Информация о материале

Опубликовано: 06 августа 2019

Просмотров: 507

Муминова Л.Р., Махкамова У.А.

 Муминова Лола Рахимовна - доктор педагогических наук, профессор, заместитель директора;

 Махкамова Умида Абдусаттаровна - научный сотрудник,

Республиканский центр социальной адаптации детей,

г. Ташкент, Республика Узбекистан

Аннотация: в статье раскрываются вопросы применения информационной технологии в специальном образовании. Компьютерная программа эффективна при логопедической работе с детьми с речевыми нарушениями.

Ключевые слова: дети с нарушениями речи, технология, компьютер, программа, педагогический процесс, индивидуализация, обучение, коррекция.

Список литературы

1. Кукушкина О.И. Компьютер в специальном обучении: проблемы, поиски, подходы // Дефектология. М., 1994. № 5.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Муминова Л.Р., Махкамова У.А. ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В КОРРЕКЦИИ НАРУШЕНИЙ РЕЧИ У ДЕТЕЙ // Наука и образование сегодня № 8(43), 2019 - С. {см. журнал}.

Информация о материале

Опубликовано: 01 августа 2019

Просмотров: 872

Серебрякова К.В.

Серебрякова Ксения Витальевна – студент, магистерская программа: правовые, криминологические и организационно методические основы прокурорской деятельности, кафедра прокурорского надзора и криминологии, Институт магистратуры и аспирантуры, Саратовская государственная юридическая академия, г. Саратов

Аннотация: в статье рассматриваются направления деятельности Генеральной прокуратуры РФ по сотрудничеству с международными органами и организациями. Более подробно раскрывается взаимодействие в рамках сотрудничества ООН и СНГ.   

Ключевые слова: Генеральная прокуратура РФ, международное сотрудничество, Содружество независимых государств, Конвенция ООН, противодействие коррупции.

Список литературы

1. Информационно-аналитический бюллетень Национального центрального бюро Интерпола в России, 1998. № 25. 15 с.
2. Федеральный закон от 15.07.1995 № 101-ФЗ (ред. от 12.03.2014) «О международных договорах Российской Федерации» // СЗ РФ, 1995. № 29. Ст. 2757, 2014. № 11. Ст. 1094.
3. Левченкова Е.А. Правовая политика государства и ее приоритеты в сфере правоохранительной деятельности органов внутренних дел (теоретико-правовой аспект). Доц., канд. юрид. наук. СПб., 2004. 155-156 с.
4. Раскина Т.В. Состояние коррупционной преступности в органах внутренних дел Российской Федерации и перспективные нaправления противодействия ей. Государственная власть и местное самоуправление, 2012. № 11. С. 41-42.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Серебрякова К.В. УЧАСТИЕ ПРОКУРАТУРЫ РОССИЙСКОЙ ФЕДЕРАЦИИ В МЕЖДУНАРОДНЫХ ОРГАНИЗАЦИЯХ // Наука и образование сегодня № 8(43), 2019 - С. {см. журнал}.

Информация о материале

Опубликовано: 24 июля 2019

Просмотров: 886

Завертнев В.А., Комлацкий Г.В.

Завертнев Владимир Анатольевич - заместитель генерального директора по свиноводству,

 ООО «Мегамикс», г. Волгоград;

Комлацкий Григорий Васильевич - доктор сельскохозяйственных наук, профессор,

 кафедра институциональной экономики и инвестиционного менеджмента, экономический факультет,

Кубанский государственный аграрный университет им. И.Т. Трубилина, г. Краснодар

Аннотация: проведены исследования по влиянию подкислителей на биохимические процессы поросят-отъемышей. В производственных условиях подтверждена целесообразность использования муравьиной кислотой корма для поросят-отъемышей.

Ключевые слова: поросята-отъемыши, рН кишечника, сохранность, продуктивность, муравьиная кислота

Список литературы

1. Крюков В.С., Тарасенко В.И. Биологические и практические аспекты применения органических кислот в кормлении свиней // «РацВетИнформ», 2011. № 1. С. 29-36.
2. Подобед Л.И. Роль подкислителей в повышении продуктивности животных // ж. «Комбикорма», 2013. № 10. С. 14-16.
3. Шварцер К. Применение подкислителей в свиноводстве и птицеводстве. [Электронный ресурс]. Режим доступа: wwwagravis.ru/ (дата обращения: 22.07.2019).

