ВИКОРИСТАННЯ БІБЛІОТЕК TENSORFLOW/KERAS ДЛЯ НАВЧАННЯ НЕЙРОННИХ МЕРЕЖ У ПІДГОТОВЦІ БАКАЛАВРІВ З ПРОФЕСІЙНОЇ ОСВІТИ КОМП’ЮТЕРНОГО ПРОФІЛЮ

С. В. КОЗІБРОДА Тернопільський національний педагогічний університет імені Володимира Гнатюка https://orcid.org/0000-0003-4218-0671
Ю. П. ФРАНКО Ternopil Volodymyr Hnatiuk National Pedagogical University https://orcid.org/0000-0002-1464-1162
Д. І. КЛУБКО Тернопільський національний педагогічний університет імені Володимира Гнатюка https://orcid.org/0009-0001-7063-2818

Ключові слова: TensorFlow, Keras, нейронні мережі, професійна освіта, цифрові технології, штучний інтелект, машинне навчання

Анотація

DOI: https://doi.org/10.26565/2074-8922-2025-85-13

Мета. Метою дослідження є аналіз потенціалу використання бібліотек TensorFlow і Keras у процесі навчання нейронних мереж під час підготовки бакалаврів з професійної освіти комп’ютерного профілю, а також розроблення методики їх ефективної інтеграції в освітній процес. Особливу увагу зосереджено на тому, як практичне застосування цих бібліотек сприяє формуванню цифрових компетентностей і розвитку аналітичного мислення майбутніх інженерів-педагогів.

Методи. Дослідження проведено на основі систематичного аналізу наукових публікацій за період 2019–2025 років у базах даних Scopus, Web of Science та Google Scholar, присвячених питанням використання TensorFlow і Keras в освіті. Застосовано порівняльний аналіз вітчизняного та зарубіжного досвіду підготовки фахівців у галузі штучного інтелекту, а також метод педагогічного моделювання, у межах якого розроблено методику навчання студентів створенню, навчанню та оцінці нейронних мереж із використанням бібліотек TensorFlow і Keras.

Результати. У ході дослідження обґрунтовано методику підготовки студентів до роботи з нейронними мережами на основі бібліотек TensorFlow і Keras. Вона передбачає поетапне опанування процесів побудови, навчання та оцінювання моделей машинного навчання, що сприяє розвитку практичних навичок програмної реалізації інтелектуальних систем. Запропонована методика спрямована на формування у студентів розуміння архітектури нейронних мереж, принципів їх оптимізації та практичного застосування у професійній діяльності.

Висновки. Використання бібліотек TensorFlow і Keras у підготовці бакалаврів з професійної освіти комп’ютерного профілю відкриває нові можливості для практичного засвоєння технологій штучного інтелекту та розвитку інженерно-педагогічних компетентностей. Перспективи подальших досліджень полягають у визначенні педагогічних умов ефективного впровадження розробленої методики, оцінці її впливу на якість професійної підготовки та можливостях адаптації в інших освітніх програмах технічного спрямування.

Як цитувати: Козіброда С. В., Франко Ю. П., Клубко Д. І. Використання бібліотек tensorflow/keras для навчання нейронних мереж у підготовці бакалаврів з професійної освіти комп’ютерного профілю. Проблеми інженерно-педагогічної освіти. 2025. Вип. 85. С.149-162. https://doi.org/10.26565/2074-8922-2025-85-13

