ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО СОВЕРШЕНСТВОВАНИЮ ПСИХОФИЗИЧЕСКОЙ ГОТОВНОСТИ К ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ

В статье приведены результаты анализа современного состояния проблемы Data Mining и формализации знаний для поддержки принятия решений. Приводится значимость профессионально важных качеств (ПВК), существенно влияющих на эффективность труда любого специалиста. В связи с чем акцент сделан на модели и методы интеллектуальной поддержки принятия решений при развитии ПВК. На сегодняшний день накопился большой объем знаний по взаимосвязи ПВК, психофизического состояния человека и влияние на него физических упражнений. Источником таких знаний могут быть учебники, монографии, знания эксперта. Отмечено, что учет подготовки обучающихся в группах за счет выявления студентов со схожими характеристиками позволит формировать рекомендации для групп и проводить совместную физическую подготовку. Дается формальная постановка задачи поддержки принятия решений при развитии ПВК для эффективного выполнения профессиональной деятельности, которая заключается в формализации экспертных знаний (тесты по оценке ПВК, упражнения на развитие ПВК) и неявных знаний, полученных с использованием Data Mining результатов тестирования по оценке ПВК. В данной статье авторами не рассматриваются вопросы извлечения знаний, а только вопросы их формализации и использования для принятия решений в системе поддержки принятия решений с использованием технологии экспертных систем.

1. Информационные аспекты профессиональной прикладной физической подготовки студентов / О. Н. Сметанина [и др.] // Информационные технологии интеллектуальной поддержки решений (ITIDS’2016): тр. 4- ой Междунар. конф. (Уфа, 17–19 мая 2016). Уфа: УГАТУ, 2016. С. 186– 191.

2. Кравченко Т. К. Экспертная система поддержки принятия решений // Открытое образование. 2010. № 6. C. 147–156.

3. Кравченко Т. К. Развитие экспертной системы поддержки принятия решений // Искусственный интеллект и принятие решений. 2013. № 4. C. 72–80.

4. Баканова М. Б. Интеграция систем организационного управления и интеллектуальных сервисов поддержки принятия решений // Искусственный интеллект и принятие решений. 2011. № 3. C. 17–25.

5. Лежнина М. В. Экспертные системы в поддержке принятия решений // Актуальные проблемы экономики современной России. 2016. № 3. C. 37–41.

6. Маренко В. А. Модели и алгоритмы экспертных систем поддержки принятия решений по электромагнитной совместимости: автореф. дис. … канд. техн. наук / Тюмень, 2004.

7. Barahona P., Ribeiro R. Building an Expert Decision Support System: The Integration of Artificial Intelligence and Operations Research Methods // In: Schader M., Gaul W. (eds) Knowledge, Data and Computer-Assisted Decisions. NATO ASI Series (Series F: Computer and Systems Sciences), Springer, Berlin, Heidelberg. 1990. Vol. 61, pp. 155–168.

8. Lee D. T. Decision-support systems for decision-making // Journal of Information Technology. 1988. Vol. 3, iss. 2, pp. 85–94.

9. Ligȩza A. Expert systems approach to decision support // European Journal of Operational Research. 1988. Vol. 37, iss. 1, pp. 100–110.

10. Ford F. N. Decision support systems and expert systems: A comparison // Information & Management. 1985. Vol. 8, iss. 1, pp. 21–26.

11. Plenert G. Improved Decision Support Systems Help to Build Better Artificial Intelligence Systems // Kybernetes. 1994. Vol. 23, iss. 9, pp. 48–54.

12. Сутягин И. В. Методы формализации экспертных знаний для наполнения базы знаний // Молодой ученый. 2012. Т.1, № 1. C. 151–153.

13. Лазарсон Э. В. Формализация знаний и интеллектуальная поддержка принятия решений в задачах выбора // Интеллектуальные системы в производстве. 2006. № 2(8). C. 4–14.

14. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. 384 с.

15. Люггер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2004. 864 с.

16. Крошилин А. В., Крошилина С. В. Формализация экспертных знаний в системах поддержки принятия решений // Ползуновский вестник. 2010. № 2. C. 181–185.

