Помощь в написании студенческих работ
Антистрессовый сервис

Методы и средства построения систем дистанционного обучения для детей дошкольного возраста

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Предметом настоящего диссертационного исследования является разработка системы дистанционного обучения для детей дошкольного возраста. Первые эксперименты по применению компьютеров в образовании относятся к началу 60-х годов. Именно тогда появились первые программные обучающие средства, сначала в виде автоматизированных учебных курсов (АУК), затем автоматизированных обучающих систем (АОС… Читать ещё >

Методы и средства построения систем дистанционного обучения для детей дошкольного возраста (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПЕРСПЕКТИВ И ТЕНДЕНЦИЙ j РАЗВИТИЯ СИСТЕМЫ ДИСТАНЦИОННОГО ОБУЧЕНИЯ

1.1. Технические средства обучения в образовании. Системы автоматизированного контроля. Обучающе-контролирующие системы. Мультимедийные технологии. Обучающие компьютерные системы (интерактивность, активное участие обучаемого, моделирование, архитектура: подходы и классификация). Дистанционное Образование

1.1.1 Технические средства обучения в образовании. Системы автоматизированного контроля. Обучающе-контролирующие системы.

J 1.1.2 Мультимедийные технологии. Обучающие компьютерные системы интерактивность, активное участие обучаемого, моделирование, архитектура: поводы и классификация).

1.1.3 Дистанционное (заочное) Образование.

1.2. Искусственный интеллект. Определение. Подходы. Искусственный интеллект и образование.

1.2.1 Искусственный интеллект. Определение. j 1.2.2 Аспекты ИИ.

1.2.3 Искусственный интеллект и образование.

1.3. Экспертные системы. Определение. Области применения. Эволюция. Классификация. Основные компоненты экспертной системы. Области применения. Экспертные системы в образовании. Экспертные системы обучения

1.3.1 Экспертные системы. Определение. Области применения. Эволюция.

1.3.2 Классификация. Основные компоненты экспертной системы.

1.3.3 Экспертные системы, особенности и применение. Выбор типа экспертной системы

1.3.3.1 Экспертные системы. Главное достоинство и назначение.

1.3.3.2 Выбор типа экспертной системы.

1.3.3.2.1 Отличие ЭС от других программных продуктов.

1.3.3.2.2 Отличительные особенности. Экспертные системы первого и второго поколения.

1.3.3.2.3 Критерий использования ЭС для решения задач.

1.3.3.2.4 Ограничения в применении экспертных систем.

1.3.3.2.5 Преимущества ЭС перед человеком — экспертом.

1.3.3.2.6 Экспертная Система Обучения.

1.4. База знаний системы. Сравнительный анализ. Классификация. Принципы «построения. Выбор типа Базы Знаний для проектируемой экспертной системы обучения.

Реализация.

1.4.1. База знаний системы.

1.4.2 Выбор модели БЗ.

1.4.3 Нейронные сети. Классификация. 1.4.3.1 Основные понятия и определения.

1.4.3.2 Модели нейронных сетей.

1.4.3.2.1 Модель Маккалоха-Питтса.

1.4.3.2.2 Модель Розенблата.

1.4.3.2.3 Модель Хопфилда.

1.4.3.2.4 Модель сети с обратным распространением.

1.4.3.3 Интерпретация в данной экспертной системе.

1.5 Интернет. Эволюция. Интернет как информационная среда. Области применения в образовании. Экспертные системы обучения и Интернет. Экспертная система обучения с базой знаний удалённого доступа.

1.5.1 Интернет. Эволюция.

1.5.2 Области применения в образовании.

1.5.3 Экспертные системы обучения и Интернет.

1.5.3.1 Обмен информацией в Internet/Intranet с использованием WWW-технологии

1.5.3.1.1 Основные компоненты WWW-технологии.

1.6 Обзор и краткая характеристика программы математики начальной школы на Кипре.

Основные разделы. Начальный курс математики и логики.

1.6.1 Обзор и краткая характеристика программы математики начальной школы на Кипре.

1.6.2 Основные разделы.

1.6.3 Начальный курс Математики.

1.6.3.1 Курс математики и логики.

1.6.3.2 Начальный курс математики и логики.

1.7 Выводы и Постановка задачи.

2. ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМЫ.

2.1 Основные алгоритмы. Метрика. Методика построения Экспертной Системы

Обучения.

2.1.1 Основные алгоритмы.

2.1.1.1 Модель ученика (МУ).

