ВЫЯВЛЕНИЕ ОСОБЕННОСТЕЙ ВЫБОРА НАПРАВЛЕНИЙ
ПОДГОТОВКИ АБИТУРИЕНТАМИ БГТУ
Объект исследования – списки абитуриентов БГТУ за 2016-й год.
Результаты, полученные лично автором: на основе кластерного анализа выявлены некоторые закономерности в выборе направлений подготовки абитуриентами
Для повышения качества набора студентов вузам необходимо лучше понимать особенности абитуриентов, которые к ним поступают. Это позволит грамотно планировать контрольные цифры приема, эффективно управлять ходом приёмной кампании профориентационной работой. В списках поступающих имеется информация о выбранных абитуриентом направлениях подготовки, его баллах за ЕГЭ и дополнительные достижения, а также сведения о наличие в приложении к заявлению подлинника аттестата. На основе этой информации будем проводить разбиение абитуриентов на группы (кластеризация).
В качестве методов решения будем использовать методы и алгоритмы кластеризации: метод MST и алгоритм k-средних. В качестве исходных данных используется файл, содержащий данные о зачисленных абитуриентах. Среди критериев анализа были выбраны следующие: минимальный бал по профильному предмету, минимальный бал по математике, минимальный суммарный бал по предметам, максимальный бал по профильному предмету, максимальный бал по математике, максимальный суммарный бал по предметам, максимальный суммарный бал по предметам с учетом достижений, минимальный суммарный бал по предметам с учетом достижений, средний проходной балл без учета достижений, средний проходной балл с учетом достижений. Профильный предмет – физика и информатика.
|
|
|
В результате проведенного кластерного анализа были выявлены следующие основные особенности выбора направления подготовки абитуриентами.
Метод MST. Критерий «Максимальный балл по профильному предмету»:
· специальности: МАШ(Л) и МАШ, ТТП и МАШ(ПСЖД) имеют схожие баллы по физике;
· специальности: ПРИ и ПИ – схожие баллы по информатике.
Метод MST. Критерий «Средний проходной балл без учета достижений»:
· специальности: ЭМ(ДВС) и ЭТТК (АиАХ), МАШ(ПСЖД) и ПМ, ТБ и УТС, РАД и МХТ имеют сопоставимый средний проходной балл;
· специальности: ПРИ и ИиВТ(ПО), ПИ и ИБАС, ИБ и ИАСБ имеют сопоставимый средний проходной балл.
Метод MST. «Максимальный суммарный балл без учета достижений»:
· специальности: ЭМ(Т) и МХТ, ЭиН(МТЭ) и УК, ЭМ(ДВС) и КТО – примерно одинаковый максимальный балл по двум предметам;
· специальности: ПРИ и МОА, ИАСБ и ИВТ(САПР) имеют примерно одинаковый максимальный балл по двум предметам.
При использовании критериев максимальный суммарный бал с учетом достиженийи максимальный суммарный бал без достиженийметодом k-средних были получены следующие кластеры направлений подготовки: кластер №1– ИБ и ИВТ(ПО); кластер №2– ПРИ; кластер №3– ИВТ(САПР); кластер №4 – ИАСБ, ИБАС, ИНН, ИСТ, МОА, ПИ.
|
|
|
Эти результаты свидетельствуют об одинаковом отношении абитуриентов к данным направлениям подготовки и могут использоваться для дальнейшего анализа и определения соответствующих стратегий работы приёмной комиссии в последующих годах, а также при распределении бюджетных мест.
Материал поступил в редколлегию 03.04.2017
УДК 005.007
Е.С. Тупикина
Научный руководитель: доцент кафедры «Информатика и программное обеспечение», к.т.н., К.В. Гулаков
ektrn.t@yandex.ru
ИССЛЕДОВАНИЕ СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ОБЛАЧНОЙ СРЕДЕ MICROSOFT AZURE
Объект исследования: средства интеллектуального анализа данных в облачной среде Microsoft Azure.
