Файл: азастан Республикасы ылым жне жоары білім министрлігі лФараби атындаы аза лтты университеті.docx

Бізге күрделі жүйелер үшін қарапайым көріністер қажет: w-модельдеу - күрделілікпен күресудің құралы.

UML тілінде жүргізуші профилін бағалау жүйесін сипаттау сурет 11-де көрсетілген.


Сурет 11 - UML тілінде жүргізуші профилін бағалау жүйесін сипаттау
Белгілер кез-келген модельде маңызды рөл атқарады: "бұл процесті байланыстыратын желім. "Нотация үш рөл атқарады:

- Бұл анық емес немесе кодтың өзінен шығарылмайтын шешімдерді беру тілі ретінде қызмет етеді.

Ол барлық маңызды стратегиялық және тактикалық шешімдерді қамту үшін жеткілікті бай семантиканы ұсынады.

- Бұл адамдарға ойлау және айла-шарғы жасау құралдарын пайдалану үшін жеткілікті нақты форманы ұсынады.

Бірыңғай модельдеу тілі (UML) талдаудан дизайнға ауысатын өте сенімді белгіні ұсынады. Талдау кезінде белгілеудің белгілі бір элементтері (мысалы, сыныптар, ассоциациялар, агрегаттар, мұрагерлік) енгізіледі. Белгілеудің басқа элементтері (мысалы, қорғаныш қабықшасын іске асыру индикаторлары мен қасиеттері) жобалау процесінде енгізіледі.

UML артықшылықтары

UML-ді әртүрлі қолдану салаларына қолдануға болады (мысалы, банк, қаржы, Интернет, аэроғарыш, Денсаулық сақтау және т.б.). Ол объектілік және компоненттік бағдарламалық жасақтаманы әзірлеудің барлық негізгі әдістерімен, сондай-ақ әртүрлі іске асыру платформаларымен бірге қолданыла алады.
3.2.2 Жүргізуші профилін бағалау жүйесінің функционалдық моделі

IDEF құрылымдық талдау және дизайн әдісіне (SADT), 1970 жылдардың басында Дуглас Т.Росс ұсынған жүйені сипаттауға графикалық тәсілге негізделген. Содан бері Softech, Inc жүйелік талдаушылары. көптеген мәселелерді шешу үшін SADT жетілдірілді және қолданылды. 1981 жылы АҚШ Әскери-әуе күштерінің интеграцияланған автоматтандырылған өндірісі (ICAM) IDEF деп аталатын SADT жиынтығын стандарттады және жариялады.

IDEF0 диаграммасы бастапқыда өндіріс өнімділігін қалай жақсартуға болатындығын жақсы түсіну үшін құрылымдалған әдістерді қолдану үшін қолданылған. IDEF0 бастапқыда 1966 жылы Northrop Corporation-да құрылды және алғаш рет SofTek 1972 жылы сатылымға шығарылды. IDEF0 белсенділік диаграммасы процестің ыдырауының бір деңгейін қамтиды. Диаграмма ішіндегі өрістер диаграмма деп аталатын ата-аналық процестің ішкі процестерін көрсетеді. Блоктар арасындағы көрсеткілер процестер арасындағы өнім ағынын көрсетеді.

IDEF0 диаграммаларында әдетте келесі компоненттер бар:

---

Мәтінмәндік диаграмма-IDEF0 моделіндегі ең жоғарғы диаграмма.

Ата-ана/ұрпақ диаграммасы-ата-ана/ұрпақ қатынастарын қолдана отырып, idef0 ыдырау иерархиясы.

Түйін ағаштары-таңдалған түйінде тамырлары бар түйіндердің ағаш тәрізді құрылымдары, олар бір диаграммада IDEF0 толық ыдырауын көрсету үшін қолданылады.

Түсіну-модельдеу модельдендірілген Бизнестің табиғатын, яғни бизнесте не істелетінін анықтауға көмектеседі. Байланыс-түсінікке қол жеткізілгеннен кейін бизнес-процестердің сипатын құжаттауға болады және бұл құжаттар оңай жіберіледі. Ағарту-модельдеу қолданыстағы (сол сияқты) бизнес-процестегі ауытқуларды, артық кемшіліктер мен тиімсіздікті анықтауға көмектеседі. Жақсарту-модель сізге бизнес пен оның процестерінің проблемалық бағыттарын таңдауға және оларды жақсартуға мүмкіндік береді.