2.1.1.2 Модель учителя-педагога (МУП).

2.1.1.3 Алгоритм работы экспертного модуля (ЭМ).

2.1.2 Метрика.

2.1.3 Методика построения экспертной системы обучения.

2.2 Экспертный модуль (ЭМ).

2.3 Архитектура программного обеспечения экспертной системы.

2.3. 1J2EEH.NET.

2.3.1.1 Java против .NET.

2.3.1.2 Java как орудие конкурентной борьбы.

2.3.1.3 Что такое .NET. 2.3.1.4 Microsoft и Sun: под знаком меча.

3. МЕТОДЫ И СРЕДСТВА РЕАЛИЗАЦИЙ СИСТЕМЫ.

3.1 Сущность тестирования. Виды тестирования. Тесты Зрительно — пространственных представлений. Пример теста Зрительной памяти.

3.1.1 Сущность тестирования.

3.1.2 Виды тестирования. 3.1.3 Тесты Зрительно — пространственных представлений.

3.1.4 Пример теста зрительной памяти.

3.2 Обзор и краткая характеристика технических средств начальной школы на Кипре.

Предлагаемая конфигурация технических средств пользовательской части ЭСО, способы хранения и представления дидактического материала. Подключения к

Интернет.

3.2.1 Обзор и краткая характеристика технических средств начальной школы на Кипре .:.

3.2.2 Предлагаемая конфигурация технических средств пользовательской части ЭСО. Способы хранения и представления дидактического материала.

3.2.2.1.Технические средства компьютерного класса. 3.2.2.2 Конфигурация технических средств системы.

3.2.3 Способы подключения к Интернет.

4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ

4.1 Краткая характеристика контингента тестируемых.

4.2. Краткая характеристика проводившихся тестов.

4.3 Полученные практические результаты.

Несмотря на то, что первые экспертные системы (ЭС) появились в конце 60-х, и уже накоплен положительный опыт их применения в различных областях (например, в медицине, на производстве, в экономике и т. д.), не ослабевает научный интерес к вопросам, связанным с построением ЭС и их применением как в ранее изученных, так и в новых областях человеческой деятельности. В основном, по следующим основным причинам:

• развитие искусственного интеллекта, как области знания;

• развитие технологии и связанные с этим новые возможности — в первую очередь, высокая производительность и доступность современных средств вычислительной техники и связи;

• появление новых и модификация уже имеющихся областей человеческой деятельности.

Предметом настоящего диссертационного исследования является разработка системы дистанционного обучения для детей дошкольного возраста. Первые эксперименты по применению компьютеров в образовании относятся к началу 60-х годов. Именно тогда появились первые программные обучающие средства, сначала в виде автоматизированных учебных курсов (АУК), затем автоматизированных обучающих систем (АОС), реализующих парадигму программированного обучения. «Интеллектуализация» АОС происходила под влиянием исследований в области искусственного интеллекта, в особенности, экспертных систем.

Роль информационных технологий (ИТ) чрезвычайно важна, они занимают сегодня центральное место в процессе интеллектуализации общества, развития его системы образования и культуры [11]. Их широкое использование в самых различных сферах деятельности человека диктует целесообразность наискорейшего ознакомления с ними, начиная с ранних этапов обучения и познания. Система образования и наука являются одними из объектов процесса информатизации общества. Информатизация образования в силу специфики самого процесса передачи знания требует тщательной отработки используемых ТИ (технологий информатизации) и возможности их широкого тиражирования [12]. Кроме того, стремление активно применять современные информационные технологии в сфере образования должно быть направлено на повышение уровня и качества подготовки специалистов. «Отработка» применяемых в сфере образования ИТ должна ставить своей целью реализацию следующих задач:

• поддержку и развитие системности мышления обучаемого;

• поддержку всех видов познавательной деятельности человека в приобретении знаний, развитии и закреплении навыков и умений;

• реализацию принципа индивидуализации учебного процесса при сохранении его целостности.

Использование ЭСО позволит:

• обеспечить индивидуальный подход путём автоматизированной разработки учебной программы для каждого ученика и возможность автоматического контроля текущей успеваемости с последующей адаптацией учебного процесса к особенностям индивидуального восприятия дидактического материала;

• компенсировать недостаток подготовки педагогов за счёт выявления, аккумулирования, репликации и тиражирования передового опыта педагогической деятельности;

• повысить уровень мотивации учеников, стимулировать их интерес к изучаемой дисциплине и существенно повысить качество их самостоятельных (домашних) занятий;

• обеспечить возможность заочного (дистанционного) обучения по программе кипрской средней школы для лиц, не имеющих возможности посещать очные занятия (постоянно или временно).

