Методичні рекомендації щодо застосування дидактичного принципу зв’язку теорії і практики при підготовці та проведенні лекцій з нейронних мереж та штучного інтелекту
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
Кафедра психології та педагогіки
«Методичні рекомендації щодо застосування дидактичного принципу звязку теорії і практики при підготовці та проведенні лекцій з нейронних мереж та штучного інтелекту»
ЗМІСТ
1.ВСТУП
2.ОСНОВНА ЧАСТИНА
2.1 Сутність дидактичного принципу зв'язку теорії з практикою
.2 Особливості лекції як навчального заняття та використання у ній дидактичного принципу зв'язку теорії з практикою
.3 Особливості застосування дидактичного принципу зв'язку теорії та практики у лекціях з дисципліни "Нейронні мережі та штучний інтелект"
. ВИСНОВОК
1.ВСТУП
Відомий американський психолог, один із засновників нейролінгвістичного програмування, Річард Бендлер (Richard Wayne Bandler), якось сказав: «Люди, що викладають якийсь предмет, можуть бути компетентні у ньому і багато знати про цю конкретну сферу. Проте вони зазвичай дуже мало знають про те, як вони цього навчилися, і ще менше - про те, як навчити цьому когось іншого» [1]. Для того, щоб ефективно передавати свої знання та вміння іншим людям, слід скористатися надбаннями педагогіки, котра за багато століть виробила чимало способів, як навчати. Невдачі у навчанні та викладанні виникають насамперед через ігнорування дидактичних принципів навчання. Дидактичні (від грецького слова didaktikos - проповідь) принципи - це провідні ідеї та положення, які застосувуються під час навчання усіх предметів. У відповідній педагогічній літературі описано понад кільканадцять таких принципів: доцільність, науковість, доступність тощо. Вони в основному є однаковими щодо різних дисциплін, але стосовно кожної з них мають свою специфіку. Ясна річ, кожне навчальне заняття - це, так би мовити, синтез різних дидактичних принципів. Тут же розглянемо застосування принципу звязку практики з теорією до конкретного предмету. Загалом у даному випадку маємо триєдине завдання -спробувати проаналізувати вплив конкретного дидактичного принципу, а саме, стосовно до такого виду навчання, як лекція, з конкретного, порівняно нового і по-своєму унікального предмету, як «Нейронні мережі та штучний інтелект».
2. ОСНОВНА ЧАСТИНА
2.1 Сутність дидактичного принципу зв'язку теорії з практикою
Єдність теорії та практики є вираженням єдності духовної і матеріальної сторін у діяльності людей. Відрив теорії від практики, як і практики від теорії, порушення їхньої єдності загрожує важкими наслідками як для теорії, так і для практики. Відірвана від практики теорія не може дати правильної та своєчасної відповіді на запити практики і втрачає своє значення або, більше того, завдає шкоди. Відірвана від теорії практика стає сліпою, і це неминуче призводить до уповільнення темпів її розвитку, до застою. Це стосується як галузей науки, так і конкретного фахівця, котрий, не бачачи зв'язку теорії з практикою, впадає у застій як фахівець. Цей зв'язок з практикою може бути безпосереднім, коли обставини змушують нас на час переривати хід теоретичних роздумів, щоб дістати від практики нові дані і продовжити потім міркування на підставі цих даних. Учені будь-якої галузі науки раз у раз звертаються у своїй діяльності до досвіду, з тим, щоб потім знову повернутися до теорії і розвивати її далі. Звернення до практики як основи знань та критерію істини відбувається і в іншій формі - як безперервне адресування до даних практики, звірення кожного етапу міркувань з фактичним, з практики почерпнутим матеріалом у самому ході теоретичного мислення. Усю діяльність людини можна уявити у вигляді системи сформульованих задач, яка під час розвязання послідовно переходить одна в іншу, коли у конкретній діяльності людини відбувається злиття знань та діяльності через постановку задач [2, 3].
