Бидний тухай
Багш ажилтан
The generation of a substantial volume of data is occurring due to advancements in medical science, population expansion, and environmental and occupational health issues. Hospitals are currently utilizing many software tools to document and manage this data. Additionally, various devices, especially sensor devices, have gained widespread use for recording human biological rhythm information at both healthy and pathological levels. By utilizing personal data, including factors such as age, gender, the prevalence of disease symptoms, medical history, lifestyle behaviours, and other relevant information, there is a growing ability to forecast an individual's vulnerability to certain illnesses. As a result, there is an urgent requirement to gather, retain, analyze, and employ the extensive volume of data produced due to the intricate procedures associated with healthcare provision and public health measures to inform clinical decision-making. Consequently, there is a growing need for professionals with interdisciplinary expertise, including medical acumen and computer science, to analyze and utilize raw data for informed decision-making effectively. This demand exhibits a consistent upward trajectory on an annual basis. Thus, the main aim of this project is to investigate the viability of training professionals with a dual background in medicine and computer science in Mongolia and establish an interdisciplinary joint Master's program as part of the Erasmus+ "DigiHealth" Project. The National University of Mongolia (NUM) has launched a postgraduate program in Data Science to provide individuals with the necessary skills to analyze health-related data in conjunction with medical graduates, physicians, and healthcare practitioners affiliated with the Mongolian National University of Medical Sciences (MNUMS). To enhance medical students and healthcare professionals' knowledge and skills in artificial intelligence, mandatory foundational courses titled "AI in Healthcare" have been incorporated into the undergraduate and graduate programs offered by the School of Biomedicine at MNUMS. This initiative aims to empower local students and specialists in the field, providing them with essential expertise in the intersection of healthcare and artificial intelligence. In addition, the Mongolian National University of Medical Sciences (MNUMS) and the National University of Mongolia (NUM) have collaboratively designed a specialized postgraduate program focused on vocational training. In this context, an ongoing pilot project is being conducted to examine the feasibility of remotely assessing, diagnosing, and delivering oral and dental health counselling through an intraoral camera. This study aims to identify the presence of dental caries among children residing in geographically isolated regions of sparsely inhabited Mongolia.
This paper explores in detail the methods, techniques, and technologies employed to capture a high-definition gigapixel panoramic image of Ulaanbaatar, the capital city of Mongolia. Using specialized equipment including a Canon 6D Mark II camera, a Sigma 50-500mm lens, and a Benro Polaris BR209 panoramic head, a series of 1260 photographs were taken, each with a resolution of 3120 x 2080 pixels. These images were then expertly stitched and edited to produce a seamless panoramic display. We further delve into the complexities of storing such a large image file and the software solutions for presenting this on a web platform
Дэлхий дахинаа цахим шилжилт хийж буй өнөө үед хүн бүрд өдөр тутмын ахуй амьдрал, ажилдаа хэрэгцээ шаардлагад нийцсэн мэдээлэл, боломжит мэдээллийн технологийг хүртээмжтэй, үр бүтээмжтэй ашиглах шаардлага тулгарч байна. Иймд бүх нийтийн мэдээлэл, харилцаа холбооны технологийн тэгш хүртээмжийг нэмэгдүүлэх, ялангуяа хөгжлийн бэрхшээлтэй иргэдийн технологийн хүртээмж, хэрэглээг дээшлүүлэх асуудал чухлаар тавигдаж байна. Бид энэхүү өгүүлэлд хөгжлийн бэрхшээлтэй иргэдийн МХХТ-ийн сурах арга барил, сургалтын онцлог, тэдэнд МХХТ-ийн сургалт зохион байгуулж буй олон улсын туршлагыг танилцуулж, манай улсад энэ чиглэлийн сургалтыг зохион байгуулах талаарх зөвлөмжийг хүргэж байна.
