The object of research, development or design (in Russian) : Образовательная база данных, система управления учебным процессом (LMS) и информационная система вуза предназначены для анализа образовательных данных, таких как аналитика обучения (LA) и интеллектуальный анализ образовательных данных (EDM) с помощью машинного обучения.

The object of research, development or design (in Kazakh) : Машиналық оқыту арқылы білім беру деректерін интеллектуалды талдау (EDM) және оқыту аналитикасы (LA) сияқты білім беру деректерін талдауға арналған білім беру дерекқоры, оқу процесін басқару жүйесі (LMS) және университеттің ақпараттық жүйесі.

Aim of work (in Russian) : Целью проекта является получение прогнозов стратегий обучения образовательных программ в LMS (learning management system) с интеграцией алгоритмов машинного обучения, оказывающих положительное влияние на формирование основных профессиональных компетенций обучающихся Вуза

Aim of work (in Kazakh) : Жобаның мақсаты ЖОО білім алушыларының негізгі кәсіби құзыреттіліктерін қалыптастыруға оң әсер ететін машиналық оқыту алгоритмдерін интеграциялай отырып, LMS-те (Оқытуды басқару жүйесі) перспективалық білім беруді бағдарламалық қамтамасыз етудің болжамын алу болып табылады.

Методы исследования (на русском) : В исследoвания испoльзован один из аналитических методов выбора атрибутов и извлечения информационных параметров. Для этого необходимо тщательно подготовить данные к обработке, выбрать подходящий метод извлечения необходимых паттернов и, наконец, определить, как оценивать найденные паттерны. Эти шаги объединены в процесс извлечение знаний из образовательных данных (KDD — Discovery of Knowledge Data), где EDM используется на одном из основных этапов. Процесс KDD представляет собой нетривиальный процесс идентификации действительных, новых и потенциально полезных паттернов в наборе данных. Этот процесс состоит из нескольких фаз и включает в себя методы баз данных, машинное обучение (ML), статистику, искусственный интеллект и системы принятия решений. Методология KDD состоит из следующих пяти упорядоченных шагов:выбор данных, предварительная обработка, трансформация, алгоритмы интеллектуального анализа данных или машиного обучения, интерпретация или оценка.

Методы исследования (на казахском) : Зерттеуде атрибуттарды таңдаудың және ақпараттық параметрлерді шығарудың аналитикалық әдістерінің бірі қолданылды. Ол үшін деректерді өңдеуге мұқият дайындап, қажетті паттерндерді алудың қолайлы әдісін таңдап, соңында табылған паттерндерді қалай бағалау керектігін анықтау қажет. Бұл қадамдар EDM негізгі кезеңдерінің бірінде қолданылатын білім беру деректерінен білім алу процесіне (KDD — discovery of Knowledge Data) біріктірілген. KDD процесі деректер жиынындағы жарамды, жаңа және ықтимал пайдалы үлгілерді анықтаудың тривиальды емес процесі болып табылады. Бұл процесс бірнеше фазалардан тұрады және мәліметтер базасының әдістерін, машиналық оқытуды (ML), статистиканы, жасанды интеллектті және шешім қабылдау жүйелерін қамтиды. KDD әдістемесі келесі бес реттелген қадамнан тұрады:деректерді таңдау, алдын ала өңдеу, трансформация, деректерді өндіру немесе машиналық оқыту алгоритмдері, интерпретация немесе бағалау.

Obtained results and novelty (in Russian) : Проведен анализ зарубежной и отечественной литературы по внедрению LA, EDM в учебные программы и использования методов машинного обучения в учебном процессе вузов;применен проццес KDD для набора данных при определении влияний результатов обучение ООД и базовых предметов на успеваемость студентов;использован для обработки данных успеваемость студентов по образовательной программе «6В01503- ПОДГОТОВКА УЧИТЕЛЯ ИНФОРМАТИКИ»; преобразован данные из формата XLS в формат CSV; данные обработаны с помощью библиотеки Python: NumPy, Pandas; качестве модели соотношения значений между массивом предикторов и вектором оценки эффективности была выбрана одномерная линейная регрессионная модель; Python использован для демонстрации экспериментов и получения графиков; получены свободные коэффициенты целевой функции линейной регрессии с регуляризацией L1 (в Лассо-регрессии) w0 = 2,8, w1 = 0,12; получены свободные коэффициенты целевой функции линейной регрессии с регуляризацией L2 (гребневая регрессия) w0 = 1.31, w1 = 0,25.

