Підготовка майбутніх фахівців ІТ-технологій у закладах фахової передвищої освіти до розробки нейронних мереж

Abstract

У магістерській роботі розроблено, теоретично обґрунтовано та експериментально перевірено методику навчання розробці нейронних мереж для студентів фахових коледжів, спрямовану на формування інженерних компетентностей рівня НРК 5. Дослідження ґрунтується на п’ятиетапній дидактичній моделі, що інтегрує повний життєвий цикл машинного навчання: від інженерії даних та анотації датасетів до архітектурного проєктування, налаштування конвеєра навчання, валідації моделей та їхнього базового деплою. Методика враховує психолого-педагогічні особливості засвоєння складних алгоритмічних дисциплін, застосовує трансферне навчання як дидактичний інструмент подолання обчислювальних обмежень, scaffolded-підхід для поступового зняття когнітивного навантаження та hands-on методологію, що забезпечує раннє залучення студентів до практичної діяльності з використанням сучасного фреймворку TensorFlow/Keras. У роботі також запропоновано критеріально-діагностичний апарат оцінювання, який поєднує технічні метрики машинного навчання з педагогічними рівнями сформованості професійних умінь, та розроблено готовий до інтеграції навчально-методичний комплекс, адаптований до інфраструктурних та організаційних умов закладів фахової передвищої освіти України. Робота складається з 87 сторінок основного тексту, який включає 7 рисунків, 5 таблиць.

This master’s thesis develops, theoretically substantiates and experimentally verifies a methodology for teaching the development of neural networks to vocational college students, aimed at fostering engineering competences at NQF Level 5. The research is based on a five-stage didactic model that integrates the full life cycle of machine learning: from data engineering and dataset annotation to architectural design, training pipeline configuration, model validation and their basic deployment. The methodology takes into account the psychological and pedagogical characteristics of learning complex algorithmic disciplines, applies transfer learning as a didactic tool to overcome computational constraints, a scaffolded approach to gradually reduce cognitive load, and a hands -on methodology, which ensures the early involvement of students in practical activities using the modern TensorFlow/Keras framework. The paper also proposes a criteria-based diagnostic assessment framework that combines technical machine learning metrics with pedagogical levels of professional skill development, and presents a ready-to-integrate teaching and learning package adapted to the infrastructural and organisational conditions of pre-higher vocational education institutions in Ukraine. The paper consists of 87 pages of main text, including 7 figures, 5 tables.