Практична реалізація принципу зв'язку теорії з практикою під час навчання студентів спирається на творче дотримання низки правил: під час навчання йти від життя до знань і від знань до життя; зв'язок "знання - життя" украй потрібен, тож слід наполегливо привчати студентів перевіряти та застосовувати свої знання на практиці, показувати їм навколишню дійсність і як джерело знань, і як сферу практичного їх застосування; на кожній лекції неодмінно слід ставити питання практичного значення досліджуваної теми. Розглянутий принцип спирається на багато філософських, педагогічних та психологічних положень, які відіграють роль закономірних начал: ефективність та якість навчання перевіряються, підтверджуються та скерувуються практикою: практика - це критерій істини, джерело пізнавальної діяльності та сфера застосування результатів навчання. Ще Іммануїл Кант у своїх відомих і фундаментальних в історії філософії творах «Критика чистого розуму» та «Критика практичного розуму» звернувся до питання звязку теорії з практикою. Так, ключове питання «Критики чистого розуму» - це дослідження пізнавальної можливості розуму у відриві від знань, здобутих емпіричним шляхом, тобто шляхом досвіду. І висновок, який він зробив, - той, що практика без теорії, як і теорія без практики - обмежені.
Принцип зв'язку теорії з практикою, з життям вимагає розуміння студентами значення складних та різнобічних звязків з практикою, умілого застосування теоретичних знань для виконання практичних задач, потреби оволодіння певними знаннями, без яких неможливо розвязати поставлені задачі.
2.2 Особливості лекції як навчального заняття та використання у ній дидактичного принципу зв'язку теорії з практикою
Як відомо, лекції є поряд з практичними та семінарськими заняттями, лабораторними роботами, індивідуальними навчальними заняттями, консультаціями, самостійною роботою студентів одним із різновидів (і методів) навчальних занять. Лекції займають у вищому навчальному закладі особливе місце. Лекційний метод викладання виник ще у середньовіччя. Тоді лекція являла собою публічне читання певної наукової праці, яке супроводжувалось обмеженими коментарями самого лектора. Надалі відбулася еволюція лекції як методу викладання. Уже в середині XVIII століття лекції набули характеру систематичного викладу навчального матеріалу у логічно структурованій формі. Починаючи з XIX ст., виникають нові методи викладання, проте лекція залишається найважливішим засобом донесення наукових знань до студентів. Що ж таке лекція? Лекція - це розгорнуте теоретичне міркування, що поєднує в собі елементи розповіді та пояснення і являє собою усне, монологічне, систематичне послідовне викладення навчального матеріалу викладачем. Лекція повинна вирізнятися змістовністю та науковістю, логічністю та доказовістю, інформативністю (новизною інформації), доступністю. Лекція покликана пробудити інтерес до досліджуваного предмета, допомогти тому, хто навчається, зорієнтуватися в його основних проблемах, озброїти фундаментальними знаннями. Іншими словами, лекція повинна виконати не тільки функцію повідомлення знань, а й навчити мислити, добувати знання, пов'язувати теорію з практикою. З погляду використовуваних методів лекції можна класифікувати на традиційні (інформаційно-пояснювальні) лекції; лекції-бесіди, які відомі ще з часів Сократа і характеризуються високою емоційністю, довірчим тоном лектора, коли він залучає студентську аудиторію до спільного міркування над науковими істинами; проблемні лекції, у ході яких перед студентами ставляться проблеми-задачі, які вони повинні самостійно розвязати, діставши таким чином нові знання. Лекція з аналізом конкретних ситуацій - це ще один спосіб активізації навчально-пізнавальної діяльності слухачів, за формою це лекція-дискусія. Проте і досьогодні у дидактичній літературі нема аж надто чіткої класифікації лекцій. Важливо, щоб лектор у кожному конкретному випадку під час підготування до лекції, яка відповідає поставленим задачам, ураховував особливості аудиторії, місця, часу, дидактичні та інші чинники.