Результаты, полученные лично автором: произведён обзор средств интеллектуального анализа данных; предложены варианты решений задач, связанных с интеллектуальным анализом данных, используя среду Microsoft Azure.
Повсеместное распространение информационных технологий, а особенно таких как сбор и хранение, привело к тому, что в хранилищах данных начали скапливаться огромные количества информации. Это привело к развитию более широких методов анализа, так как привычные подходы не могли решить поставленные задачи. Таким образом, произошёл переход от статистического анализа данных к более сложному – интеллектуальному анализу данных.
|
|
|
Анализ данных – это собирательное название множества методов, которые используются для обнаружения новых, ранее неизвестных знаний в «сырых» данных, а также выявления закономерностей, являющихся практически полезными и доступными для интерпретации.
Облачная среда Microsoft Azure предоставляет множество сервисов для анализа различных данных, обладающих рядом преимуществ перед конкурентами (см. рис. 1). К ним преимуществам относятся: широкий охват доступных регионов, соответствие наибольшему количеству требований международных стандартов.
Рис. 1. Сервисы анализа данных Microsoft Azure
Каждый из сервисов выполняет определённые функции, подходящие для широкого круга задач. Далее каждый сервис будет рассмотрен подробнее.
Машинное обучение позволяет выполнять обучение компьютеров с целью прогнозирования, используя имеющиеся данные. В среде Microsoft Azure можно быстро и просто развернуть службу прогнозной аналитики, используя готовые библиотеки алгоритмов, или же написав собственные сценарии на R или Python. У службы огромный потенциал, так как имеется множество готовых алгоритмов анализа и работы с данными, комбинируя которые, можно добиться точных результатов прогнозирования.
|
|
|
Служба Stream Analytics необходима, если стоит задача анализировать потоковые данные из различных источников, таких как датчики, веб-сайты, социальные сети и прочих, в режиме реального времени. Одним из вариантов использования может стать задача выявления мошенничества в режиме реального времени.
Для анализа речи, текста, изображений, создан пакет SDK и API Cognitive Services. В него входит пять групп API: язык, речь, зрение, поиск, знания. Их можно использовать, например, для анализа фотографий профиля в социальных сетях, анализ эмоциональной окраски сообщений. Службы предлагают более двадцати API для решения подобных задач.
Служба Azure Data Lake Analytics разработана для анализа больших данных. Она позволяет анализировать эксабайты информации, не требуя от разработчика каких-либо действий с ресурсами.
Служба Azure Analysis Services разработана на основе аналитического модуля Microsoft SQL Server Analysis Services, который используется в принятии решений и бизнес-аналитике. Представлены следующие алгоритмы: классификация, регрессия, сегментация, анализ последовательностей.
При помощи Log Analytics можно анализировать подключённые источники, такие как журналы активности. Доступ к мониторингу этих данных можно получить из браузера, используя предоставляемый синтаксис запросов или его графическое представление.
Подводя итог, можно сказать, что облачная платформа Microsoft Azure предоставляет широкий спектр сервисов для анализа данных, которые подойдут как для образовательных целей, так и для компаний любого размера. Задача анализа данных является актуальной, а облачные вычисления могут существенно помочь при её решении. В среду постоянно добавляются новые сервисы, а также развито сообщество, где опытные пользователи могут ответить на вопросы.
1. Каталог облачных служб Azure [Электронный ресурс]. – Режим доступа: https://azure.microsoft.com/ru-ru/services/?filter=intelligence-analytics, свободный.
Материал поступил в редколлегию 03.04.2017
УДК 519.178
Д.В. Тюлюкина
Научный руководитель: доцент кафедры «Информатика и программное обеспечение», к.т.н., Д.А. Коростелёв
luna17daria@mail.ru
Дата добавления: 2018-10-27; просмотров: 207; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!