3 Международный журнал дополнительных исследований в области компьютерных наук и инженерии. Предположим, что H является наиболее вероятностным (или, по крайней мере, одним из наиболее вероятностных, если таковые существуют). Любое предположение, имеющее эти характеристики, называется Максимальным апостериорным предположением (MAP) [6], [7], [8].Предположение MAP может быть получено с использованием правила Байеса для оценки апостериорной вероятности. Точнее говоря, предположение, что: h MAP h D) h HD h) h) arg max h HD) D h) h) h H (2) — это уведомление о том, что на последнем шаге выше P (D) удален, потому что его оценка не зависит от h и всегда является постоянным числом. В некоторых случаях предполагается, что все предположения о h H равны вероятности h h H; з) з) я, я вхождение. В этом случае другие упрощения могут быть сделаны в уравнении 2 [9], [7]. С другой стороны, мы можем рассмотреть предположение, что максимизирует P (D h) (максимальное правдоподобие).h ML D h) h H Здесь мы рассматриваем данные D как образовательную выборку для целевой функции, а H рассматривается как серия целевых функций. Но на самом деле правило Байеса является более общим, чем эта проблема. То есть он может быть использован аналогичным образом для ряда предположений любого типа, которые независимы два на два, с общей вероятностью один. D. Простая байесовская классификация Метод простого байесовского учащегося является одним из наиболее применимых байесовских методов обучения, которые часто называют простой байесовской классификацией.В некоторых областях показано, что его эффективность сопоставима с эффективностью таких методов, как нейронная сеть и дерево решений. В этом разделе представлен метод простой байесовской классификации. В следующем разделе показано применение этого метода на практическом примере. Простая байесовская классификация применяется для случаев, когда каждая выборка X выбирается серией значений количества и целевой функции f (x) из подобной серии. Целевая серия обучающих данных и выходных данных целевой функции или класса, к которому принадлежит новая выборка.Байесовский метод классификации новой выборки состоит в том, чтобы определить наиболее вероятный класс или целевое количество, определив количество адекций , описывающее новую выборку. (3) MAP a, a2, …, a V 1 n Используя правило Байеса, мы можем переписать уравнение 4 следующим образом: a1, a2, …, an,)) MAP arg max (5) V a, a , …, a) a, a, …, a,)) V Теперь мы попытаемся оценить два утверждения уравнения (3), используя обучающие данные. Оценить данные тренировки легко, если мы знаем частоту повторений. Однако оценка различных предложений P (,,,) недопустима, если у нас не много тренировочных данных.Проблема существует, когда количество предложений равно количеству выборок, умноженному на количество целевой функции. Таким образом, мы должны следить за временем выборки, пока не получим соответствующую оценку [11]. Предположение о простом байесовском методе классификации основано на этом упрощении, согласно которому суммы, полученные в зависимости от целевой функции, условно не зависят друг от друга. С другой стороны, это предположение указывает на то, что в случае наблюдения выходных данных целевой функции вероятность наблюдения характеристик a1, a2 равна умножению вероятности каждой функции в отдельности.Если это заменить на уравнение (4), это приведет к простому методу байесовской классификации. NB) ai) (6) V Где вывод метода простой байесовской классификации для целевой функции. Обратите внимание, что количество предложений, которые должны быть оценены в этом методе, равно числу адекций, умноженному на количество выходных категорий для целевой функции, количество которых намного меньше, чем количество предложений P (,, ) Результатом является то, что простая байесовская тренировка пытается оценить различные количества и используя их частоту повторения в данных тренировки.Эта серия оценок соответствует усвоенным предположениям. Затем это предположение используется для классификации новых выборок, которые выполняются с использованием уравнения (4). Когда будет выполнено независимое предположение об кондиционировании простого байесовского метода классификации, простой байесовский класс будет равен классу MAP [11], [12]. E. Моделирование учебной программы. Для моделирования учебной программы мы сначала определяем параметры эффективности на успех или неуспешность выбранной учебной программы. Выбранные параметры для моделирования учебного плана в Ms показаны в таблице 1.Кроме того, оценка текущего срока, степень удовлетворенности и вероятность получения i 2 n n) (4)

