Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Среди множества методов анализа управления знаниями необходимо сделать выбор между несколькими конкурирующими методологиями и приемами. В работе предложено использовать методы машинного обучения для оценки стратегий управления знаниями. Вследствие огромной информации по данной тематике основные выводы получены с применением нормативной документации по оценкам стратегий. Решены задачи по выбору оценок с использованием нейронных сетей и оценке эффективности стратегии с помощью гибридной нейронечеткой системы. База примеров, необходимая для обучения нейронных сетей, была сформирована посредством метода Монте-Карло, а ее качество проверялось через использование главных компонентов. Проверка работы нейронной сети в виде персептрона показала ее пригодность для оценки стратегии управления знаниями. Также эффективность выбранной оценки определялась с применением нейронечеткой системы типа ANFIS, которая продемонстрировала возможность получения количественной балльной оценки.
управление знаниями, машинное обучение, влияющие на стратегии факторы, формирование базы примеров, нейросетевой выбор оценки стратегий, нейронечеткая оценка эффективности
1. Nadali A., Nosratabadi H., Pourdarab S. ANP-FIS Method for Determining the Knowledge Management Strategy. International Journal of Information and Education Technology, 2011, Vol. 1, No. 2, p. 107–113.
2. Ratnaparkhi P.S., Butey P.K. Summary: Smart Decision Making Using Fuzzy Logic For Knowledge Management System. International Journal of Computer Engineering and Technology, 2014, Vol. 5, No. 10, p. 41-50.
3. ГОСТ Р 53894-2016. Менеджмент знаний. Термины и определения. Москва : Стандартинформ, 2016.
4. ГОСТ Р 57127-2016. Менеджмент знаний. Руководство по наилучшей практике. Москва : Стандартинформ, 2016.
5. Kim P. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence., Soul-t'ukpyolsi, Seoul, 2017.
6. Alpaydın E. Introduction to Machine Learning. MIT Press Cambridge, Massachusetts, 2010.
7. Jolliffe I.T. Principal component analysis. Springer, New York, 2002. p. 519
8. Haykin S. 2009. Neural Networks and Learning Machines. NY, Pearson Education. pp: 937.
9. Neural Network Toolbox™. User's Guide. The MathWorks, Inc., MA, 2015. pp: 410.
10. Mewada K.M., Sinhal A., Verma B. (2013) Adaptive Neuro-Fuzzy Inference System (ANFIS) based software evaluation. International Journal of Computer Science 10(1): 244–250
11. Рамсундар Б., Заде Р.Б. TensorFlow для глубокого обучения. М.: BHV, 2019, 250 стр.
12. Шакла Н. Машинное обучение и TensorFlow. Санкт-Петербург : Питер, 2019. 336 с.
