ТҮА элементтерін болжауға арналған көп факторлық модельдер

Сипаттама: Пәнде болжау модельдері, заманауи болжау модельдерін білдірудің негізгі құралдары, модельдерге қойылатын талаптар зерттеледі. Болжалды модельді құру принциптері мен ережелеріне қатысты мәселелер қамтылған. Болжау әдістерінің жіктелуі қарастырылады. Өндіріс процестері мен техникалық процестерді, сондай-ақ ғылыми зерттеулерді дамыту процесін сипаттайтын барабар болжамды модельді әзірлеуде дағдылар алынады.

Кредиттер саны: 5

Пререквизиты:

• Автоматты реттеудiң сызықты емес жүйесi

Пәннің еңбек сыйымдылығы:

Компонент: Таңдау бойынша компонент

Цикл: Базалық пәндер

Мақсат

• Автоматтандырылған технологиялық процестердің элементтерін болжаудың көпфакторлы модельдері курсын оқудың мақсаты автоматтандырылған технологиялық процестердегі әртүрлі элементтер мен параметрлерді болжауға мүмкіндік беретін математикалық модельдерді құру білімдері мен дағдыларын меңгеру болып табылады.

Міндет

• Көп өлшемді талдау мен модельдеудің негізгі ұғымдары мен әдістерін оқу.
• Көпфакторлы модельдердің параметрлерін бағалау әдістерін және модельдерді диагностикалау әдістерін меңгеру.
• Көп факторлы болжау модельдерін жетілдіру және оңтайландыру әдістерін зерттеу.

Оқыту нәтижесі: білу және түсіну

• Әртүрлі статистикалық болжау әдістерін және оларды процестерді автоматтандыру контекстінде қолдануды қорытындылау және салыстыру

Оқыту нәтижесі: білім мен ұғымды қолдану

• Көп факторлы болжау модельдерін пайдалана отырып, автоматтандырылған технологиялық процестердің элементтерін тұжырымдау

Оқыту нәтижесі: талқылай білуді қалыптастыру

• Автоматтандыру процестеріне әртүрлі факторлардың әсерін талдаңыз және олардың арасындағы байланысты, болжамдардың дәлдігі мен тұрақтылығын бағалаудың әртүрлі әдістерін, сондай-ақ деректердің бұрмалануының ықтимал проблемаларын анықтау және жою әдістерін ескеретін модельдерді құру.

Оқыту нәтижесі: коммуникативтік қабілеттіліктер

• 1. Автоматтандырылған технологиялық процестердің болжау элементтері туралы ақпаратты бағалау. 2. Басқа адамдарды тиімді тыңдау және түсіну дағдысы. Студенттер белсенді тыңдаудың маңыздылығын түсінеді және қарым-қатынас кезінде негізгі ақпаратты қабылдай алады. 3. Әртүрлі қарым-қатынас жағдайлары мен аудиторияға бейімделу. Жағдайға байланысты сәйкес қарым-қатынас стилін таңдаңыз, сонымен қатар аудиторияның ерекшеліктерін ескеріңіз. 4. Қақтығыстар мен қарым-қатынас мәселелерін тиімді басқару дағдысы. Қақтығыстарды тану және алдын алу және оларды ең аз шығын мен стресспен шешу. 5. Топ болып жұмыс жасаңыз. Студенттер процесті автоматтандыру контекстінде ынтымақтастық, топтық жұмыс және топтық жұмыс дағдыларын дамытады.
• Обсуждать результаты совместной работы и командного взаимодействия в решении задач автоматизации технологических процессов;

Оқыту нәтижесі: Оқу дағдылары немесе сабаққа қабілеттілігі

• Көп нұсқалы модельдерді әзірлеу және бағалау үшін арнайы бағдарламалық қамтамасыз ету мен құралдарды пайдаланудың практикалық дағдыларын көрсету.

Оқыту әдістері

Оқыту сабақтарын өткізу кезінде келесі білім беру технологияларын қолдану қарастырылады: - интерактивті дәріс (оқытудың келесі белсенді түрлерін қолдану: жетекшілік ететін (басқарылатын) пікірталас немесе әңгімелесу; модерация; слайдтар немесе оқу фильмдерін көрсету; миға шабуыл; мотивациялық сөйлеу) ; - берілген шарттар негізінде әртүрлі жағдайларды дамыту сценарийлерін құру; - ақпарат және коммуникация (мысалы, кәсіби қолданбалы бағдарламалық пакеттерді пайдаланатын компьютерлік сыныптағы сабақтар); - ізденушілік және зерттеушілік (оқу процесі кезіндегі студенттердің өз бетінше зерттеушілік әрекеті); - тәрбие мәселелерін шешу.

