Интеллектуальный анализ классификации абитуриентов с помощью нейронных сетей на основе адаптивной функции активации.
Ключевые слова:
машинное обучение, глубокое обучение, техника увеличения объема данных, системы рекомендации, поступление в вуз, адаптивная активацияАннотация
Выбор специальности при поступлении в вуз является важнейшим этапом в академической жизни абитуриента, так как этот выбор влияет на дальнейшее развитие карьеры и профессиональную реализацию. Однако в условиях ограниченной информации, с которой абитуриенты сталкиваются на этапе выбора, существует риск принятия необоснованных решений, что может привести к неудовлетворенности учебным процессом, снижению академической успеваемости и необходимости смены направления обучения. В данной работе рассматривается разработка системы интеллектуальных рекомендаций на основе нейросетевого подхода, где ключевым элементом является адаптивная функция активации. В отличие от стандартных функций активации, она динамически изменяет форму отклика нейронов, что повышает гибкость модели при обучении и улучшает точность предсказаний. В исследовании проводится сравнительный анализ базовой модели и модели с адаптивной активацией, демонстрирующий повышение точности классификации специальностей. Полученные результаты подтверждают эффективность предлагаемого подхода для поддержки абитуриентов в принятии решений.
Библиографические ссылки
Agarap, A. F. (2018). Deep learning using Rectified Linear Units (ReLU) [arXiv preprint arXiv:1803.08375]. https://arxiv.org/abs/1803.08375
Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education: Literature review and best practices. International Journal of Educational Technology in Higher Education, 17(3). https://doi.org/10.1186/s41239-020-0177-7
Apicella, A., Donnarumma, F., Isgrò, F., & Prevete, R. (2021). A survey on modern trainable activation functions. Neural Networks, 138, 14–32. https://doi.org/10.1016/j.neunet.2021.01.026
Drachsler, H., Hummel, H. G. K., & Koper, R. (2008). Personal recommender systems for learners in lifelong learning networks: The requirements, techniques and model. International Journal of Learning Technology, 3(4), 404–423. https://doi.org/10.1504/IJLT.2008.019376
Even-Dar, E., Mannor, S., & Mansour, Y. (2006). Action elimination and stopping conditions for the multi-armed bandit and reinforcement learning problems. Journal of Machine Learning Research, 7, 1079–1105. (Original work published as arXiv preprint: cs/0206020)
Fong, S., & Biuk-Aghai, R. P. (2009). An automated university admission recommender system for secondary school students. In Proceedings of the 6th International Conference on Information Technology and Applications (ICITA) (pp. 37–42). Hanoi, Vietnam. Retrieved from https://www.researchgate.net/publication/221154329_An_Automated_University_Admission_Recommender_System_for_Secondary_School_Students
Jabeen, H., & Baig, A. R. (2010). Review of classification using genetic programming. International Journal of Engineering Science and Technology, 2(2), 94–103. Retrieved from https://www.researchgate.net/publication/275022403_Review_of_classification_using_genetic_programming
Lee, K., Yang, J., Lee, H., & Hwang, J. Y. (2022). Stochastic adaptive activation function [arXiv preprint arXiv:2210.11672]. https://arxiv.org/abs/2210.11672
Lin, X., Zhong, G., Chen, K., Li, Q., & Huang, K. (2021). Attention-Augmented Machine Memory. Cognitive Computation, 13(3), 751–760. https://doi.org/10.1007/s12559-021-09854-5
Lops, P., de Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook (1st ed., pp. 73–105). Springer. https://doi.org/10.1007/978-0-387-85820-3_3
Ma, C., Wu, J., Si, C., & Tan, K. C. (2024). Scaling supervised local learning with augmented auxiliary networks [arXiv preprint arXiv:2402.17318]. https://arxiv.org/abs/2402.17318
Molina, M., & Blasco, G. (2003). A multi-agent system for emergency decision support. In Lecture Notes in Computer Science (Vol. 2669, pp. 43–51). https://doi.org/10.1007/978-3-540-45080-1_6
Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532
Sakho, A., Malherbe, E., & Scornet, E. (2024). Do we need rebalancing strategies? A theoretical and empirical study around SMOTE and its variants [arXiv preprint arXiv:2402.03819]. https://arxiv.org/abs/2402.03819
Sebastiani, F. (2002). Machine learning in automated text categorization. ACM Computing Surveys, 34(1), 1–47. https://doi.org/10.1145/505282.505283
Miftahul, J. M., Sumi, K., & Mohammad, S. A. (2020). A content-based recommender system for choosing universities. Turkish Journal of Electrical Engineering & Computer Sciences, 28(4), 2128–2142. https://doi.org/10.3906/elk-1911-37
Misra, D. (2020). Mish: A self regularized non-monotonic activation function [arXiv preprint arXiv:1908.08681]. https://arxiv.org/abs/1908.08681