Сучасні вимоги до лекції, в тому числі і з позицій дидактичного принципу зв'язку теорії з практикою передбачають, що вона повинна носити проблемний характер, відображати актуальні питання теорії та практики, сприяти поглибленій самостійній роботі. Останнім часом з'явилися й такі нетрадиційні форми лекцій, як лекція із запланованими помилками (лекція-провокація), лекція-візуалізація, лекція-"прес-конференція", лекція-консультація, проблемна лекція. Усі ці нові різновиди лекцій якраз і покликані зняти обмеження, властиві традиційній лекції: слабкий зворотний зв'язок - і залучити студентів до активної навчально-пізнавальної діяльності, спрямованої на формування умінь та навичок, чим забезпечити виконання студентами тих задач, у процесі розвязання яких вони самостійно опановують уміння та навички [4]. У певних випадках та ситуаціях, звичайно, варто використовувати і такі лекції, але все ж більш доречним здається, в тому числі і з урахуванням дидактичного принципу зв'язку теорії з практикою, використовувати елементи нетрадиційних лекцій, покликані активізувати роботу студентів, і у звичайних лекціях.
Дотримання принципу зв'язку теорії з практикою важливо й на етапі підготування до лекції. Слід дуже уважно проаналізувати коло питань, що їх мають засвоїти студенти. До таких питань потрібно зарахувати всю нову інформацію, а також відому студентам, яка тепер об'єднується у якісно нову систему. З огляду на дотримання дидактичних принципів, у тому числі й принципу зв'язку теорії з практикою, потрібен правильний підбір ілюстративного матеріалу. Таблиці, діапозитиви, малюнки та схеми слід не тільки ретельно відібрати, але визначити й зафіксувати послідовність, у якій вони використовуватимуться під читання лекції.
Вибір послідовності та логіки викладання матеріалу - наступний етап роботи над лекцією. Під час складання плану лекції краще виділити самостійні розділи, після кожного з яких бажано зробити узагальнення, та інформацію, на якій потрібно зосередити увагу слухачів. Для цього рекомендується використовувати розширений план лекції. Зміст лекції має відповідати всьому ряду дидактичних принципів, серед яких і принципу зв'язку теорії з практикою. Для цього варто використовувати елементи, що дають змогу активізувати роботу студентів, вивести їх зі стану пасивного сприйняття навчального матеріалу. Цілісність лекції забезпечується створенням єдиної її структури, що спирається на взаємозв'язок завдань заняття і змісту матеріалу, призначеного для засвоєння студентами. У кожній лекції також повинні бути вступна частина, викладення та висновок. У вступній частині потрібно позначити мету та завдання лекції, дати коротку характеристику проблеми, показати стан питання, встановити зв'язок з попередніми темами. У викладенні навести докази, дати висвітлення подій, розібрати факти, охарактеризувати різні погляди, визначити свою позицію, сформулювати окремі висновки, показати зв'язок з практикою, оцінити переваги та недоліки принципів, методів, об'єктів розгляду, указати сферу застосування. Тут же варто запланувати час і на те, щоб залучити студентів до пошуку відповідей. Ретельно треба продумати кінцеву частину лекції. У цій частині треба підвести підсумки, сформулювати основний висновок, дати настанову студентам для самостійної роботи та методичні поради. Під час наступної лекції у вступній частині важливо коротко повторити те, про що говорилося в кінцевій частині попередньої лекції.
Підготувавшись до лекції, слід ще раз проглянути її докладний план на предмет дотримання усіх дидактичних вимог, в тому числі й вимоги про звязок теорії з практикою.
