Кілт сөздер
Дәйексөзді қалай келтіруге болады
Аңдатпа
Бұл мақала жасанды интеллект пен терең оқыту әдістеріне негізделген білім беру траекторияларын даралауға арналған кешенді жүйенің әзірленуін ұсынады. ML/AI компоненттеріне арналған арнайы Python қызметі бар төрт деңгейлі микросервистік архитектура ұсынылған. Бес кезеңді персоналдау алгоритмі үш арнайы машинамен оқыту модулімен әзірленді: білімнің дамуын бақылауға арналған Long Short-Term Memory (LSTM) желілері мен назар аудару механизмі бар Deep Knowledge Tracing (DKT), гибридті архитектура DKT мен Байес білімін бақылау (BKT) әдістерін түсіндірілетін болжамдар үшін біріктіру, ерте ескерту жүйесі бар көптапсырмалы өнімділік болжағыш және контекстке тәуелді оқытумен бірге коллаборативтік және мазмұндық сүзгіден өткізуді біріктіретін гибридті ұсыныс жүйесі. Заманауи нейрондық желі архитектуралары қолданылады: екі қабатты LSTM және 0,3 деңгейлі дропаут, төрт басты көпбағытты назар аудару және регрессия мен классификацияға арналған көптапсырмалы болжау бастары. Арнайы шығын функциялары іске асырылды: жасырын кері байланыс үшін Байес жекелендірілген ранжирлеу (Bayesian Personalised Ranking, BPR) және салмақталған компоненттері бар көптапсырмалы функция. Практикалық маңызы ML компоненттерінің дайын, ашық бастапқы кодты архитектурасында, ол 77%-дан астам болжау дәлдігімен және dropout қаупін 30%-ға төмендетумен нақты уақыттағы траекторияны бейімдеуді қамтамасыз етеді.