Первая часть диссертационного исследования посвящена анализу современного состояния перспектив и тенденций развития систем дистанционного обучения. При этом, учитывая специфику конечного пользователя — детей, особое внимание уделяется вопросам построения пользовательского интерфейса с использованием современных мультимедийных технологий («multimedia», «interactive media», «hypermedia», речевой ввод («voice recognition») и т. д.).

Исследуются возможности использования различных форм представления дидактического материла. Принимая во внимание, что при работе с детьми 4- 6 летнего возраста область применения традиционных форм (таких, как текст) весьма ограничена, особый интерес представляют такие формы, как графика, видео, анимация, звук, речь и т. д.

Так как рассматривается возможность использования ЭСО для заочного обучения, предметом специального исследования является анализ возможности использования в качестве транспортной среды, широко доступной как на Кипре, так и за рубежом, — сети Интернет. Учитывая специфику последней, в первую очередь — гетерогенный характер сети и особенности маршрутизации пакетов, обусловливающие разницу во времени, необходимого для доставки очередного пакета, определённый интерес представляют обзор и анализ наиболее перспективных протоколов, технологий и процедур, которые смогли бы обеспечить работу системы в режиме реального времени, не перегружая при этом каналы Интернет.

Как известно, база знаний (БЗ) является неотъемлемой частью любой экспертной системы. Поэтому проблема идентификации новых знаний, их формализации, представления и хранения, а также алгоритмов доступа к БЗ является неотъемлемой частью теоретического раздела диссертационного исследования. Так как в основе решений педагогов часто лежит интуиция и, следовательно, вероятность существования формализуемых алгоритмов чрезвычайно мала, наиболее перспективными являются решения, основанные не столько на использовании «правил», сколько на элементах теории распознавания образов. Поэтому анализу БЗ именно этого типа уделено особое место.

Как создание БЗ, так и разработка процедур доступа требует специальной математической, алгоритмической, программной и аппаратной поддержки. Поэтому соответствующая часть теоретического раздела отводится специально этому вопросу.

Анализ всех указанных выше аспектов проблемы позволяет сформулировать как критерии оценки, так и требования для современной ЭСДО (Экспертной Системы Дистанционного обучения). В методической части диссертационного исследования приводится разработка архитектуры системы пользовательской подсистемы, учитывающей возможность последующего использования в системе средней школы Кипра.

Ожидаемые научные результаты:

1) Предложена архитектура системы дистанционного обучения отличающейся использованием встроенной ЭС.

2) Разработана архитектура пользовательской подсистемы, учитывающей специфику контингента обучаемых.

3) Реализована и внедрена система «KIDS.CY» которая используется в дошкольных учреждениях Кипра.

Научная новизна диссертационного исследования представлена следующими основными элементами:

1) Впервые была предложена архитектура системы дистанционного обучения, отличающейся использованием встроенной экспертной системы.

2) Впервые была предложена архитектура интеллектуального интерфейса, ориентированного на детей дошкольного возраста.

1.7 Выводы и Постановка задачи.

1. Проведен анализ Технических средств Обучения в образовании, показавший, что использование информационных технологий и именно применение ИМТ реализует следующие задачи:

— поддержку и развитие системности мышления обучаемого;

— поддержку всех видов познавательной деятельности человека в приобретении знаний, развитии и закреплении навыков и умений;

— реализацию принципа индивидуализации учебного процесса при сохранении его целостности. что использование дистанционного образования ставит следующие задачи:

— насколько возможно расширить студенческую аудиторию;

— удовлетворить потребности студентов, которые не в состоянии посещать занятия в университетских классах;

— привлечь сторонних докладчиков (лекторов), которые не имеют возможности присутствовать лично;

— вовлечь студентов различных общественных, культурных, экономических сред (слоев).

2. Исследование об Искусственном Интеллекте и образовании показало, что технология Искусственного Интеллекта, включая способность работать с естественным языком, может быть применена и в классной комнате, что оживит образование. Дополнительно к мощной технологии, исследование в области ИИ обеспечило нас теориями изучения и аргументации [13]. Эти теории могут использоваться, чтобы провести разработку машинных образовательных систем, которые суммируют все достоинства обычных методов изучения.

