ПРИМЕНЕНИЕ ИЕРАРХИЧЕСКОГО КЛАСТЕРНОГО АНАЛИЗА ПРИ ПОДГОТОВКЕ АВИАЦИОННЫХ СПЕЦИАЛИСТОВ

В статье рассматривается подход к оценке качества сформированности компетенций по осваиваемым студентом или курсантом учебного заведения гражданской авиации соответствующим дисциплинам. Оценка формируется за счет применения одного из методов машинного обучения без учителя – иерархического кластерного анализа. Сбор данных для оценки успеваемости курсантов высшего учебного заведения гражданской авиации осуществлялся при освоении дисциплины «Радиотехническое оборудование аэродромов». Экспериментальное исследование проходило в течение семестра. Тесты по дисциплине были сформированы в специальных google формах, что позволило упростить процесс сбора данных и обеспечить удобство контроля за выполнением тестов. Обработка данных и дальнейшая работа с ними осуществлялась в среде разработки Jupyter Notebook с использованием высокоуровневого языка объектно-ориентированного программирования Python. В программе для осуществления кластеризации был использован метод cluster.hierarchy.linkage из библиотеки SciPy. Для графического определения оптимального количества кластеров, на которые следует делить выборку, был использован критерий каменистой осыпи Кеттела. Описанный подход позволяет выделять в отдельные группы (кластеры) обучающихся с целью автоматизации проверки освоения компетенций.

1. Маккини У. Python и анализ данных / перевод с английского А. А. Слинкина. М.: ДМК Пресс, 2020. 540 с.

2. Метод каменистой осыпи как основа решения метрологических задач в социально-гуманитарных областях знания (на примере задач экономики, педагогики и социологии) / В. И. Лойко, Д. А. Романов, В. Л. Шапошников [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2017. № 129. С. 1382-1406. DOI 10.21515/1990-4665-129-099. EDN WFPZXC.

3. Пател А. Прикладное машинное обучение без учителя с использованием Python / перевод с английского А. Г. Гузикевич. Санкт-Петербург: ООО «Диалектика», 2020. 432 с.

4. Чио К. Машинное обучение и безопасность / К. Чио, Д. Фримэн // перевод с английского А. В. Снастина. М.: ДМК Пресс, 2020. 388 с.

5. Big Data clustering with varied density based on mapreduce / S. Heidari, M. Alborzi, M. A. Afsharkazemi [et al.] // Journal of Big Data. 2019. № 1. С. 6-22.

6. Doc 10056. Manual on Air Traffic Controller Competency-based Training and Assessment. Монреаль, Канада: ICAO, 2017. 392 с.

7. Doc 10057. Manual on Air Traffic Safety Electronics Personnel Competency-based Training and Assessment. Монреаль, Канада: ICAO, 2017. 184 с.

8. Doc 9868. Правила аэронавигационного обслуживания. Подготовка персонала. Монреаль, Канада: ICAO, 2016. 254 с.

9. Kumar S. Analysis of hourly road accident counts using hierarchical clustering and cophenetic correlation coefficient (CPCC) / S. Kumar, D. Toshniwal // Journal of Big Data. 2016. № 1. С. 3-13.

10. Lenard M. J. An analysis of fuzzy clustering and a hybrid model for the auditor's going concern assessment / M. J. Lenard, P. Alam, D. Booth // Decision sciences. 2000. № 4. С. 861-884. 170

11. Plot Hierarchical Clustering Dendrogram // [Электронный ресурс]. – URL: https://scikit-learn.org/stable/auto_examples/cluster/plot_agglomerative_dendrogram.html (дата обращения: 25.01.2023).

12. scipy.cluster.hierarchy.linkage – SciPy v1.10.0 Manual // [Электронный ресурс]. – URL: https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html (дата обращения: 19.01.2023).

13. Silven O. Wood inspection with non-supervised clustering / O. Silven, N. Niskanen, H. Kauppinen // Machine vision and applications. 2003. № 5. С. 275-285.

14. t-SNE в машинном обучении // [Электронный ресурс]. – URL: https://biconsult.ru/products/t-sne-v-mashinnom-obuchenii (дата обращения: 19.01.2023).

15. Tsurko V. V. Evaluation of statistical relationship of random variables via mutual information / V. V. Tsurko, A. I. Mikhalskii // Automation and remote control. 2022. Vol. 83, No. 5. P. 734-742. DOI 10.1134/S000511792205006X. EDN PUCQOX.