Obtained results and novelty (in Kazakh) : Оқу бағдарламаларына LA, EDM енгізу және жоғары оқу орындарының оқу процесінде машиналық оқыту әдістерін қолдану бойынша шетелдік және отандық әдебиеттерге талдау жүргізілді; ЖББ және базалық пәндердің оқыту нәтижелерінің студенттердің үлгеріміне әсерлерін анықтауға деректер жиыны үшін KDD процесі қолданылды; "6В01503-ИНФОРМАТИКА МҰҒАЛІМІН ДАЯРЛАУ" білім беру бағдарламасы бойынша студенттердің үлгерімі деректерін өңдеу үшін пайдаланылды; деректер XLS форматынан CSV форматына түрлендірілді; деректер Python кітапханасының көмегімен өңделеді: NumPy, Pandas; бір өлшемді сызықтық регрессиялық модель болжаушы массив пен тиімділікті бағалау векторы арасындағы мәндер қатынасының моделі ретінде таңдалды; Python эксперименттерді көрсету және графиктерді алу үшін пайдаланылды; L1 (Лассо регрессиясында) регуляризациясымен сызықтық регрессияның мақсатты функциясының w0 = 2,8, w1 = 0,12 бос коэффициенттері алынды; L2 (ridge regression) жота регуляризациясымен сызықтық регрессияның мақсатты функциясының w0 = 1.31, w1 = 0.25 бос коэффициенттері алынды.

The main constructive and technical economic indicators (in Russian) : Исследование проводилось на базе кафедры «Информатика» Южно-Казахстанского государственного университета. В качестве данных использовались данные, извлеченные из информационной системы базы данных Univer. Набор данных состоит из 600 студентов очной формы обучения, зачисленных в ОП в период с 2019 по 2023 учебный год Получена линийная регрессионная модель прогнозирования Y=2.8+0.12Х, и было обнаружено, что результаты обучения «Современной истории Казахстана» из цикла общеобразовательных дисциплин имеют 12% влияния на успеваемость студентов. Кроме того, можно сделать вывод, что результаты обучения базовых дисциплины, такие как «Математика1», «Математика2», влияют на результаты GPA студентов на 25% по модели прогнозирования, при которой Y=1.31+0.25Х.

The main constructive and technical economic indicators (in Kazakh) : Зерттеу Оңтүстік Қазақстан мемлекеттік университетінің "Информатика" кафедрасының базасында жүргізілді. Деректер ретінде Univer дерекқорының ақпараттық жүйесінен алынған деректер пайдаланылды. Деректер жиынтығы 2019-2023 оқу жылы аралығында ББ-ға қабылданған күндізгі бөлімде оқитын 600 студенттен тұрады. Y=2.8+0.12X сызықтық регрессиялық болжау моделі алынды және жалпы білім беретін пәндер цикліндегі "Қазақстанның қазіргі заманғы тарихын" пәнінің оқыту нәтижелері студенттердің үлгеріміне 12% әсер ететіні анықталды. Сонымен қатар, "Математика1", "Математика2" сияқты базалық пәндердің оқу нәтижелері Y=1.31+0.25X болжау моделі бойынша студенттердің GPA нәтижелеріне 25% әсер етеді деген қорытынды жасауға болады.

Level of implementation (in Russian) : Результаты исследования планируется внедрить в лабораторные занятия по элективной дисциплине ” Введение в машинное обучение" ОП.

Level of implementation (in Kazakh) : Зерттеу нәтижелерін ББ-ның “Машиналық оқытуға кіріспе” элективті пәннің зертханалық сабақтарына ендіруге жоспарлануда.

Efficiency (in Russian) : Результаты исследования можно использовать при разработке и обновления образовательной программы; прогнозировании успеваемости студентов

Efficiency (in Kazakh) : Зерттеу нәтижелері білім беру бағдарламалын жасау және жаңалау барысында; студенттердің үлгерімін болжауға пайлануға болады

Field of application (in Russian) : Область применения - высшее и дистанционные образовательные учреждения. Целевые потребители полученных результатов - администраторы, преподаватели и обучающиеся вузов.

Field of application (in Kazakh) : Қолдану саласы-жоғары және қашықтықтан білім беру мекемелері. Алынған нәтижелердің мақсатты тұтынушылары –ЖОО әкімшілері, оқытушылары мен білім алушылары болып табылады