3. Аналитический обзор о состоянии области построения ЭСО показал, что разнообразие способов реализаций ЭС, модели БЗ, предметной области, требования, предъявляемые к ЭС, не позволяют разработать эффективную единую методику построения ЭС. В связи с этим, в данной работе предлагается разработка методики построения ЭСО, характеризующейся:

1 Возможностью применения для дистанционного обучения;

• Возможностью использования в качестве транспортной среды широко доступной сети Интернет (в первую очередь, гетерогенный характер сети и особенности маршрутизации пакетов, обусловливающие разницу в количестве времени, необходимого для доставки очередного пакета, определённый интерес представляет обзор и анализ наиболее перспективных протоколов, технологий и процедур, которые обеспечивают работу системы в режиме реального времени, не перегружая при этом каналы Интернет).

4. Аналитический обзор об использовании Интернета в качестве транспортной сети для системы позволяет сделать вывод:

Системы программирования высокого уровня позволяют генерировать интерактивные WWW-приложения, используя в качестве библиотек подпрограмм Java Applet (Toolbook, Media Maestro, Director, Authrware). Все перечисленные выше системы могут быть использованы для разработки мультимедийных приложений неквалифицированным пользователем после непродолжительной подготовки. В данном случае возможность автоматического генерирования WWW-приложений позволит экспертам-непрограммистам добавлять и модифицировать компоненты банка учебных модулей экспертной системы.

Все указанные выше особенности значительно упрощают разработку интерактивных мультимедийных приложений для Windows, которые в дальнейшем могут быть использованы в качестве учебных модулей.

Помимо всего прочего, первоначальным назначением MSIE, как известно, была интерпретация HTML-скриптов. HTML является достаточно компактным и мобильным протоколом, используемым Internet. Как правило, не возникает особых проблем даже при наличии корпоративных firewalls, в то время, как другие протоколы могут фильтроваться корпоративными шлюзами. По этой причине не может возникнуть особых проблем при решении вопроса о способе коммуникации между пользовательским ПО (клиент) и сервером системы.

На основании вышеизложенного сформулируем цель работы, которая заключается в разработке методики построения Экспертных Систем Обучения (ЭСО) с возможностью применения для дистанционного обучения и с возможностью использования в качестве транспортной среды широко доступной сети Интернет (в первую очередь, гетерогенный характер сети и особенности маршрутизации пакетов, обусловливающие разницу в количестве времени, необходимого для доставки очередного пакета, определённый интерес представляет обзор и анализ наиболее перспективных протоколов, технологий и процедур, которые обеспечивают работу системы в режиме реального времени, не перегружая при этом каналы Интернет).

2. ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМЫ 2.1 Основные алгоритмы. Метрика. Методика построения Экспертной Системы Обучения.

2.1.1 Основные алгоритмы.

В соответствии с вышеизложенным, алгоритм работы экспертной системы обучения может быть представлен следующим образом (рис. 2.1):

Рис. 2.1 Алгоритм работы ЭСО.

1. Инициализация системы. Первоначально модель ученика не содержит никакой информации. В процессе инициализации интерфейсный модуль предлагает ученику ряд тестов, чтобы определить его индивидуальный уровень восприятия, мышления, памяти и т. д., а также начальный уровень знаний. Статистическая информация заносится в модель ученика (МУ). Далее интерфейсный модуль направляет запрос экспертному модулю.

2. Экспертный модуль анализирует информацию модели ученика и определяет на основе оптимальной стратегии обучения, которая хранится в МУП, следующий учебный модуль. Код учебного модуля передаётся в интерфейсный модуль. В случае, когда оптимальная стратегия обучения не может быть определена, экспертный модуль формирует запрос инженеру базы знаний системы для корректировки модели учителя. Если уровень знаний ученика отвечает заданному нормативу (т.е. ученик прошёл всю программу), учебный процесс заканчивается.

3. Получив код очередного учебного модуля, интерфейсный модуль представляет ученику информацию (упражнение, тест), принимает вводимые данные, обновляет модель ученика и формирует очередной запрос экспертному модулю. Далее управление снова передается блоку № 2.

2.1.1.1 Модель ученика (МУ).