4 Международное издание дополнительных исследований в области компьютерных наук и инженерии, рекомендательное письмо — это другие параметры эффективности в учебной программе.В терминологии байесовских сетей эти параметры считаются доступными. Для моделирования с использованием байесовской сети следует предпринять три шага [12]. 1) Ряд соответствующих параметров наряду с его количеством следует засушить. 2) Структура сети должна быть в форме графа без циклов и с узлами доступных объектов. 3) Для каждой доступной сети определяется CPD (условно-вероятное распределение). Эти три предварительных шага выполняются для моделирования учебных программ с использованием байесовских сетей, соответственно.Параметры эффективности определяются экспертным заключением и доступными данными. Количество этих объектов указано на рисунке 2. На втором этапе структура байесовской сети формируется с графиком без циклов. Структура байесовской сети показана в таблице 1. Следует отметить, что направление ребра между двумя ariables определяет эффективность двух ariables. Например, объекты общей аэрации влияют на средний балл текущего термина (аэрация балльной точки). Таким образом, нынешний срок обучения влияет на уровень удовлетворенности учащихся учебным планом.На третьем этапе определяется количество CPD для доступных для сети. Образец CPD, связанный с оценкой, приведен в Таблице 2. Оценка имеет три значения с указанными вероятностями в соответствии с этой таблицей. № ТАБЛИЦА 1: ПАРАМЕТРЫ, ВЛИЯЮЩИЕ НА УЧЕБНУЮ ПАРАМЕТР Параметры Оценка по классу Количество выбранных курсов Состояние Оценка публикаций Исследование фона Уровень удовлетворенности ТАБЛИЦА 2: ОБРАЗЕЦ CDP, СВЯЗАННЫЙ С ПОЛНОЙ СРЕДНЕЙ Аэ класса ABC Пропорция Количество P (AG, S, A, NumC, RBG, Pub, G, RecL, удовлетворенность) на основе правила цепочки байесовских сетей и на основе структуры сети для учебного плана равна: в которой AG — средний балл за последний семестр, S — состояние учащегося, A — активность, NumC — количество уроков, RBG — фон исследования, Pub — опубликованные статьи, G — текущая оценка за семестр, RecL — рекомендательное письмо, а уровень удовлетворенности — уровень удовлетворенности.Для каждого из параметров в отношении aboe следует определить CPD с учетом его собственного набора данных. Внутривенно РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ (7) В этой статье мы использовали вариант 3 инструмента SamIam для моделирования учебного плана и байесовской сети. На рисунках 1 и 2 показана часть байесовских сетей, разработанных этим инструментом. Набор данных рассматривается для 117 М.С. студенты IT из Центра электронного обучения Амиркабирского технологического университета в трех непрерывных сроках. Все суммы CPD определяются с учетом мнения экспертов и полевых операций с наборами данных.Результаты моделирования определяют степень прямой и непрямой эффективности сырой пищи. Рисунок 2: Срез байесовских сетей, разработанный SamIam Рисунок 1: Байесовская сеть Как показано на рисунке 3, в соответствии со статистическим набором данных, наибольший эффект при утверждении рекомендательных писем связан с ГПД текущего термина и опубликованными работами с эффективностью 1,95 и 0,93 соответственно. Когда мы исследовали набор данных для того, чтобы не получать рекомендательное письмо (как показано на рисунке 4), у нас были такие же свойства, как и раньше, но с разной эффективностью.То есть, коэффициент эффективности ГПД текущего термина и опубликованных Page 36

5 Международный журнал дополнительных исследований в области компьютерных и инженерных работ с количествами 1.05 и 0.93 соответственно, получите наибольшее количество еще раз. рекомендательное письмо и его влияние. Удовлетворенность учащихся учебным планом показана на рисунках 5 и 6.Оба фактора, средний балл текущего срока и полученное рекомендательное письмо, признаны наиболее эффективными факторами в степени удовлетворенности. Тем не менее, фактор эффективности среднего балла за текущий семестр оказал более существенное влияние на удовлетворенность успеваемостью студентов. Рисунок 6: Параметры, которые влияют на высокую степень удовлетворенности учащихся и ее влияние. В этой части анализа модели учебной программы мы имеем дело с изучением состояния текущего термина GPA в трех количествах A, B и C.Как показано. На рис. 7 текущий термин «аэрация» А оказывает наибольшее влияние на удовлетворенность учащихся. Степень этого удовлетворения оценивается примерно в единицу. После степени удовлетворения аэратор A имеет наибольшую эффективность в отношении расходных материалов, таких как рекомендательное письмо и активность, с величинами 1,32 и 0,63, соответственно. Текущий термин aerage of B имеет совершенно иную эффективность, чем это показано на фиг.8. Следует учитывать, что эта эффективность может быть отрицательной или положительной. В этом состоянии наибольшая эффективность принадлежит общему среднему баллу.