Ключевое слово: «категориальный байесовский классификатор»

В связи с введением в учебные планы медицинских вузов дисциплины «Введение в современные информационные и интеллектуальные технологии», включающей раздел по изучению основных принципов и алгоритмов машинного обучения и искусственного интеллекта (далее – ИИ), возникает необходимость разработки соответствующего методического обеспечения. Актуальность темы исследования обусловлена тем, что студенты-медики в подавляющем большинстве не обладают необходимыми знаниями в области математики и программирования, являющимися теоретической основой современных интеллектуальных технологий, что может привести в их дальнейшей профессиональной деятельности к неверной интерпретации полученных с помощью ИИ результатов; поэтому при разработке методических материалов следует учитывать специфику данной категории обучающихся. Целью статьи является описание предлагаемого авторами подхода по реализации компьютерных экспериментов в лабораторном практикуме вышеуказанной дисциплины, позволяющих студентам более глубоко понять суть изучаемых методов машинного обучения и условий их применения. В качестве методов исследования выступили: методы классификации, применяемые в машинном обучении, методы планирования эксперимента, а также двухфакторный дисперсионный анализ, используемый в качестве доказательной базы эффективности предлагаемого подхода. Базу для проведения опытно-экспериментальных работ составил учебный контингент Медицинского института Мордовского университета. Результатом является разработанный авторами подход к выполнению лабораторных работ студентами медицинских специальностей вузов. Данный подход включает: изучение основных математических формул, лежащих в основе того или иного метода машинного обучения, выполнение несложных вычислительных примеров на небольшом объеме данных, изучение основных функций языка Python для реализации конкретной практической задачи, проведение компьютерных экспериментов для более углубленного изучения выбранной математической модели и повышения ее точности. Эффективность предложенного подхода была подтверждена результатами проведенного авторами педагогического эксперимента. Теоретическая значимость работы состоит в обобщении и систематизации материалов по данной теме, полученные результаты дополняют имеющиеся научные и педагогические разработки, углубляя понимание процессов, связанных с данной темой, и могут быть использованы в дальнейших исследованиях. Практическая значимость заключается в том, что представленный подход может быть использован в качестве основы при разработке методических материалов по разделу «Технологии машинного обучения и искусственного интеллекта в здравоохранении».