Как было показано выше, МУ должна отражать уровень знаний ученика и его индивидуальные характеристики, к числу которых относятся восприятие, мышление, память и т. д. В нашем случае предлагается использовать комплексную характеристику ученика в виде точки многомерного пространства размерности N, где N — количество параметров, характеризующих уровень знаний учащегося, которое может быть равно количеству пройденных учебных модулей. Каждая п-координата может принимать дискретные значения. Например, 0 и 1 («прошёл» — «не прошёл») для теоретических модулей и упражнений, и 0, 1, 2, 3, 4 («тест не был предложен», «не прошёл», «слабый уровень», «средний уровень», «высокий уровень») для тестов.

Для оценки параметров, характеризующих индивидуальные особенности ученика, может быть использована трёхзначная шкала 1, 2, 3 («слабый уровень», «средний уровень», «высокий уровень»), причём требования зависят от возраста обучаемого. Предлагаемый перечень таких параметров приведен в таблице 2.1. Таблица 2,1.

Предлагаемый перечень, характеризующий индивидуальные особенности.

Характеристики восприятии Константность [3]. ЦветоразличениеСлуховое различение |4|, Различение форм [5], Чернильные пятна Роршаха [6].

Характеристики Зрительно-Моторной координации Кодирование (тест Керна-Иирасека) [7], Линеограммы (методика Мира-Лопеца) [3].

Характеристики Внимания Нерасплетённые линии (модификация теста Рея) [7], Цифровая таблица Шульца (объём внимания) — Корректурная проба (способности распределения внимания) (варианты методики Бурбона [8], Тест Кюсси [3].

Характеристики Памяти Узнавание фигур (тест Берн штейна) [7]. ,.

2.1.1.2 Модель учителя-педагога (МУП).

Предлагаемая модель учителя-педагога представляет собой набор точек многомерного пространства размерности N и коды соответствующих учебных модулей. Первоначально МУГ1 может содержать эмпирическую информацию, полученную в результате опроса квалифицированных педагогов-экспертов или быть незаполненной. МУП динамически обновляется в процессе работы ЭСО. реализуя алгоритм самообучения.

2.1.1.3 Алгоритм работы экспертного модуля (ЭМ).

ЭМ. получив от модели ученика координаты соответствующей точки многомерного пространства. рассчитывает с помощью метрики М «расстояние» до каждой точки модели учителя-педагога. определяя точку с минимальным расстоянием. Если найденное «минимальное» расстояние меньше либо равно установленному критерию, то следующий модуль найден. Если нет, то экспертный модуль формирует запрос эксперту-педагогу, который вводит очередное решение, при этом автоматически обновляется модель учителя-педагога (см рис. 2.2).

НАЧАЛО.

Рис. 2.2 Алгоритм работы ЭМ.

2.1.2 Метрика.

Вопрос правильного выбора метрики (способа определения расстояния между точками многомерного пространства) является ключевым и во многом определяется спецификой пространства. В нашем случае многомерное пространство характеризуется следующими особенностями:

— оно не является непрерывным (т.е. отсутствуют такие значения координат, как 1.5 и т. п.), т. е. оно дискретно;

— множество значений, которые могут принимать различные координаты, счётно и конечно.

— множества значений различных координат не совпадают:

— Ут = {М } 3 bj = {Mj }: Mi* М (2.1).

— координаты не равнозначны, т. е. ранжированы:

V/, j е fV3n, Tj (r = I, ЛГ- /• - 1, Nj — 1, N¦ i # j): П * Г] (2.2).

В силу этих обстоятельств использование традиционной Евклидовой метрики представляется нецелесообразным, по крайней мере, по двум причинам: (1) пространство дискретно и (2) координаты ранжированы.

В нашем случае предлагается следующий способ определения «расстояния» между двумя точками:

МАЕ = АВ = ХыК®—*')|* П"" <2″ 3) где: я, — i-я координата точки, А модели ученика bi — /-я координата точки В модели учителя-педагога. ткоснование (количество различных значений) к-тотл координаты многомерного про- «странства базы знаний экспертной системы.

Проиллюстрируем работу экспертного модуля на следующем примере. Предположим, что рассматриваемая системы содержит 5 учебных модулей (т.е. размерность нашего пространства равна 5). Возможные характеристики пространства приведены в таблице 2.2.

ЗАКЛЮЧЕНИЕ

.

Проведён анализ существующих систем обучения удалённого доступа.

Выполнен анализ требований, предъявляемых к системе обучения в соответствии с образовательной программой Кипра.

Сформулированы требования к ЭСО удалённого доступа для учеников дошкольного возраста.

Разработаны алгоритмы ЭСО, отличающиеся использованием индивидуального подхода.

