Ідентифікація технологічних об’єктів в умовах невизначеності Івано-Франківський національний технічний університет нафти і газу М. І. Горбійчук, Т. В. Гуменюк
Ідентифікація технологічних об’єктів в умовах невизначеності Івано-Франківський національний технічний університет нафти і газу М. І. Горбійчук, Т. В. Гуменюк
Decision-making on assessment of higher education institutions under uncertaintyVladimir Bakhrushin
Presentation for XХXII International Conference Problems of Decision Making under Uncertainties (PDMU-2018), August 27-31, 2018, Prague, Czech Republic
DOI: 10.13140/RG.2.2.27143.44966
Порівняння розуміння, мети та принципів освіти в проектах Закону України "Про освіту", підгтовлених робочою групою Комітету Верховної Ради з питань науки та освіти і Міністерством освіти і науки. Маємо змогу побачити у чому полягають основні розбіжності.
Окремі аспекти реформування освіти України з погляду системного підходуVladimir Bakhrushin
З погляду системного підходу розглянуто окремі аспекти реформування освіти України, зокрема: відображення входів та виходів системи освіти; групи інтересів та необхідність пошуку балансу їх інтересів; багатовимірні оцінки в освіті; обмеження при прийнятті рішень.
Some problems of decision-making in education (raw data, multicriteriality, uncertainty, interest groups) are considered. There are given examples of erroneous decisions, assessment of universities, the applicants selection etc. Also certain requirements for the new Law of Ukraine on education are formulated.
Останнім часом активізувалися дискусії про стан системи освіти України, її актуальні проблеми, можливі шляхи їх вирішення. У Комітеті Верховної Ради України з питань науки і освіти на весну заплановані обговорення проекту Концепції нової редакції Закону України “Про освіту” у березні та стану підготовки відповідного законопроекту у квітні. Аналіз окремих проблем, які потрібно вирішити у новому Законі, а також пропозиції до Закону містяться у багатьох публікаціях останнього часу. Зокрема, це статті О. Єльникової, І. Лікарчука, В. Огнев’юка, Ю. Шукевича та інших відомих фахівців на порталі Освітня політика. Учасники дискусій, що відбуваються, висловлюють різні, нерідко протилежні, погляди на майбутній закон. Тому на цьому етапі доцільно обговорити деякі передумови його прийняття, виходячи із загальних принципів теорії систем, теорії управління і теорії прийняття рішень.
http://education-ua.org/ua/draft-regulations/382-zakon-pro-osvitu-deyaki-peredumovi
Робота з файлами даних в R, блоки виразів, цикли, функціїVladimir Bakhrushin
Приклади зчитування інформації з файлів даних та запису до файлів в R, списки, таблиці даних, блоки виразів, організація умовних переходів та циклів, створення функцій
Важливість впровадження стандарту ISO/IEC 17025:2019 у процес державних випро...tetiana1958
29 травня 2024 року на кафедрі зоології, ентомології, фітопатології, інтегрованого захисту і карантину рослин ім. Б.М. Литвинова факультету агрономії та захисту рослин Державного біотехнологічного університету було проведено відкриту лекцію на тему «Важливість впровадження стандарту ISO/IEC 17025:2019 у процес державних випробувань пестицидів: шлях до підвищення якості та надійності досліджень» від кандидата біологічних наук, виконавчого директора ГК Bionorma, директора Інституту агробіології Ірини Бровко.
Участь у заході взяли понад 70 студентів та аспірантів спеціальностей 202, 201 та 203, а також викладачі факультету та фахівці із виробництва. Тема лекції є надзвичайно актуальною для сільського господарства України і викликала жваве обговорення слухачів та багато запитань до лектора.
Дякуємо пані Ірині за приділений час, надзвичайно цікавий матеріал та особистий внесок у побудову сучасного захисту рослин у нашій країні!
Практика студентів на складі одягу H&M у Польщіtetiana1958
Пропонуємо студентам Державного біотехнологічного університету активно поринути у аспекти логістики складу одягу H&M.
Метою практики є не тільки отримання теоретичних знань, а й їх застосування практично.
2. Постановка завдання
Завданням класифікації даних є розбиття наявної
множини точок на задану кількість кластерів так, щоб сума
квадратів відстаней точок до центрів кластерів була
мінімальною.
В точці мінімуму всі центри кластерів збігаються з центрами
відповідних областей діаграми Вороного.
Основні алгоритми:
Хартігана-Вонга
Ллойда
Форджи
Маккуина
3. Початкове наближення
Перш за все необхідно задати початкові наближення
центрів кластерів.
Для цього найчастіше використовують такі способи:
безпосередньо задають центри кластерів;
задають кількість кластерів k та беруть як центри,
координати k перших точок;
задають кількість кластерів k та беруть як центри,
координати k випадково обраних точок (доцільно
здійснювати розрахунки для декількох випадкових
запусків алгоритму).
4. Ітераційна процедура
1. Зарахування кожної точки до кластера, центр якого є
найближчим до неї. Як міру близькості найчастіше беруть
квадрат евклідової відстані, але можуть бути обрані й інші
міри відстані.
2. Перерахунок координат центрів кластерів. Якщо мірою
близькості є евклідова відстань (або її квадрат), центри
кластерів розраховують як середні арифметичні відповідних
координат точок, що належать до цих кластерів.
Ітерації зупиняють, коли здійснено задану максимальну
кількість ітерацій або якщо перестає змінюватися склад
кластерів.
5. Обмеження та недоліки
Вибір кількості
кластерів
(початкового
наближення)
Обмеження
(недоліки)
Попередній аналіз
даних
Чутливість до
викидів
Застосування
Повільна робота
на великих
масивах
k-медіан
Застосування
випадкових
вибірок з масивів
6. Формування масиву даних
a1 = matrix(c(rnorm(20, mean = 5, sd = 1), rnorm(20, mean = 5,
sd = 1)), nrow=20, ncol = 2)
a2 = matrix(c(rnorm(20, mean = 5, sd = 1), rnorm(20, mean =
13, sd = 1)), nrow=20, ncol = 2)
a3 = matrix(c(rnorm(20, mean = 12, sd = 1), rnorm(20, mean =
6, sd = 1)), nrow=20, ncol = 2)
a4 = matrix(c(rnorm(20, mean = 12, sd = 1), rnorm(20, mean =
12, sd = 1)), nrow=20, ncol = 2)
a <- rbind(a1,a2,a3,a4)
Функція rbind() формує матрицю a, в якій перші 20 рядків є
відповідними елементами матриці a1, наступні 20 – матриці
a2 й т. д.
8. Функція kmeans()
Для формування кластерів методом k-середніх можна
використовувати функцію:
kmeans(x, centers, iter.max = 10, nstart = 1, algorithm =
c("Hartigan-Wong", "Lloyd", "Forgy", "MacQueen") )
x – матриця числових даних;
centers – початкове наближення центрів кластерів або кількість
кластерів (тоді як початкове наближення буде взято відповідну
кількість випадково обраних рядків матриці x);
iter.max – максимальна кількість ітерацій;
nstart – кількість випадкових множин, які треба вибрати, якщо
centers – це кількість кластерів;
algorithm – вибір алгоритму кластеризації.
13. Залишки
За допомогою команди sd(resid.a) можна розрахувати
стандартні відхилення залишків. Вони є близькими до
заданих значень стандартних відхилень вихідних масивів
точок, що підтверджує адекватність результатів
кластеризації.