Білім алушының білімін бағалау

Оқытушы ағымдағы бақылау жұмыстарының барлық түрлерін жүргізеді және академиялық кезеңде екі рет білім алушылардың ағымдағы үлгеріміне тиісті баға береді. Ағымдағы бақылау нәтижелері бойынша 1 және 2 рейтинг қалыптастырылады. Білім алушының оқу жетістіктері 100 балдық шкала бойынша бағаланады, Р1 және Р2 қорытынды бағасы ағымдағы үлгерім бағасынан орташа арифметикалық ретінде шығарылады. Академиялық кезеңде білім алушының жұмысын бағалауды пән бойынша тапсырмаларды тапсыру кестесіне сәйкес оқытушы жүзеге асырады. Бақылау жүйесі жазбаша және ауызша, топтық және жеке формаларды біріктіре алады.

Жұмыс түрлері бойынша оқыту нәтижелерін бағалау саясаты

Бағалау нысаны

Пән бойынша білім алушының білімін қорытынды бағалау 100 баллдық жүйе бойынша жүзеге асырылады және:

• Емтиханда алынған нәтиженің 40%;
• Ағымдағы үлгерімнің 60% - ы.

Қорытынды бағаны есептеу формуласы:

 

мұндағы, Р1, Р2-тиісінше бірінші, екінші рейтингті бағалаудың сандық эквиваленттері;

Э - емтихандағы бағаның сандық баламасы.

Қортынды әріптік бағасы және оның балдық сандық эквиваленті:

Төрт балдық жүйе бойынша цифрлық баламаға сәйкес келетін білім алушылардың оқу жетістіктерін бағалаудың әріптік жүйесі:

Дәріс сабақтарының тақырыптары

• Введение в многофакторные модели прогнозирования элементов автоматизированных технологических процессов: общая информация о моделях прогнозирования и их применении в автоматизированных технологических процессах
• Методы сбора данных для многофакторных моделей прогнозирования: различные подходы и инструменты для сбора и обработки данных для построения моделей прогнозирования
• Построение многофакторных моделей прогнозирования: основные этапы и подходы к разработке моделей прогнозирования на основе множественных факторов
• Оценка качества и выбор оптимальной модели прогнозирования: методы оценки точности и надежности многофакторных моделей и их применение для выбора наилучшей модели прогнозирования
• Методы прогнозирования на основе регрессионных моделей: анализ и прогнозирование данных с использованием различных регрессионных моделей
• Методы прогнозирования на основе временных рядов: анализ и прогнозирование временных рядов с использованием соответствующих методов и моделей
• Методы прогнозирования на основе искусственных нейронных сетей: применение нейронных сетей для прогнозирования элементов автоматизированных технологических процессов
• Методы прогнозирования на основе генетических алгоритмов: использование генетических алгоритмов для построения и оптимизации многофакторных моделей прогнозирования
• Методы прогнозирования на основе машинного обучения: применение алгоритмов машинного обучения для прогнозирования элементов автоматизированных технологических процессов
• Методы прогнозирования на основе кластерного анализа: анализ и группировка данных с помощью кластерных методов для последующего прогнозирования
• Интеграция многофакторных моделей прогнозирования в автоматизированные системы управления технологическими процессами: применение моделей прогнозирования для оптимизации работы автоматизированных систем управления
• Интеграция многофакторных моделей прогнозирования с системами мониторинга и диагностики: использование моделей прогнозирования для раннего выявления проблем и аномалий в автоматизированных технологических процессах
• Применение многофакторных моделей прогнозирования в промышленности: примеры и практические советы по применению моделей прогнозирования в различных отраслях промышленности
• Вычислительные аспекты применения многофакторных моделей прогнозирования: оптимизация вычислительных процессов и выбор подходящих методов для эффективного прогнозирования
• Тенденции развития многофакторных моделей прогнозирования в автоматизированных технологических процессах: обзор новых подходов и инноваций в области многофакторного прогнозирования для технологических процессов

Негізгі әдебиет

• Демин А, Дмитриева С. Прогнозирование технических процессов методами матмоделирования. Ч.1. Математические методы аналитического и компьютерного моделирования для прогнозирования состояния техногенной среды. - Издательство: LAP LAMBERT Academic, 2016 - 196 с.
• Галустов, Г. Г. Математическое моделирование и прогнозирование в технических системах: Учебное пособие / Галустов Г.Г., Седов А.В. - Ростов-на-Дону:Издательство ЮФУ, 2016. - 107 с.

Қосымша әдебиеттер

• Chen, Y., & Bao, T. (2019). Multi-factor prediction models for automated technological processes: A comprehensive review and performance comparison. Journal of Manufacturing Systems, 52, 155-166.
• Nguyen, T. A., & Wang, S. (2018). A novel multi-factor model for predicting elements of automated technological processes. Expert Systems with Applications, 100, 267-278.
• Li, M., & Dong, C. (2017). Multi-factor modeling and prediction of elements in automated technological processes using machine learning techniques. Computers & Industrial Engineering, 107, 131-142.
• Zhang, Q., & Liu, Y. (2016). Multi-factor prediction models for optimizing automated technological processes in manufacturing. International Journal of Production Research, 54(4), 1131-1143.
• Wang, H., & Luo, Y. (2015). A comparative study of multi-factor prediction models for automated technological processes in the semiconductor industry. Journal of Intelligent Manufacturing, 26(2), 309-322.