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Завертнев В.А., Комлацкий Г.В. ВЛИЯНИЕ ПОДКИСЛИТЕЛЕЙ НА ОПТИМИЗАЦИЮ БИОХИМИЧЕСКИХ ПРОЦЕССОВ У ПОРОСЯТ // Наука и образование сегодня № 8(43), 2019 - С. {см. журнал}.

Информация о материале

Опубликовано: 24 июля 2019

Просмотров: 553

Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н.

Усов Алексей Евгеньевич – ведущий архитектор;

Варламов Александр Александрович – старший архитектор;

Бабкин Олег Вячеславович – старший архитектор;

Дос Евгений Владимирович – архитектор;

Мостовщиков Дмитрий Николаевич – старший архитектор,

 системный интегратор «Li9 Technology Solutions»,

г. Райли, Соединенные Штаты Америки

Аннотация: рассмотрены методы применения полуавтоматической кластеризации в практической задаче обработки наборов частично помеченных данных. Проведен анализ алгоритмов, использующих жесткие ограничения по наличию и отсутствию определенных типов данных в кластере. Показан приоритет современного подхода, в рамках которого предлагается использовать полуавтоматическую кластеризацию с мягкими попарными ограничениями. В основу данного подхода было предложено положить алгоритмы, которые базируются на методе нечетких c-средних. В частности, для решения поставленной задачи с точки зрения мягких ограничений были модифицированы алгоритмы энтропийной регуляризованной кластеризации c‑средних и неопределенной ядерной кластеризации c‑средних. Также был предложен подход, который включает в алгоритм попарные ограничения в том случае, когда мягкие ограничения не дают достаточного уровня эффективности кластеризации набора данных.

Ключевые слова: полуавтоматическая кластеризация, метод нечетких c-средних, метод энтропийной кластеризации c‑средних, метод неопределенной ядерной кластеризации c‑средних, bFCM, eFCM, RFCM.