.3 Особливості застосування дидактичного принципу зв'язку теорії та практики у лекціях з дисципліни "Нейронні мережі та штучний інтелект"
"Нейронні мережі та штучний інтелект" - це порівняно нова та унікальна дисципліна. Її унікальність у тому, що вона сама пов'язана з навчанням. Універсального визначення нейронної мережі вчені все ще не дали. Прийнято вважати, що нейронна мережа - це мережа, що складається з декількох простих «процесорів», а кожен з цих «процесорів» має певну кількість пам'яті. Іноді їх ще називають одиницями, які пов'язані зєднаннями або каналами зв'язку, які оперують кодованими числовими даними. Відтак нейронна мережа може "впоратися" з будь-якою обчислюваною функцією так само, як й найзвичайнісінький комп'ютер, проте, на відміну від нього, нейрокомпьютер розвязує нестандартні задачі, до яких не можуть бути застосовані жорсткі правила математики. На відміну від експертних систем, які під час оброблення даних орієнтуються на набір правил, закладених у їхній базі даних, нейромережа проводить аналіз інформації, яку вона навчена розпізнавати. З погляду штучного інтелекту штучна нейронна мережа є основним напрямком у структурному підході з вивчення можливості побудови (моделювання) природного інтелекту за допомогою комп'ютерних алгоритмів.
Нейронні мережі не програмуються у звичному розумінні цього слова - вони навчаються. Можливість навчання - одна з головних переваг нейронних мереж над традиційними алгоритмами [6]. Але з урахуванням принципу зв'язку теорії з практикою можна поглянути на них і з іншого боку. Адже що стосується самого підходу, то нейромережі це часто і вже давно є й алгоритмічним інструментом. Ніхто вже не вимальовує нейрони, синапси тощо, бо, з іншого погляду, нейромережа - це просто система обмежень, її навчання - система рівнянь. Ці рівняння зазвичай ідуть з теорії оптимізації та теорії автоматичного керування, і відомі там під певними іншими назвами. Використання терміну «нейромережа» - це просто метафора, яка допомагає визначити структуру рівнянь та маніпулювати ними дещо вільніше. І так було від самого початку: лінійна регресія була відома давно, але щоб придумати багатокритерійну паралельну лінійну регресію зі стискною передавальною функцією (якою є персептрон), треба було подумати про нейрон. Хоча результат усе ще цілком може бути зрозумілий як регресія. Та все ж для безлічі інших задач штучна нейронна мережа - математична модель, а також її програмне або апаратне втілення, побудована за принципом організації та функціонування біологічних нейронних мереж - мереж нервових клітин живого організму. Це поняття виникло під час вивчення процесів, що відбуваються у мозку, і під час спроб змоделювати ці процеси. Штучна нейронна мережа являє собою систему простих процесорів (штучних нейронів), які зєднані і взаємодіють між собою. Такі процесори, як правило, досить прості (особливо порівняно з процесорами, що використовуються в персональних комп'ютерах). Кожен процесор такої мережі має справу тільки з сигналами, які він періодично одержує, і сигналами, які він періодично надсилає іншим процесорам. Але коли такі локально прості процесори з'єднані у досить велику мережу з керованою взаємодією, то разом вони здатні виконувати досить складні завдання.
З погляду машинного навчання нейронна мережа являє собою окремий випадок методів розпізнавання образів, дискримінантного аналізу, методів кластеризації тощо. З математичного погляду навчання нейронних мереж - це багатопараметрична задача нелінійної оптимізації. З погляду кібернетики нейронна мережа використовується в задачах адаптивного керування і як алгоритми для робототехніки. З погляду розвитку обчислювальної техніки та програмування нейронна мережа - спосіб розвязання проблеми ефективного паралелізму. А з погляду штучного інтелекту штучна нейронна мережа - це основа філософської течії конектівізму і є основним напрямком у структурному підході з вивчення можливості побудови (моделювання) природного інтелекту за допомогою комп'ютерних алгоритмів. І такий підхід треба передати студентам, що вони могли місце і зв'язок даної теорії з практикою застосування для вирішення різних задач. Зрозуміло, що якщо якась практична задача розвязується за допомогою вже відомих алгоритмічних способом, то можна припускати, що певний клас таких задач можна розвязати і за допомогою нейронних мереж. Відомі понад кільканадцять різновидів мереж: перцептрон Розенблатта; сплайн-модель Хакимова; багатошаровий перцептрон Розенблатта; багатошаровий перцептрон Румельхарта; мережа Джордана; мережа Елмана; мережа Геммінга; мережу Хопфілда; мережу Когонена; когнітрон тощо, які класифікуються за типом вхідної інформації, за характером навчання, за характером зв'язків тощо [7]. Ці різні моделі мають свої обмеження. І тут теж важливо заохотити студентів до з'ясування, для розвязання яких задач підійде конкретна модель.