Завантаження

##plugins.generic.usageStats.noStats##

Посилання

1. Zinovieva, O. H. (2024). Overview of software for working with neural networks. Visnyk of Kherson National Technical University, 2(89), 157–161. https://doi.org/10.35546/kntu2078-4481.2024.2.22 (In Ukrainian).
2. Kovalenko, O. E., Kovalenko, D. V., Briukhanova, N. O., Melnichenko, O. O. (2017). A modern approach to determining and developing the main components of the educational program for training specialists in specialty 015 "Vocational education (for specializations)". Problems of Engineering Pedagogic Education, 56–57, 6–18. http://nbuv.gov.ua/UJRN/Pipo_2017_56-57_3 (In Ukrainian).
3. Kryvokhata, A. H., Gevorgyan, A. A. (2020). Review of software tools for working with neural networks. In Priority Directions of Science and Technology Development: Proceedings of the III International Scientific and Practical Conference (November 22-24, 2020) (pp. 444–449). Kyiv: Scientific Publishing Center Sci-conf.com.ua. https://sci-conf.com.ua/wp-content/uploads/2020/11/PRIORITY-DIRECTIONS-OF-SCIENCE-AND-TECHNOLOGY-DEVELOPMENT-22-24.11.20.pdf (In Ukrainian).
4. Liubarets, V., Lyubima, A. (2022). Establishing the competitiveness of future specialist junior bachelor’s in software engineering. Higher Education of Ukraine, 1–2, 38–43. https://doi.org/10.31392/NPU-VOU.2022.1-2(84-85).05 (In Ukrainian).
5. Orap, M., Vovk, V. (2022). The model of the development of the future specialists’ competitiveness: theoretical and practical fundamentals. Psychology: Reality and Perspectives, (19), 80–92. https://doi.org/10.35619/PRAPRV.V1I19.315 (In Ukrainian).
6. Tsidylo, I. M., Kozibroda, S. V. (2017). Model of the system of training future engineers-teachers in the field of computer technologies for the study and application of ontologies of computer systems. Scientific Notes of Rivne State Humanities University: Updating the content, forms and methods of teaching and upbringing in educational institutions, 16(59), 154–158. http://nbuv.gov.ua/UJRN/Ozfm_2017_16_49 (In Ukrainian).
7. Tsidylo, I. M., Kozibroda, S. V. (2018). Systems of computer ontologies as a means to form future engineering teachers’ design competences. Information Technologies and Learning Tools, 63(1), 251–265. https://doi.org/10.33407/itlt.v63i1.1838 (In Ukrainian).
8. Yaremenko, V. S., Tarasenko, M. V. (2019). Comparative analysis of software libraries for text data classification using artificial neural networks. Scientific notes of Taurida National V.I. Vernadsky University, 30(69), 1(3), 214–218. https://doi.org/10.32838/2663-5941/2019.3-1/38 (In Ukrainian).
9. Andreykiv, O., Dolinska, I., Nastasiak, S., Liubchak, M., Kozibroda, S. (2024). Mathematical modeling of the influence of natural factors on the durability of critical structural elements. In Proceedings of the 14th International Conference on Advanced Computer Information Technologies (ACIT) 19-21 Sept. 2024 (pp. 112–115). Ceske Budejovice, Czech Republic. https://doi.org/10.1109/ACIT62333.2024.10712531 (In Ukrainian).
10. Buyak, B., Tsidylo, I., Kozibroda, S., Repskyi, V. (2018). Ontological model of representation of university resources. In ICT in Education, Research, and Industrial Applications: Integration, Harmonization, and Knowledge Transfer (pp. 29–40). https://ceur-ws.org/Vol-2393/paper_228.pdf (In Ukrainian).
11. Chicho, V. T., Sallow, A. B. (2021). A comprehensive survey of deep learning models based on the Keras framework. Journal of Soft Computing and Data Mining, 2(2), 49–62. https://doi.org/10.30880/JSCDM.2021.02.02.005
12. Dragan, P., Joshi, K., Atzei, A., Latek, D. (2023). Keras/TensorFlow in drug design for immunity disorders. International Journal of Molecular Sciences, 24(19), Article 15009. https://doi.org/10.3390/ijms241915009
13. Gupta, D. (2023). Image segmentation in Keras: Implementation of SegNet, FCN, UNet, PSPNet and other models in Keras. Computer Science and Engineering. https://doi.org/10.48550/arXiv.2307.13215
14. Melnyk, A., Pasichnyk, R., Androshchuk, U., Honchar, L., Vatslavskyi, O., Kozibroda, S. (2023). Ontology as a software superstructure to a system for mathematical modeling based on interval data. In Proceedings of the 13th International Conference on ACIT 21-23 Sept. 2023 (pp. 543–548). Wrocław, Poland. https://doi.org/10.1109/ACIT58437.2023.10275570 (In Ukrainian).
15. Melnyk, A., Tymchyshyn, V., Shcherbiak, I., Kozibroda, S., Shevchuk, A., Mudrak, R., Hudratian, S. (2025). AI-powered knowledge assessment: Application of GPT models in educational testing. In 2025 15th International Conference on ACIT 17-19 September (pp. 997–1001). https://doi.org/10.1109/ACIT65614.2025.11185592 (In Ukrainian).
16. Watson, M., Sreepathihalli, D. S., Chollet, F., et al. (2024). KerasCV and KerasNLP: Multi-framework models. Journal of Machine Learning Research, 25(1), 18368 - 18377. https://dl.acm.org/doi/pdf/10.5555/3722577.3722952
17. Yapıcı, M. M., Topaloğlu, N. (2021). Performance comparison of deep learning frameworks. Computers and Informatics, 1(1), 1–11. https://dergipark.org.tr/en/download/article-file/1201877