат R>kформасындағы қатынас түрінде көрсетілді. Сонымен, x жиынында R>kталғамының m қатынасы бар болсын. {x, >Ri… >Rm} жиынының ең жақсы альтернативін таңдау талап етіледі.
Сонымен студенттерді бірнеше пәндер жиынтығы бойынша үлгерімдерін ранжирлеу есебін шешу мүмкіндігі туады. Сипатталған алгоритм көмегімен осыған ұқсас көптерген есептерді шешуге болады және рейтинг деректерінен оқу үрдісі туралы қосымша маңызды ақпараттарды шығару мүмкіндігі болады.
Әдебиеттер
1.Макшанов, А. В. Технологии интеллектуального анализа данных: Учебное пособие / А. В. Макшанов, А. Е. Журавлев. – СПб.: Лань, 2018. – 212 c.
2. Тюрин, Ю. Н. Анализ данных на компьютере / Ю. Н. Тюрин, А.А. акаров. – М.: МЦНМО, 2016. – 368 c.