Як мовилось вище, фундаментальною відмінністю нейронних мереж є те, що вони не програмуються у звичному розумінні цього слова, а навчаються. Саме таке розуміння потрібно передати студентам. Можливість навчання - одна з головних переваг нейронних мереж над традиційними алгоритмами. Технічно навчання полягає у знаходженні коефіцієнтів зв'язків між нейронами. У процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними і вихідними, а також виконувати узагальнення. Це означає, що в разі успішного навчання мережа зможе видати правильний результат на підставі даних, яких не було у навчальній вибірці, а також на підставі неповних та/чи «зашумлених», частково спотворених даних. Під час кожної лекції та розгляду конкретної моделі неодмінно слід повязувати теорію з практикою й намагатися всіляко знімати обмеження лекції як різновиду навчання. Багато моделей ще не знайшли практичного застосування. І тут студентам слід ставити проблемні питання: у якій сфері такі моделі можуть бути придатні? І показати ті сфери, де нейронні мережі вже успішно застосовуються. Відомими застосуваннями є розпізнавання образів, ухвалення рішень, кластеризація, прогнозування, апроксимація, стиснення даних та асоціативна пам'ять. З метою унаочнення важливих звязків між теорією і практикою коротко їх розгляньмо.
Під час розпізнавання образів образами можуть бути різні за своєю природою об'єкти: символи тексту, зображення, зразки звуків тощо. У процесі навчання мережі пропонуються різні зразки образів із зазначенням того, до якого класу вони належать. Сукупність усіх ознак має однозначно визначати клас, до якого належить зразок. Закінчивши навчання мережі, можемо подати їй невідомі раніше образи і дістати відповідь про належність до певного класу.
Задача ухвалення рішень близька до задачі класифікації. Класифікації підлягають ситуації, характеристики яких надходять на вхід нейронної мережі. На виході мережі повинна з'явитися ознака рішення, яке вона ухвалила. При цьому як вхідні сигнали використовуються різні критерії опису стану керованої системи.
Під кластеризацією розуміють розбиття безлічі вхідних сигналів на класи тоді, коли ні кількість, ні ознаки класів заздалегідь не відомі. Після навчання така мережа здатна визначати, до якого класу належить вхідний сигнал. Мережа також може сигналізувати про те, що вхідний сигнал не належить до жодного з виокремлених класів - це є ознакою нових, відсутніх у навчальній вибірці, даних. Отже, така мережа може виявляти нові, невідомі раніше класи сигналів. Відповідність між класами, виокремленими мережею, і класами, існуючими в предметній сфері, встановлює людина. Кластеризацію виконують, наприклад, нейронні мережі Когонена. Здатність нейронної мережі до прогнозування випливає безпосередньо з її здатності до узагальнення й виокремлення прихованих залежностей між вхідними та вихідними даними. Пройшовши навчання, мережа здатна передбачити майбутнє значення якоїсь послідовності на підставі кількох попередніх значень та(чи) якихось існуючих нині чинників. Але важливо акцентувати увагу на тому, що прогнозування можливе лише тоді, коли попередні зміни справді певною мірою зумовлюють майбутні.