Қайта жобалау моделі стратегияда анықталғандай, қайта жобаланған (болашақ) бизнес-процесті модельдеу арқылы процесті қайта құру үшін нақты негіз береді. Бұл стратегияларды іске асыру басталғанға дейін тексеруге болатындығын білдіреді.

Жүргізуші профилін бағалау жүйесінің функционалдық моделі сурет 12-де көрсетілген.

Сурет 12 - Жүргізуші профилін бағалау жүйесінің функционалдық моделі
IDEF0 моделі Бизнестің іс-әрекетін бизнес тұрғысынан білдіреді, бұл іс-шаралар өзара байланысты, әр іс-әрекетті орындау үшін пайдаланылатын ресурстар және әр іс-әрекеттің нәтижесі немесе нәтижесі. Модель графикадан және графиканы қолдайтын байланысты мәтіннен тұрады.

IDEF0 модельдеу әдісі графикалық тіл мен модельдеу процесінен тұрады, оны процестің егжей-тегжейлі сипаттамасын жасау үшін пайдалануға болады. Бұл жалпы бизнесті және бизнес-процестерді анықтаудың, талдаудың және Құжаттаудың интуитивті әдісі.

IDEF0 белгісін 1993 жылы Америка Құрама Штаттарының сауда министрлігінің ұлттық стандарттар және технологиялар институты стандарттады және қоғамдық игілік әдістемесі болып табылады. IDEF0-бұл процестер мен ақпаратты модельдеуді қамтитын IDEF0 толық жүйелік модельдеу әдіснамасының жиынтығы.

Бизнес-процесті анықтаудың екінші кезеңінде оның ішкі құрылымын сипаттау қажет. Ол үшін мыналарды анықтау қажет: модельдендірілген бизнес-процеске қандай процестер кіреді; бұл процестер бір-бірімен қалай өзара әрекеттеседі. IDEF0 модельдеуінде процестің ішкі құрылымын сипаттау үшін ыдырау механизмі қолданылады. Idef0 әдіснамасының талаптарына сәйкес, бизнес-процесті бөлшектеу үшін ұрпақ диаграммасын құру қажет.

---

Жүргізуші профилін бағалау жүйесінің функционалдық моделінің декомпозиция диаграммасы сурет 13-те көрсетілген.

Сурет 13 - Жүргізуші профилін бағалау жүйесінің функционалдық моделінің декомпозиция диаграммасы
Бизнес-процесті анықтаудың үшінші кезеңі-процестер арасындағы өзара әрекеттесуді сипаттау. IDEF0 әдістемесі бір диаграммадағы блоктар арасындағы өзара әрекеттесудің 5 (бес) түріне мүмкіндік береді:

- басқармасы;

- шығу-кіру;

- басшылықпен кері байланыс;

- кіру туралы пікірлер;

- шығу механизмі.

IDEF0-де процестердің өзара әрекеттесуі интерфейс доғаларын қолдана отырып сипатталады және материалдарды және/немесе ақпаратты бір процестің шығуынан басқа процестің кірістеріне (басқару элементтері, механизмдері) беруді білдіреді.

3.2.3 Кластар диаграммасы
Жүйеге және оның шекараларына қойылатын көп функциялы талаптарды анықтағаннан кейін сынып(класс) диаграммасын құру үшін пәндік аймақты талдау қажет. Класс диаграммасы жүйенің класс түрлерін және олардың арасындағы әртүрлі статикалық байланыстарды анықтайды. Класс диаграммалары сонымен қатар класс атрибуттарын, класс операцияларын және класстар аралық байланыстарда шектеулерді көрсетеді
3.5-сурет-Класстар диаграммасы

---

Класс диаграммасын ұсыну және түсіндіру көзқарасқа (абстракция деңгейіне) байланысты болуы мүмкін: класстар пәндік аймақтың мәнін (сараптау барысында) олай болмаған жағдайда бағдарламалық жүйенің элементтерін (жобалау және іске асыру процестерінде) көрсете алады. Диаграмманың негізгі элементі-сыныптар. Класстар класс атауынан, атрибуттардан және операциялардан тұрады. 3.5-суретте жобаланған класс диаграммасының тікелей мысалы көрсетілген.Класс диаграммасына сәйкес жүйе негізгі класстарға бөлінді. Кез-келген класста қандай тәсілдер мен негізгі атрибуттар көрсетілген. Жалпы алғанда, класс диаграммалары құрылымдық модельдерді құру, құжаттау және ұсыну үшін де, тікелей және кері тәртіпте жасалатын жүйелерді жобалау және әзірлеу үшін де қолданылады. Бағдарламаның негізгі жұмыс сыныптары сынып диаграммаларын құру әдісімен жасалады.

