Література

1. Статистика трейдера [Электронный ресурс]. − URL: http://marketstat.ru (9.03.2017).

2. Торговая платформа Trader Worstation [Электронный ресурс]. − URL: https://www.interactivebrokers.com (9.03.2017).

3. Мельников А. Ю. Объектно-ориентированный анализ и проектирование информационных систем: учебное пособие. – Изд. 2-е, перераб. и доп. – Краматорск: ДГМА, 2012. – 172 с.

Автоматизація аналізу професійної компетентності студентів як основа підвищення конкурентоспроможності вищого навчального закладу

Бєлік Т.С., 4 курс, факультет автоматизації машинобудування та інформаційних технологій

Нечволода Л.В. к.т.н.,доцент кафедри ІСПР

Донбаська державна машинобудівна академія

м. Краматорськ

У сучасному світі стрімкого економічного розвитку відбувається автоматизація багатьох областей людської діяльності, в тому числі і вищої освіти. Наразі перед системою вищої освіти стоїть завдання підготовки висококваліфікованих фахівців, здатних витримати конкуренцію на сучасному ринку праці. Через зростання вимог до підготовки фахівців, об'єктивно виникає потреба в модернізації системи освіти, на зміну категорії «професіоналізм» як головної виробничої цінності приходить категорія «професійна компетентність» [1].

Компетентний підхід акцентує увагу на результаті освіти, причому в якості результату розглядається не сума засвоєної інформації, а здатність застосовувати знання, вміння та особистісні якості для успішної діяльності в певній галузі. Розвиток компетентності студента є одним з найважливіших завдань будь-якого вищого навчального закладу, що формує майбутніх фахівців для різних галузей народного господарства. Базовим вищим навчальним закладом для вирішення поставленої задачі виступає Донбаська державна машинобудівна академія, що використовує модульно-рейтингову систему. Вхідними параметрами є організаційно-управлінська і виробничо-технологічна діяльність, аналітична, наукова, проектна та загально професійна компетентності. Складемо навчальну вибірку, в якості вихідної оцінки може виступати сумарна (підсумкова) оцінка за результатами іспитів і захисту дипломного проекту.

Класичні нейронні мережі, такі як багатошарові персептрони, мають важливий недолік – труднощі при інтерпретації отриманих результатів [2].

Реалізуємо нечіткі нейронні мережі Такагі-Сугено-Канга, в яких модель виведення (функція укладення) визначається у вигляді сукупності M нечітких правил [3].

Етапи навчання і тестування нечіткої нейронної мережі Такагі-Сугено-Канга містять наступне.

1. Попередня обробка даних, усунення аномалій, кластеризація. Кількість класів відповідає кількості нечітких правил.

2. Навчання шару фазифікації нечіткої нейронної мережі (визначення для k-го правила і вхідної змінної х_i значення функції приналежності).

3. Навчання шару укладення нечіткої нейронної мережі і тестування. В якості опції укладення часто використовується звичайний поліном першого порядку. Вихід системи визначається як середньозважене за всіма M правилам.

Таким чином, дослідження проблем оцінки компетентності студентів виводить на новий рівень – проблему управління знаннями на основі використання систем штучного інтелекту.