Предложена архитектура ЭСО, отличающаяся:

— разгрузкой сервера базы данных, возможностью доступа к кластеру.

— улучшенной производительностью,.

— повышенной надёжностью и доступностью системы.

Реализована и внедрена ЭСО удалённого доступа.

Результаты эксплуатации разработанной системы показали её надёжность и эффективность.

Показать весь текст

Список литературы

  1. R. Kaplan and D. Rock, New directions for 1. telligent Tutoring, AI Expert February 1995
  2. J.N Rickel, Intelligent Computer Aided Instruction Survey Organized Around System Components, IEEE Transactions on System Main and Cybernetics, Vol. 19, No 1 January/February 1989
  3. Психодиагностические методы в комплексом лонгитюдном исследовании студентов. Л-д, изд-во Ленгосуниверситета. -1976
  4. Анна Анастази. Психологическое тестирование. Т.1−2. М.: Педагогика. 1982.
  5. Психодиагностическая работа в начальной школе / под ред. А. А. Степанова. часть 1- СПб.: Образование. -1994
  6. Б.И. Белый. Тест Роршаха. Практика и Теория. СПб.: Дорваль- Интерс. 1992
  7. Шванцара Иосеф и коллектив. Диагностика психологического развития. Прага- Авице-нум. 1978
  8. Диагностика познавательной сферы ребёнка / Т.Г. Богданова- Т.В. Корнилова- М.: Роспе-дагенство. -1994
  9. Тау Vaugan, Multimedia Making it work, IV Edition. -1998
  10. Robert L. Lindstrom, Multimedia Presentations. 1994
  11. K.K. Информационные технологии катализатор процесса развития современного общества. «Информационные технологии», 1995, № 2. — С. 10−15.
  12. А.С. Информационные технологии требуют государственной поддержки. «Информационные технологии», 1996, № 1. С. 2−5.
  13. Roger С. Shank, Daniel J. Edelson, «A Role of AI in Education». Institute for Learning Sciences, Northern University, January 1990.
  14. Roger C. Shank, Lawrence A. Birnbaum, «Can Intelligence be Enhanced? «, Institute for Learning Sciences, Northern University, Technical Report #33, September 1992.
  15. , R.C. (1990b). Tell me a story: A new look at real and artificial memory. New York:1. Charles Scribner & Sons.
  16. , C.K., & Schank, R.C. (1989). Inside case-based reasoning. Hillsdale, NJ: Lawrence Erlbaum.
  17. Mary Ann Pike, (1995), «Using The Internet» (Special Edition), Second Edition. QUE Corporation.
  18. Roy D. Pea, Louis M. Gomez, «Distributed Multimedia Learning Environments: Why and How?» Institute for Learning Sciences, Northern University, Technical Report #25, May 1992
  19. , W. «Telecourse Effectiveness: A Research-review Update», Olympia, WA: Washington State Board for Community College Education, 1989
  20. Goldeway, «Factors Effecting Learned Motivation In Distance Education: The Interaction D.E., Spencer R., & Stinger, M. 1980.
  21. Homberg, В., Communications in Distance study. In STATUS AND TRENDS OF DISTANCE EDUCATION, Lund, Sweden: Lector Publishing 1985.
  22. , В., «Distance Education in Rural Practices in Audioconference courses», University of Alaska Monograph series in Distance Education No 1. Fairbanks, A.K., University of Alaska, Center for Cross-Cultural Studies 1990.
  23. З.В Попов, И. В. Фоминых, Е. Б. Кисель, М. Д. Шапот, ., «Статические и Динамические Экспертные Системы», Финансы и Статистика, Москва. 1996.
  24. Е.А. «The art of artificial Intelligence: Themes and case studies of knowledge engineering //The fifth International Joint Conference on Arificial Intelligence Boston: MT, 1977. — P. 1014−1029.
  25. Под ред. Гриценко В. И., Довгялло A.M., Савельева А. Я. Компьютерная технология обучения. Словарь-справочник. Киев: «Наукова думка», 1992.
  26. Keith Darlington, «The Essence Of Expert Systems», Prentice Hall, Pearson Education Ltd2000
  27. Школа Ейдетики «Развитие Памяти Образного Мышления Воображения Том 1», Эйдос, Москва 1994