Қорытынды

Диссертациялық зерттеудің басты мақсаты - каршеринг ақпарат жүйесі бойынша жүргізуші профилін бағалау моделін зерттеу және әзірлеу толығымен орындалды.

Диссертациялық зерттеудің барысында келесі міндеттер орындалды:

- автомобильді ұжымдық пайдалану тенденциясына анықтама берілді;

- кешенді жүргізуші профильдерін құруға арналған құрылымы сипатталды;

- көлік проблемалары саласындағы болжамды аналитикаға талдау жасалынды;

- каршеринг жүйесіндегі үлкен деректер құрылды;

- каршеринг жүйесінде пайдаланушыларды кластерлеу жүзеге асыру;

- пайдаланушылар классификациясы үшін болжам моделін зерттеу жұмыстары орындалды;

- жүргізуші профилін бағалау жүйесінің бизнес-процесстері құрылды;

- әзірленетін жүйенің архитектурасын мен интерфейсі үлгісі құрылды;

- деректер базасы жобаланды;

- жүргізуші профилін анықтау веб-қосымшасы әзірленді.

Диссертациялық зерттеу жұмысының бірінші бөлімінде - қазіргі заманғы көлік жүйелерінің күйі талданып, пәндік аймаққа толық талдау жасалынды.

Диссертациялық зерттеу жұмысының екінші бөлімінде - жүргізуші профилін бағалау әдістерін зерттеу жұмыстары жүргізілді. Нәтижесінде жүргізуші профилін анықтау әдістері таңдап алынды. Сонымен қатар, әзірленетін жүйенің бизнес-процесстері сипатталды.

Диссертациялық зерттеу жұмысының үшінші бөлімінде - жүргізуші профилін бағалаудың веб-қосымшасын әзірлеу жұмысы сипатталды.

---

Диссертациялық зерттеу барысында жүргізуші профилін анықтау веб-қосымшасы әзірленді. Әзірленген веб-қосымша жүргізушер ақпараттарын талдауға, жүргізуші профилінің кластерін анықтауға мүмкіндік береді. Сонымен қатар, жүйенің қосымша статистикасы (деректер базасы ақпараты, файлдар ақпараттары және т.б.) мәліметтерін көрсетеді.

Пайдаланылған әдебиеттер тізімі

1. 
   Бенгфорт, Б. Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка / Б. Бенгфорт. - СПб.: Питер, 2016. - 400 c.
   
2. 
   Предиктивная аналитика: 7 примеров использования в бизнесе. Блог Ingate: SEO, медийная реклама, интернет-маркетинг. Сілтеме: https://blog.ingate.ru/detail/7-primerov-ispolzovaniyaprediktivnoy-analitiki-v-biznese/ (ашу күні: 01.05.2022).
   
3. 
   Daniel D. Gutierrez. Machine Learning and Data Science: An Introduction to Statistical Learning Methods with R. Technics Publications, 2015. 282 p.
   
4. 
   5 видов регрессии и их свойства – NOP: Nuances of programming. Medium. Сілтеме: https://medium.com/nuances-of-programming/5-видоврегрессии-и-их-свойства-f1bb867aebcb (ашу күні: 03.10.2020).
   
5. 
   Е.З. Демиденко. Линейная и нелинейная регрессия. – М.: Финансы и статистика, 1981. – 302 с.
   
6. 
   Стохастический градиентный спуск. MachineLearning.ru. Сілтеме: http://www.machinelearning.ru/wiki/index.php?title=Стохастический_градиентный_спуск (ашу күні: 03.10.2020).
   
7. 
   Множественная регрессия. Портал знаний StatSoft – электронный учебник по статистике. Сілтеме: http://statsoft.ru/home/textbook/modules/stmulreg.html (ашу күні: 03.04.2022).
   