Нейронні мережі можуть апроксимувати безперервні функції. Доведено узагальнену апроксимаційну теорему: за допомогою лінійних операцій та каскадного з'єднання можна з довільного нелінійного елемента одержати пристрій, який обчислює будь-яку безперервну функцію з деякою наперед заданою похибкою. Це означає, що нелінійна характеристика нейрона може бути довільною: від сигмоїдальної до довільного хвильового пакету або вейвлета, синуса чи многочлена. Від вибору нелінійної функції може залежати складність конкретної мережі, але з будь нелінійністю мережа залишається універсальним апроксіматором і при правильному виборі структури може досить точно апроксимувати функціонування будь-якого безперервного автомата. Здатність нейромереж до виявлення взаємозв'язків між різними параметрами дає змогу компактніше виразити дані великої розмірності, якщо ті дані тісно взаємопов'язані один з одним. Зворотний процес - відновлення вихідного набору даних з частини інформації - називають асоціативною пам'яттю. Асоціативна пам'ять теж дозволяє відновлювати вихідний сигнал або образ з зашумленних чи пошкоджених вхідних даних.
Нейронна мережа використовується для розвязання конкретної практичної задачі. І це розвязання має певні етапи виконання: збір даних для навчання; підготування та нормалізація даних; вибір топології мережі; експериментальний підбирання характеристик мережі та параметрів навчання; навчання у звуженому розумінні цього слова; перевірка адекватності навчання мережі; коригування параметрів, остаточне навчання мережі; так звана вербалізація мережі з метою подальшого використання. Тому в ході лекції під розгляду питання етапів розвязання задачі слід акцентувати на цьому увагу студентів. Так, під час збирання даних для навчання мережі важливі репрезентативність - дані повинні ілюструвати справжній стан речей в конкретній предметній сфері, та несуперечність - суперечливі дані у навчальній вибірці призведуть до поганої якості навчання мережі. З практичного погляду слід підходити і до нормування вхідних даних, їх квантування та фільтрації. Тобто, по суті, має бути вибрано той набір теоретичних даних, який підходить для даної задачі [8]. Те ж стосується і вибору топології мережі, виходячи з постановки задачі та наявних даних для навчання. Після вибору конкретної топології потрібно вибрати параметри навчання нейронної мережі. Від правильного вибору параметрів залежить не тільки те, наскільки швидко відповіді мережі будуть сходитися до правильних відповідей. Наприклад, вибір низької швидкості навчання збільшить час сходження, проте іноді дозволяє уникнути паралічу мережі. Збільшення моменту навчання може призвести як до збільшення, так і до зменшення часу зходження, залежно від форми поверхні помилки. Виходячи з такого суперечливого впливу параметрів, можна зробити висновок, що їхнє значення потрібно вибирати експериментально, керуючись при цьому критерієм завершення навчання (наприклад, мінімізація помилки чи обмеження за часом навчання). У процесі навчання мережа в певному порядку переглядає навчальну вибірку. Порядок перегляду може бути послідовним, випадковим тощо. Деякі мережі, які навчаються без учителя (наприклад, мережі Гопфілда), переглядають вибірку тільки один раз. Інші (наприклад, мережі Когонена), а також мережі, які навчаються з учителем, переглядають вибірку безліч разів, при цьому один повний прохід по вибірці називається епохою навчання. Під час навчання з учителем набір вихідних даних ділять на дві частини - власне навчальну вибірку та тестові дані; принцип поділу може бути довільним. Навчальні дані подаються мережі для навчання, а перевіркові використовуються для обчислення помилки мережі (перевіркові дані ніколи для навчання мережі не застосовуються). Таким чином, якщо на перевіркових даних помилка меншає, то