  28. Школа Ейдетики «Развитие Памяти Образного Мышления Воображения Том 2», Эйдос, Москва 1994
  29. A. «The Essence of Artificial Intelligence», Hemel Hempstead: Premtice Hall (1998)
  30. K. «Basic Expert Systems», British Computer Society ITTN, vol. 8.4 (1996)
  31. Doukids G. and Whittley E.A. «Developing Expert Systems», Bomley: Chartwell-Btatt (1989)
  32. Durkin J. M «Expert systems: Design and Development», London: Macmillan (1994)
  33. S. «Knowledge Processing and Applied AI», Oxford: Butterworth-Heinemann (1995)
  34. J.S. «Building Knowledge BasedSystems», London: Pitman Press (1990)
  35. Giaratano J.C. and Rilley G.D. «Expert Systems Principles and Programming» 2nd edition, Boston: PWS Kent (1994)
  36. P. » Introduction to Expert Systems» Reading MA: Sddison-Wesley (1992)
  37. Minsky M. A framework for representing knowledge, In «The psychology of human vision» ed. Patrick Winston, New York: McGraw-Hill, 1973. P. 211−217
  38. E. «Artificial Intelligence» 2nd edition, NewYork: McGraw-Hill (1992)
  39. Beynon-Davis, J. «Expert DatabaseSystems», London: McGraw-Hill (1991)
  40. , R.J. «I liedabout the trees» AI Magazine (1998), vol. M6, no3, 80−93
  41. , W.J. :epistemoIogy of a rule-based expert system: a framework for explanation. AI Magazine (1983), vol.20, no.3,215−251.
  42. Lenant, D. and Guha, H. «Building large knowledge based systems» the CYS project, Reading MA: Addisson Wesley (1991)
  43. , M.R. «Semantic Memory» Cambridge, MA: MIT Press, 1968. P. 227−270
  44. A. Barrand E.A. Freigenbaum (editors) «The Handbook of Artificial Intelligence», Heuris Tech Press and William Kaufmann, StamfordCaliforniaand Los Altos, California, (1982)
  45. T Dean, «Artificial Intelligence: Theory andPractice», Benjamin/Cummings, Redwood City, California, (1995)
  46. P. Jackson, «Introduction to Expert Systems (second edition)», Addison Wesley, Reading, Massachusetts, (1990)
  47. G. F. Luger and W. A. Stubblefield, «Artificial Inteligence: Structures and Strudegies for complex problem solving», Benjamin/Cummings, Redwood City, California, (1993)
  48. A. M. Turing, «Computing machinery and intelligence», Mind 59: 433−460, (1950)
  49. Т.Г. Богданрва, T.B. Корнилова, «Диагностика познавательной сферы ребёнка», М.: Роспедагенство, (1994)
  50. Абу-Мустафа Я.С., Псалтис Д. Оптические нейронно-сетевые компьютеры // В мире науки, 1987. № 5.-С. 42−50.
  51. Е. Хинтон. Как обучаются нейронные сети.// В мире науки 1992 — № 11 — № 12-С. 103−107.
  52. А.Г. Персептрон системы распознавания образов.// К.: Наукова думка, 1972.
  53. В.М., Байдык Т. Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении.//Автоматика 1990 — № 5. — С. 56−61
  54. М., Пейперт С. Персептроны. М.: МИР, 1971. 261 с.
  55. Ф. Аналитические методы изучения нейронных сетей // Зарубежная радиоэлектроника. 1965. — № 5. — С. 40−50.
  56. Д.В. Нейронные сети: как это делается? // Компьютеры + программы 1993. -№ 4(5). — С. 14−20.
  57. Д.У., Хопфилд Д. Д. Коллективные вычисления в нейроноподобных электронных схемах // В мире науки. 1988. № 2. С. 44−53.
  58. Aarts E.H.L., Korst J.H.M. Boltzmann machines and their applications//Lect. Notes Comput. Sci. 1987. V. 258. P. 34−50.
  59. Aarts E.H.L., Korst J.H.M. Boltzmann machines for travelling salesman problem // European J. Oper. Res. 1989. V. 39. P.79−95.
  60. Abu-Mostafa Y.S., Jaques J.N.St. Information capacity of the Hopfield model // IEEE Trans. Inform. Theory. 1985. V. 31. P. 461.
  61. Ackley D.H., Hinton G.E., Sejnowski T.J. A learning algorithm for Bolzmann machines // Cognit. Sci. 1985. V. 9. N I. P. 147−169.
  62. Amari S. Field theory of self-organizing neural networks // IEEE Trans. Syst., Man, Cybern. 1983. V. 13. P. 741.
  63. Athale R., Stirk C.W. Compact architectures for adaptive neuraal nets // Ibid, 1989. V. 28. N4.