8. 
   Модель полиномиальной регрессии. Хабр. Сілтеме: https://habr.com/ru/post/414245 (ашу күні: 04.05.2022).
   
9. 
   Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Книга 1. В 2-х кн. М.: Финансы и статистика, 1986. – 366 с. [10] Классификация и регрессия с помощью деревьев принятия решений. Хабр. Сілтеме: https://habr.com/ru/post/116385/ (ашу күні: 06.05.2022).
   
10. 
    Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы Data Mining с использованием R. Электронная книга. Сілтеме: https://github.com/ranalytics/data-mining
    
11. 
    Как легко понять логистическую регрессию. Хабр. Сілтеме: https://habr.com/ru/company/io/blog/265007/. (ашу күні: 08.05.2022).
    
12. 
    Логистическая регрессия и ROC-анализ – математический аппарат. BaseGroupLabs. Сілтеме: https://basegroup.ru/community/articles/logistic (ашу күні: 08.04.2022).
    
13. 
    Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦМНО, 2013. – 390 с.
    
14. 
    Bernhard E. Boser, Isabelle M. Guyon, Vladimir N. Vapnik A training algorithm for optimal margin classifiers. Proceedings of the 5th Annual Workshop on Computational Learning Theory (COLT'92), page 144- 152. Pittsburgh, PA, USA, ACM Press, (July 1992).
    
15. 
    Ансамбли моделей: бустинг и бэггинг. DataReview.info – Ваш проводник в мире анализа данных – Сілтеме: http://datareview.info/article/ansamblimodeley-busting-i-begging/ (ашу күні: 04.05.2022).
    
16. 
    Анналин Ын, Кеннет Су. Теоретический минимум по Big Data. СПб.: Питер, 2019. – 208 с.
    
17. 
    Алгоритм k-ближайших соседей. Data Science – Наука о данных по-русски. Сілтеме: http://datascientist.one/k-nearest-neighbors-algorithm/ (ашу күні: 03.04.2022).
    
18. 
    Шалев-Шварц Шай, Бен-Давид Шай. Идеи машинного обучения. М.: ДМК Пресс, 2019. – 432 с.
    
19. 
    Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. М.: Финансы и статистика, 1989. – 607 с.
    
20. 
    Обучение без учителя: 4 метода кластеризации на Python. ProgLib – библиотека программиста. Сілтеме: https://proglib.io/p/unsupervised-ml-with-python/ (ашу күні: 15.04.2022).
    
21. 
    Иерархическая кластеризация – викиконспекты. Университет ИТМО Сілтеме: http://neerc.ifmo.ru/wiki/index.php?title=Иерархическая_кластеризация (ашу күні: 16.04.2022).
    
22. 
    Иерархическая кластеризация. Создание децентрализованных приложений на блокчейн. Помощь в программировании искусственного интеллекта. Сілтеме: https://craftappmobile.com/иерархическаякластеризация (ашу күні: 16.04.2022).
    
23. 
    Hartigan J. A., Wong, M. A. Algorithm AS136: a kmeans clustering algorithm. Applied Statistics. 1979. Vol. 28. pp. 100-108.
    
24. 
    Алгоритм k средних (k-means). Создание децентрализованных приложений на блокчейн. Помощь в программировании искусственного интеллекта. Сілтеме: http://algowikiproject.org/ru/Алгоритм_k_средних_(k-means) (ашу күні: 17.04.2022).
    
25. 
    Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка, М. С. Олдендерфер, Р. К. Блэшфилд. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989. – 215 с.
    
26. 
    Иберла К. Факторный анализ. М.: Статистика, 1980. – 398 с.
    
27. 
    Что такое архитектура веб-приложений? Сілтеме: https://itanddigital.ru/webapplications#:. (ашу күні: 17.04.2022)
    
28. 
    Чистая Архитектура для веб-приложений. Сілтеме: https://habr.com/ru/post/493430/ (ашу күні: 17.04.2022)
    
29. 
    Общие архитектуры веб-приложений. Сілтеме: https://docs.microsoft.com/ru-ru/dotnet/architecture/modern-web-apps-azure/common-web-application-architectures (ашу күні: 17.04.2022)
    
30. 
    Основы правил проектирования базы данных. Сілтеме: https://habr.com/ru/post/514364/ (ашу күні: 17.04.2022)
    

---