Список литературы / References

1. Lee S., Kim J. & Jeong Y., Various Validity Indices for Fuzzy K-means Clustering. Korean Management Review. 46 (4), 1201-1226. doi:10.17287/kmr.2017.46.4.1201.
2. Chen S., 2017. An improved fuzzy decision analysis framework with fuzzy Mahalanobis distances for individual investment effect appraisal. Management Decision, 55(5), 935-956. doi:10.1108/md-11-2015-0512.
3. Lee J. & Lee J., K-means clustering based SVM ensemble methods for imbalanced data problem. 2014 Joint 7th International Conference on Soft Computing and Intelligent Systems (SCIS) and 15th International Symposium on Advanced Intelligent Systems (ISIS). doi:10.1109/scis-isis.2014.7044861.
4. A New Membership Function on Hexagonal Fuzzy Numbers. (2015). International Journal of Science and Research (IJSR), 5(5), 1129-1131. doi:10.21275/v5i5.nov163626.
5. Miyamoto S.H., Ichihashi Н. and Honda К. Algorithms for Fuzzy Clustering, Springer, 2008.
6. Miyamoto S. and Umayahara К. “Fuzzy clustering by quadratic regularization,” Proc. 1998 IEEE Int. Conf. Fuzzy Systems and IEEE World Congr. Computational Intelligence. Vol. 2. Pp. 1394–1399, 1998.
7. Lewis R.H., Paláncz B. & Awange J., Application of Dixon resultant to maximization of the likelihood function of Gaussian mixture distribution. ACM Communications in Computer Algebra, 49(2), 57-57. doi:10.1145/2815111.2815138.
8. Honda К., Oshio S. and Notsu А. “Fuzzy co-clustering induced by multinomial mixture models,” Journal of Advanced Computational Intelligence and Intelligent Informatics. Vol. 19. № 6. 717–726, 2015.
9. Kumar P. & Chaturvedi A., Probabilistic query generation and fuzzy c-means clustering for energy-efficient operation in wireless sensor networks. International Journal of Communication Systems, 29(8), 1439-1450. doi:10.1002/dac.3112.
10. Raveendran R. & Huang B., Mixture Probabilistic PCA for Process Monitoring - Collapsed Variational Bayesian Approach. IFAC-PapersOnLine, 49(7), 1032-1037. doi:10.1016/j.ifacol.2016.07.338.
11. Miyamoto S. and Umayahara K.: “Methods in Hard and Fuzzy Clustering,” in: Liu, Z.-Q. and Miyamoto, S. (eds), Soft Computing and Human-centered Machines, Springer-Verlag Tokyo, 2000.
12. Graves D. & Pedrycz W., Kernel-based fuzzy clustering and fuzzy clustering: A comparative experimental study. Fuzzy Sets and Systems, 161(4), 522-543. doi:10.1016/j.fss.2009.10.021.
13. Hathaway R.J., Overstreet D.D., Murphy T.E. & Bezdek J.C., Relational data clustering with incomplete data. Applications and Science of Computational Intelligence IV. doi:10.1117/12.421178.
14. Hathaway R., Huband J. & Bezdek J. (n.d.). Kernelized Non-Euclidean Relational Fuzzy c-Means Algorithm. The 14th IEEE International Conference on Fuzzy Systems, 2005. FUZZ 05. doi:10.1109/fuzzy.2005.1452429.
15. Kanzawa Y.: “Entropy-Regularized Fuzzy Clustering for Non-Euclidean Relational Data and Indefinite Kernel Data,” JACIII. Vol. 16, № 7. Р 784–792, 2012.
16. Miyamoto S. and Suizu D.: “Fuzzyc-Means Clustering Using Kernel Functions in Support Vector Machines,” JACIII, Vol. 7, No. 1, pp. 25–30, 2003.
17. Miyamoto S., Kawasaki Y. and Sawazaki K.: “An Explicit Mapping for Kernel Data Analysis and Application to Text Analysis,” Proc. IFSA-EUSFLAT 2009, Р 618–623, 2009.
18. Kanzawa Y., Endo Y. and Miyamoto S.: “Indefinite Kernel Fuzzyc-Means Clustering Algorithms,” Lecture Notes in Computer Science, Vol. 6408, Р 116–128, 2010.
19. Bouchachia A. and Pedrycz W.: “Data Clustering with Partial Supervision,” Data Mining and Knowledge Discovery. Vol. 12. Р 47–78, 2006.
20. Yamazaki M., Miyamoto S. and Lee I.-J.: “Semi-supervised Clustering with Two Types of Additional Functions,” Proc. 24th Fuzzy System Symposium. 2E2-01, 2009.
21. Macario V. & Francisco De A.T. De Carvalho, A new approach for semi-supervised clustering based on Fuzzy C-Means. International Conference on Fuzzy Systems. doi:10.1109/fuzzy.2010.5584306.
22. Yamashiro M., Endo Y., Hamasuna Y. and Miyamoto S.: “A Study on Semi-supervised Fuzzy c-Means,” Proc. 24th Fuzzy System Symposium, 2E3-04, 2009.
23. Kanzawa Y., Endo Y. and Miyamoto S.: “A Semi-Supervised Entropy Regularized Fuzzy c-Means,” Proc. 2009 International Symposium on Nonlinear Theory and Its Applications, Р 564–567, 2009.
24. Liu L. & Wu X., Semi-Supervised Possibilistic Fuzzy c-Means Clustering Algorithm on Maximized Central Distance. Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering (ICCSEE 2013). doi:10.2991/iccsee.2013.342.
25. Kanzawa Y., Endo Y. and Miyamoto S: “Some Pairwise Constrained Semi-Supervised Fuzzy c-Means Clustering,” LNAI, Vol. 5681, Pp. 268–281, 2009.
26. Thong P.H. & Son L.H., An Overview of Semi-Supervised Fuzzy Clustering Algorithms. International Journal of Engineering and Technology. 8 (4), 301-306. doi:10.7763/ijet.2016.v6.902.
27. Kanzawa Y., Endo Y. and Miyamoto S.: “Semi-Supervised Fuzzy c-Means Algorithm by Revising Dissimilarity Between Data,” JACIII. Vol. 15, № 1. Pp. 95–101, 2011.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н. ПОСТРОЕНИЕ НЕЧЕТКИХ АЛГОРИТМОВ ПОЛУАВТОМАТИЧЕСКОГО ОБУЧЕНИЯ НА ОСНОВЕ МАТРИЦ РАЗЛИЧИЙ И ЯДЕРНЫХ МАТРИЦ // Наука и образование сегодня № 8(43), 2019 - С. {см. журнал}.