мережа справді виконує узагальнення. Якщо помилка на навчальних даних і далі меншає, а помилка на тестових даних більшає - значить, мережа перестала виконувати узагальнення і просто «запам'ятовує» навчальні дані. Це явище називається перенавчанням мережі. У таких випадках навчання, як правилом, припиняють. У процесі навчання можуть виявитися інші проблеми, такі як параліч чи потрапляння мережі до локального мінімуму поверхні помилок. Неможливо заздалегідь передбачити вияв тієї чи іншої проблеми, так само як і дати однозначні рекомендації до їх розв'язання. Сказане вище про пошук відповіді стосується тільки ітераційних алгоритмів пошуку нейромережевих розвязань. Для них справді не можна нічого гарантувати й не можна цілком автоматизувати навчання нейронних мереж. Але, крім ітераційних алгоритмів навчання, існують неітераційні алгоритми, що мають дуже високу стійкість і уможливлюють цілковиту автоматизацію процесу навчання. Проте на кожному етапі слід не забувати про зв'язок теорії з конкретною задачею й варто намагатися застосовувати найвідповідніші підходи. Що стосується нейронних мереж, то тут дотримання принципу зв'язку теорії з практикою, як ніде важливо, і на цьому треба акцентувати увагу студентів, адже навіть у разі успішного, на перший погляд, навчання мережа не завжди навчається саме того, чого від неї хотів творець. Відомий випадок, коли мережа навчалася розпізнаванню зображень різних автомобілів з фотографій, проте пізніше з'ясувалося, що всі автомобілі було сфотографовано на одному й тому ж фоні. У результаті мережа «навчилася» розпізнавати цей тип ландшафту замість того, щоб «навчитися» розпізнавати автомобілі. Отож, мережа «зрозуміла» не те, що від неї вимагалося, а те, що найпростіше узагальнити. Тому для адекватності нейромережі, для її відповідності практичним потребам, тестування якості навчання слід проводити на прикладах, які не брали участі в її навчанні. При цьому число тестових прикладів має бути тим більше, чим вища якість навчання мережі. Тому і тут, як бачимо, важливо правильно провести принцип зв'язку теорії з практикою.
3. ВИСНОВОК
Завершуючи розгляд застосування дидактичного принципу зв'язку теорії з практикою під час підготування та проведення лекції з нейронних мереж та штучного інтелекту, слід відзначити, що цей принцип, як видно з вищенаведеного, дуже важливий у навчанні. Але тільки комплексне застосування всіх загальновизнаних дидактичних принципів навчання забезпечує успішне визначення задач, вибору змісту, методів, засобів та форм навчання. Перебільшення, як і недооцінка того чи іншого принципу обертається зниженням ефективності навчання. Тільки цілісне застосування дидактичних принципів до конкретної дисципліни з урахуванням її особливостей і в комплексному поєднанні з іншими, нелекційними, різновидами навчальних занять дає змогу успішно розвязати задачу навчання та викладання.
дидактичний лекція теорія практика
ВИКОРИСТАНІ ДЖЕРЕЛА
1. Бэндлер Р. Используйте свой мозг для изменения. Нейро-лингвистическое программирование [Текст]/ Под ред. К. Андреас и С. Андреас. Пер с англ. - Воронеж: НПО «МОДЭК», 1998.
. Головенкін, В.П. Педагогіка вищої школи (Андрагогіка): Підручник. - К.: НТУУ "КПІ", 2009. - 406 с.
. Архангельский, С.И. Лекции по теории обучения в высшей школе. - М., 1974.
. Штокман, И.Г. Вузовская лекция. Практические советы по методике преподавания учебного материала. - Киев, 1981.
. Тимощук, П.В. Штучні нейронні мережі. Навчальний посібник. Львів: Видавництво Львівської політехніки, 2011. 444 с.
. Руденко, О.Г., Бодянський, Є.В. Штучні нейронні мережі: Навч. посібник. - Харків: ТОВ Компанія СМІТ, 2006. - 404 с.
. Дубровін, В.І., Субботін, С.О. Методи оптимізації та їх застосування в задачах навчання нейронних мереж: Навчальний посібник.-Запоріжжя: ЗНТУ, 2003.- 136 с.