Использование искусственного интеллекта для создания учебных задач по математическому моделированию

Обложка
  • Авторы: Катаева Л.Ю1
  • Учреждения:
    1. Нижегородский институт путей сообщения (филиал «Приволжский государственный университет путей сообщения»
  • Выпуск: Том 6, № 4 (2025)
  • Страницы: 238-241
  • Раздел: СТАТЬИ
  • URL: https://ogarev-online.ru/2712-9950/article/view/375235
  • ID: 375235

Цитировать

Аннотация

цель данной работы заключается в исследовании возможностей применения технологий искусственного интеллекта (ИИ) для разработки адаптивных и интерактивных учебных задач по математическому моделированию, ориентированных на студентов железнодорожного института. Исследование направлено на анализ современных методов ИИ, таких как машинное обучение и нейронные сети, и их потенциал в адаптивном обучении. Основные задачи включают рассмотрение практических примеров реализации задач по оптимизации расписания движения поездов, прогнозированию пассажиропотоков и моделированию работы железнодорожных станций. Особое внимание уделено гуманизированному подходу в преподавании, способствующему развитию творческого и критического мышления, а также индивидуализации образовательного процесса. Данный подход направлен на формирование ключевых компетенций, необходимых для работы в транспортной отрасли. Представленные результаты демонстрируют высокую эффективность интеграции ИИ в учебный процесс, что указывает на перспективы дальнейших исследований в данной области. Гуманизированный подход, основанный на индивидуализации и интеграции современных технологий, позволяет не только повысить качество образовательного процесса, но и сформировать команду профессионалов, способных решать сложные практические задачи транспортной отрасли.

Об авторах

Л. Ю Катаева

Нижегородский институт путей сообщения (филиал «Приволжский государственный университет путей сообщения»

Email: kataeval2010@mail.ru

Список литературы

  1. Рассел С., Норвиг П. Искусственный интеллект: современный подход / пер. с англ. М.: ООО «И.Д. Вильмс», 2016. 1408 с.
  2. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.
  3. Кузнецов В.Л. Математическое моделирование в технических системах. М.: Наука, 2018. 352 с.
  4. Задорожный П.П. Интеллектуальные системы в транспортной логистике: теория и практика. М.: Транспорт, 2017. 256 с.
  5. Иванов И.И. Применение нейросетевых методов в оптимизации железнодорожного транспорта // Вестник транспорта. 2019. № 3. С. 45 – 52.
  6. Bochkov V.S., Kataeva L.Y. WUUNet: Advanced fully convolutional neural network for multiclass fire segmentation // Symmetry. 2021. Vol. 13. Is. 1. P. 1 – 18.
  7. Бочков В.С., Катаева Л.Ю., Масленников Д.А. Точная многоклассовая сегментация пожаров: подходы, нейронные сети, схемы сегментации // Искусственный интеллект и принятие решений. 2024. № 3. С. 71 – 86.
  8. Козлов В.Я., Куликов А.А. Подходы к созданию интеллектуальных систем управления движением поездов // Экономика строительства. 2023. № 5. С. 34 – 38.
  9. Михайлов А.Н. Машинное обучение для анализа пассажиропотока в метро: оптимизация работы транспорта и прогнозирование нагрузки // Вестник науки. 2024. № 12 (81). С. 1458 – 1462.
  10. Тарнаева С.А., Катаева Л.Ю., Романова Н.А. Применение методов математической статистики при решении инженерных задач: учеб. пособие. Нижний Новгород: Нижегород. гос. техн. ун-т им. Р.Е. Алексеева, 2014. 84 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).