Степень эффективности этого ariable о Это эффективность может быть подтверждена таким образом, что вентиляция oerall имеет тесную связь с текущим термином вентиляция. Другими словами, общая аэрация обычно повторяется в текущем сроке. Таким образом, результаты факторов влияния на средний балл текущего термина показаны на рис. 9. Наиболее (хотя и отрицательно) эффективность рекомендательного письма будет в дополнение к влиянию на рекомендательное письмо как параметров удовлетворенности студента, так и активности, с суммами 1.2 и 0,41, соответственно, самый перекрестный эффект. Рисунок 5: Параметры, влияющие на низкий уровень удовлетворенности учащихся и его влияние leel

6 Международный журнал дополнительных исследований в области компьютерных наук и инженерии СПИСОК ЛИТЕРАТУРЫ Рисунок 8: Параметры, которые влияют на Aerage B учащихся и его ударный уровень.ЗАКЛЮЧЕНИЕ В этой статье мы имеем дело с темой планирования учебного плана с точки зрения выбора курса и его факторов эффективности. Таким образом, должна быть разработана модель планирования учебного плана и его параметров эффективности. В этом исследовании метод байесовских сетей используется для моделирования учебных программ. Параметры эффективности первоначально определяются, а затем формируется структура байесовской сети при изображении графика без направленного цикла. При расследовании данных, связанных с 117 М.С. студенты Центра электронного обучения Амиркабирского технологического университета, CPD инициализируются.Это исследование разработано и создано с использованием ersion 3 инструмента SamIam байесовской сети. Анализируя перекрестный эффект на мошенников, можно получить интересные результаты для управления учебным планом. [1] Y.Kong, Y-Q. Чжоу Модель многообещающего учебного плана Модель ученичества учащегося. Международное управление по образованию и информационным технологиям (ICEIT) .PP [2] Х. Мао, Н. Цзян, В. Су, Ю. Чжан Новая модель построения учебного плана сотрудничества между школой и предприятиями, 25-я конференция IEEE по образованию в области разработки программного обеспечения и Тренинг, ПП [3] Ю.Чжу «Разработка и продолжение моделей учебных программ профессионального обучения за рубежом» в программе «Comparatie Perspectie», Международная конференция по образовательным и сетевым технологиям (ICENT 2010), PP.1-4. [4] Ион Арройо, Кэрол Бил, Том Мюррей, Рена Уоллес и аванпост Beerly Woolf Wayang: Интеллектуальное обучение для тестов по достижению высоких ставок. Международная конференция по интеллектуальным системам обучения. [5] К. ВанЛен, Дж. Мартин. Оценка системы оценивания на основе байесовского моделирования студентов. Международный журнал искусственного интеллекта и образования Vol.8, 2. pp. [6] P. Garcia, A. Amandi, S. Schiaffino, M. Campo Оценка точности байесовских сетей для определения стилей обучения студентов, Компьютеры и образование, Vol. 49, стр. [7] Дж. Коллинз, Дж. Грир, С. Хуанг, Оценка адаптивности с использованием иерархий гранулярности и байесовских сетей. В: Frasson, C. Gauthier, G. Lesgold, A. (eds.) Интеллектуальные системы обучения, Третья международная конференция, ITS 96 (12-14 июня, Монреаль, Канада), Springer. с. [8] Ф.Дж.Т. Moreno, M.J.Galán Moreno, Antonio Ocón Использование байесовских сетей в процессе электронного обучения Global Adaptie, 11-я Международная конференция ассоциации европейских информационных систем университетов (EUNIS 2005), Manchester University, Манчестер.ВЕЛИКОБРИТАНИЯ. [9] Д.А. Колб, (1985), LSI Учебный стиль Inventory. McBer & Company. [10] М. Майо, А. Митроик, (2001) Оптимизация поведения ITS с помощью байесовских сетей и теории принятия решений, Международный журнал искусственного интеллекта в образовании, Vol. 12 (2), стр. [11] Роман Мало, Арношт Мотычка, Антонио Окон, Управление деятельностью в системах электронного обучения, 11-я Международная конференция Ассоциации европейских информационных систем университетов (EUNIS 2005), Манчестерский университет, Манчестер, Великобритания. [12] З. А. Пардос, Н.T. Heffernan, B. Anderson и C. L. Heffernan Использование детализированных моделей навыков для согласования успеваемости учащихся с байесовскими сетями. Семинар по обучению Data Mining состоялся на Восьмой международной конференции по интеллектуальным системам обучения. Тайвань. [13] Финн Вернер Дженсен Байесовские сети и графики решений. Спрингер-Верлаг, Нью-Йорк. Страница 38