  64. Bardcev S.I., Okhonin V.A. The algorithm of dual functioning (back propagation): general approach, versions and applications. Krasnojarsk: Inst, of biophysics SB AS USSA 1989.
  65. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine // Comput. Vision Graphics Image Process. 1986. V. 37. -P. 54−115.
  66. Cohen M.A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks//IEEE Trans. Syst., Man, Cybern. 1983. V. 13. N 5. P. 815−826.
  67. Computing with neural circuits: a model // Science, 1986. V. 233. P. 625−633.
  68. Cross Michael. Brain ware hits Japanese computers.// New Sci. 1988 — 120, # 1640/ - P. 33.
  69. Hebb D.O. The organization of behaviour. N.Y.: Wiley, 1949.
  70. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities // Proc. Natl. Acad. Sci. 1984. V. 9. P. 147−169.
  71. Hopfield J.J., Tank D.W. Neural computation of decision in optimization problems // Biol. Cybernet. 1985. V. 52. p.
  72. Hopfield J.J., Feinstein D.I., Palmer F.G. Unlearning has a stabilizing effect in collective memories //Nature. 1983. V. 304. P. 141−152.
  73. Hopfield J.J., Tank D.W. Neural computation of decision in optimization problems // Biol. Cybernet. 1985. V. 52. P.141−152.
  74. Kuzewski Robert M., Myers Michael H., Grawford William J. Exploration of fwd error propagation as self organization structure // IEEE 1st. Int. Conf. Neural Networks, San Diego, Calif., June 21−24,1987. V. 2. San Diego, Calif., 1987. — p.89−95.
  75. Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition.// IEEE 1st. Conf. Neural Networks, San Diego, (Calif), 1987 p. 417−425.
  76. Montgomery, Douglas C. Forecasting and time series analysis./Douglas C. Montgomery, Lynwood A. Johnson, John S. Gardiner. 2nd ed. — ISBN 0−07−42 858−1.
  77. Rosenblatt F. The peseptron: a probabilistic model for information storage and organization in the brain // Psychol. Rev. 1958. V. 65. P. 386.
  78. Rosenblatt F. Principles of neurodynamics. Spartan., Washington, D.C., 1962.
  79. Rumelhart B.E., Minton G.E., Williams R.J. Learning representations by back propagating error.//Wature, 1986. V. 323.p. 1016−1028.
  80. Takefuji D.Y. A new model of neural networks for error correction.//Proc. 9th Annu. Conf. IEEE Eng. Med. and Biol. Soc., Boston, Mass., Nov. 13−16, 1987. V. 3, New York, N.Y., 1987 p.1709−1710.
  81. Treliven P. Neurocomputers // London: University college, 1989.
  82. Neural Computing.// London: IBE Technical Services, 1991.
  83. Jeffery W., Rosner R. Neural network processing as a tool for friction optimization // Neu-ronet Comput. Conf., Snowbird, Utah, Apr. 13−16, 1986. New York, N.Y., 1986. P. 241−246.
  84. Fogelman Soulie F. Neural networks, state of the art, neural computing.// London: IBC Technical Services, 1991.
  85. Hecht-Nielsen R. Neurocomputing: picking the human brain.// IEEE SPECTRUM 1988 V. 25. N3. -P. 36−41.
  86. Hebb D.O. The organization of behaviour. N.Y.: Wiley, 1949.
  87. Artificial Intelligence. // Amsterdam: Time Life — Books, 1986.
  88. С. Нейронные вычисления берутся на вооружение финансистами.// Сот-puterworld Moscow — 1985 — № 7. — С. 57−58.
  89. Ф. Принципы нейродинамики // М.: МИР, 1965.
  90. А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба 1992 — № 1. — С. 20−23.
  91. В.В. Нейронная сеть предсказывает курс доллара? // Компьютеры + программы- 1993. -№ 6(7). С. 10−13.
  92. Farley J. Picking a Winner: .NET vs. J2EE // Software Development Magazine. 2001. March.
  93. P. Гадание на кофейной гуще // Мир ПК. 1998. № 2.
  94. . Дорога в будущее. М.: Русская редакция, 1996.
  95. Meyer В. .NET is Coming // IEEE Computer. 2001. August- Мейер Б. Наступает эпоха .NET // Открытые системы. № 11.
Заполнить форму текущей работой