Preview

Цифровая трансформация

Расширенный поиск

Методы интеллектуального анализа данных в виртуальном практикуме для целей цифровизации образования

Полный текст:

Аннотация

Разработан программный модуль, лежащий в основе виртуального лабораторного практикума и состоящий из двух компьютерных приложений, использующих методы интеллектуального анализа биомедицинских данных в качестве примера возможности прогнозирования заболевания по предложенным симптомам пациента и определения вероятности наличия сердечно-сосудистого заболевания. Разработанный виртуальный лабораторный практикум может быть использован при преподавании блока медико-биологических дисциплин и включает в себя перечень лабораторных работ, которые помогают приобрести практические навыки биоаналитической работы и навыки программирования на Python.

Об авторах

Е. В. Тимощенко
УО «Могилевский государственный университет имени А.А.Кулешова», ул. Космонавтов
Беларусь

кандидат физ.-мат. наук, доцент, профессор кафедры программного обеспечения информационных технологий

ул. Космонавтов, д.1, 212022, г. Могилёв



А. Ф. Ражков
ГНУ «Объединенный институт проблем информатики Национальной академии наук Беларуси»
Беларусь

магистр педагогических наук, аспирант

л. Сурганова, д.6, 220012, г. Минск



Список литературы

1. Образовательный стандарт высшего образования «Высшее образование. Первая ступень. Специальность 1-80 02 01 Медико-биологическое дело. Квалификация «Биолог-аналитик. Преподаватель биологии»: постановление Министерства Респ. Беларусь, 14 мая 2019 г., № 51 // Нац. правовой Интернет-портал Респ. Беларусь. – 31.07.2019, 8/34277.

2. Борковский, Н. Б. Информационные технологии. Учебная программа учреждения высшего образования по учебной дисциплине для специальности: 1- 80 02 01 Медико-биологическое дело № УД-379-14/р. / Н. Б. Борковский. – Минск: Международный государственный экологический институт имени А. Д. Сахарова Белорусского государственного университета, 2014.

3. Тимощенко, Е. В. Методы интеллектуального анализа биомедицинских данных / Тимощенко Е. В., Ражков А. Ф. // Итоги научных исследований ученых МГУ имени А. А. Кулешова 2019 г.: материалы научно-методической конференции, 29 января – 10 февраля. 2020 г. / под ред. Н. В. Маковской, Е. К. Сычовой. – Могилев: МГУ имени А. А. Кулешова, 2020. – С. 106-107.

4. Han, J. Data Mining: Concepts and Techniques / J. Han, M. Kamber, J Pei. – UK: Morgan Kaufmann: Oxford, 2012. – pp. 12-18.

5. Schwender, H. Logic regression and its extensions / H. Schwender, I. Ruczinski.: Advanced in Genetics, 2010. – pp. 25-45.

6. Bayes, T. An essay towards solving a problem in the doctrine of chances / T. Bayes.: Resonance, 2003. – pp. 80-88.

7. Karthika, S. A Naïve Bayesian Classifier. For Educational Qualification / S. Karthika, N. Sairam.: Indian Journal of Science and Technology, Vol. 8, 2015. – pp. 1-5.

8. Imandoust, S.B. Application of K-Nearest Neighbor (KNN) Approach for Predicting Economic Events: Theoretical Background / S.B. Imandoust.: Int. Journal of Engineering Research and Applications Vol. 3, Issue 5, Sep-Oct 2013. – pp. 605- 610.

9. Brijain, R Patel A Survey on Decision Tree Algorithm for Classification / R Patel Brijain, K Rana Kushik.: IJEDR, Volume 2, Issue 1, 2014.

10. Biau, G. Analysis of a Random Forests Model / G. Biau.: Journal of Machine Learning Research, 13, 2012. – pp. 1063-1095.

11. Osuna, E. Training support vector machines: an application to face detection / E. Osuna, R. Freund, F. Girosi.: IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1997. – pp. 130-136.

12. Guolin Ke. LightGBM: A Highly Efficient Gradient Boosting Decision Tree./ Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu. – Advances in Neural Information Processing Systems 30 (NIPS 2017), pp. 3149-3157.

13. Natekin, A. Gradient boosting machines, a tutorial / A. Natekin, A. Knoll.: Frontiers in Neurorobotics, Vol. 7, Art. 21., 2013.

14. Get started [Электронный ресурс]. – Режим доступа: https://www.jetbrains.com/help/pycharm/quick-start-guide.html. – Дата доступа: 01.05.2021.

15. Ражков, А.Ф. Виртуальный лабораторный практикум «Интеллектуальный анализ данных для прогнозирования заболеваний» / Ражков А.Ф., Тимощенко Е.В. // V международная научно-методическая конференция «Качество подготовки специалистов в техническом университете: проблемы, перспективы, инновационные подходы», 19-20 ноября 2020. – Могилев: МГУП, 2020. – С. 172-175.


Рецензия

Для цитирования:


Тимощенко Е.В., Ражков А.Ф. Методы интеллектуального анализа данных в виртуальном практикуме для целей цифровизации образования. Цифровая трансформация. 2021;(4):52-62.

For citation:


Timoschenko E.V., Razhkov A.F. Data Mining Techniques in a Virtual Workshop for the Digitalization of Education. Digital Transformation. 2021;(4):52-62. (In Russ.)

Просмотров: 46


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2522-9613 (Print)
ISSN 2524-2822 (Online)