17. Червинская К. Р. Психология извлечения экспертных знаний субъектов труда: автореф. дис. … д-ра. психол. наук / Санкт-Петербург, 2010.

18. Chervinskaya K. R., Wasserman E. L. Some methodological aspects of tacit knowledge elicitation // Journal of Experimental & Theoretical Artificial Intelligence. 2000. Vol. 12, no. 1. P. 43–55.

19. Alfimtsev A., Sakulin S., Levanov A. Formalization of expert knowledge about the usability of web pages based on user criteria aggregation // International Journal of Software Innovation. 2016. No. 4. P. 38–50. DOI: 10.4018/IJSI.2016070103.

20. Pichler M., Leber D. On the Formalization of Expert Knowledge: A Disaster Management Case Study // Proc. 25th International Workshop on Database and Expert Systems Applications. 2014. P. 149–153. DOI: 10.1109/DEXA.2014.42.

21. Idé T. Formalizing Expert Knowledge Through Machine Learning // In: Kwan S., Spohrer J., Sawatani Y. (eds) Global Perspectives on Service Science: Japan. Service Science: Research and Innovations in the Service Economy. Springer, New York, NY. 2016. https://doi.org/10.1007/978-1-4939-3594- 9_11.

22. Формализация знаний при поддержке управленческих решений / О. Н. Сметанина [и др.] // Информационные технологии интеллектуальной поддержки решений (ITIDS’2018): тр. 6-ой Междунар. конф. (Уфа, 28– 31 мая 2018). Уфа: УГАТУ, 2018. С. 7–16.

23. Никонорова М. Л. Интеллектуальный анализ медицинских данных с использованием кейсовой технологии // Врач и информационные технологии. 2016. № 1. C. 54–59.

24. Кузнецова А. В, Сенько О. В. Возможности использования методов Data Mining при медико-лабораторных исследованиях для выявления закономерностей в массивах данных // Врач и информационные технологии. 2005. № 2. C. 49–56.

25. Курейчик В. М., Полковникова Н. А. Об интеллектуальном анализе баз данных для экспертной системы // Информатика, вычислительная техника и инженерное образование. 2013. № 2. C. 39–50.

26. Салмин А. А., Кистанова И. А. Совершенствования бизнес-процессов предприятия средствами технологии DATA MINING // Символ науки. 2016. № 2. C. 76–78.

27. Kaur C, Omisakin O. M. Data Mining Methods to Improve Clinical Trials in Diabetic Patients // Annals of Clinical and Laboratory Research. 2018. Vol. 6, no. 4:266. DOI:10.21767/2386-5180.100266.

28. Philbert A. Detecting Cheating In Computer Games Using Data Mining Methods // American Journal of Computer Science and Information Technology. 2018. Vol. 6, no. 3:26.

29. Mutihac R. Functional Neuroimaging Data Mining // Journal of Translational Neurosciences. 2018. Vol. 3, no.3:6. DOI: 10.21767/2573-5349.100019.

30. Mellor J. C., Stone M. A., Keane J. Application of Data Mining to «Big Data» Acquired in Audiology: Principles and Potential // Trends Hear. 2018. Vol. 22. https://doi.org/10.1177/2331216518776817.

31. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, iss. 1. P. 5– 32. https://doi.org/10.1023/A:1010933404324.

32. Using cluster analysis to classify audiogram shapes/ C. Y. Lee [et. al.] // International Journal of Audiology. 2010. Vol. 49, no. 9, pp. 628–633.

33. Wu X., Kumar V. The top ten algorithms in data mining. Boca Raton, FL: Chapman and Hall/CRC, 2009. 232 p.

34. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. М.: Диалог-МИФИ, 2002. 496 c.

35. BaseGroup Labs [Электронный ресурс]. URL: https://basegroup.ru/ (дата обращения 05.03.2019)

36. Давиденко А. И. Организация и содержание профессионально-прикладной физической подготовки студентов технических вузов: дис. … канд. пед. наук / Краснодар, 2005.