Методы и алгоритмы интеллектуального анализа данных о студентах
Аннотация
Данная работа направлена на разработку методов и алгоритмов работы с текстовой и табличной информацией для актуализации существующих и создания новых образовательных программ студентов высших учебных заведений. Исследование включало всесторонний анализ существующих методов и алгоритмов обработки неструктурированных и слабоструктурированных данных о востребованных на рынке труда компетенциях будущего выпускника ВУЗа.
Актуальность темы состоит в разработке системы методов и алгоритмов, основанных на передовых разработках в сфере обработки естественного языка с целью извлечения информации для формирования образовательных программ.
Предлагаемая система состоит из четырех основных этапов: извлечение, сбор и хранение данных рынка вакансий; кластеризация вакансий; выделение ключевых навыков, определение наиболее востребованных навыков, имеющих возрастающую динамику востребованности. В работе использовались классические алгоритмы машинного обучения, нейронные сети и методы обработки текстовой информации.
Результаты работы могут быть использованы в высших учебных заведениях, как инструмент поддержи принятия решений при формировании новых или актуализации существующих образовательных программ.
This work is aimed at developing methods and algorithms for working with textual and tabular information to update existing and create new educational programs for students of higher educational institutions. The study included a comprehensive analysis of existing methods and algorithms for processing unstructured andsemi-structured data on the competencies in demand in the labor market of a future university graduate.
The relevance of the topic lies in the development of a system of methods and algorithms based on advanced developments in the field of natural language processing in order to extract information for the formation of educational programs.
The proposed system consists of four main stages: extraction, collection and storage of job market data; clustering of vacancies; highlighting key skills, identifying the most in-demand skills that have an increasing demand dynamics. The work used classical machine learning algorithms, neural networks and text processing methods.
The results of the work can be used in higher educational institutions as a decision support tool in the formation of new or updating existing educational programs.
Актуальность темы состоит в разработке системы методов и алгоритмов, основанных на передовых разработках в сфере обработки естественного языка с целью извлечения информации для формирования образовательных программ.
Предлагаемая система состоит из четырех основных этапов: извлечение, сбор и хранение данных рынка вакансий; кластеризация вакансий; выделение ключевых навыков, определение наиболее востребованных навыков, имеющих возрастающую динамику востребованности. В работе использовались классические алгоритмы машинного обучения, нейронные сети и методы обработки текстовой информации.
Результаты работы могут быть использованы в высших учебных заведениях, как инструмент поддержи принятия решений при формировании новых или актуализации существующих образовательных программ.
This work is aimed at developing methods and algorithms for working with textual and tabular information to update existing and create new educational programs for students of higher educational institutions. The study included a comprehensive analysis of existing methods and algorithms for processing unstructured andsemi-structured data on the competencies in demand in the labor market of a future university graduate.
The relevance of the topic lies in the development of a system of methods and algorithms based on advanced developments in the field of natural language processing in order to extract information for the formation of educational programs.
The proposed system consists of four main stages: extraction, collection and storage of job market data; clustering of vacancies; highlighting key skills, identifying the most in-demand skills that have an increasing demand dynamics. The work used classical machine learning algorithms, neural networks and text processing methods.
The results of the work can be used in higher educational institutions as a decision support tool in the formation of new or updating existing educational programs.