программ хангамжийн бүтээгдэхүүн хурдацтай нэмэгдэж буй өнөө үед программ хангамжийн алдаа, согогийг аль болох эрт урьдчилан таамагласнаар төслийн нийт зардлыг бууруулж, төсөл амжилттай хэрэгжихэд чухал нөлөөтэй. Одоо байгаа программ хангамжийн согогийг урьдчилан таамаглах аргууд нь программ хангамжийн хөгжлийн амьдралын мөчлөгийн (SDLC) хэрэгжүүлэлтийн үе шат эсвэл шалгалтын үе шатанд байгаа эх код дээр тулгуурладаг. Энэ судалгааны ажилд SDLC-ийн зохиомжийн үе шатанд сэжигтэй классыг таамаглах зохиомжийн статик хэмжүүрт суурилсан машин сургалтын аргыг санал болгож байна. Тодруулбал, бид эхлээд жава эх код бүхий PROMISE өгөгдлийн багцаас урвуу инженерчлэлийн аргаар UML статик загвар гарган, түүнээс зохиомжийн статик хэмжүүр бүхий өгөгдлийн багц үүсгэж, сэжигтэй классыг машин сургалтын арга ашиглан таамаглах туршилтыг гүйцэтгэнэ. PROMISE өгөгдлийн багц дээрх туршилтын үр дүнгээс харахад бидний арга нь эх кодоос статик хэмжүүрт суурилсан хувилбараас дутахгүй үр дүн харуулж байгааг батлан харуулна.
Програм хангамжийн бүтээгдэхүүн хурдацтай нэмэгдэж буй өнөө үед програм хангамжийн алдаа, согогийг аль болох эрт урьдчилан таамагласнаар төслийн нийт зардлыг бууруулж, төсөл амжилттай хэрэгжихэд чухал нөлөөтэй. Одоо байгаа програм хангамжийн согогийг урьдчилан таамаглах аргууд нь програм хангамжийн хөгжлийн амьдралын мөчлөгийн (SDLC) хэрэгжүүлэлтийн үе шат эсвэл шалгалтын үе шатанд байгаа эх код дээр тулгуурладаг. Энэ судалгааны ажилд SDLC-ийн зохиомжийн үе шатанд сэжигтэй классыг таамаглах зохиомжийн статик хэмжүүрт суурилсан машин сургалтын аргыг санал болгож байна. Тодруулбал, бид эхлээд жава эх код бүхий PROMISE өгөгдлийн багцаас урвуу инженерчлэлийн аргаар UML статик загвар гарган, түүнээс зохиомжийн статик хэмжүүр бүхий өгөгдлийн багц үүсгэж, сэжигтэй классыг машин сургалтын арга ашиглан таамаглах туршилтыг гүйцэтгэнэ. PROMISE өгөгдлийн багц дээрх туршилтын үр дүнгээс харахад бидний арга нь эх кодоос статик хэмжүүрт суурилсан хувилбараас дутахгүй үр дүн харуулж байгааг батлан харуулна.
Өнөөдөр дэлхийн олон улс орон хөгжлийн бэрхшээлтэй хүний эрх, оролцоо, хамгааллыг дэмжих, тэгш хамруулан сургах боловсролын хүртээмжийг нэмэгдүүлэх, үр бүтээлтэй суралцах орчныг бүрдүүлэх, ялангуяа МХХТ-ийн мэдлэг, ур чадварыг эзэмшүүлэхэд ихээхэн анхаарах болжээ. Манай улс энэ чиглэлээр олон талт арга хэмжээг авч хэрэгжүүлж байгаа хэдий ч хөгжлийн бэрхшээлтэй иргэдэд зориулсан МХХТ-ийн сургалтыг зохион байгуулахад суралцагчдын ялгаатай шинж байдлыг тусгасан тодорхой хөтөлбөр, агуулга байхгүй байна. Бид энэхүү өгүүлэлд хөгжлийн бэрхшээлтэй иргэдийн МХХТ-ийн хэрэглээ, тулгарч буй асуудлууд, тэдгээрийн сурах арга барилын талаар авч үзэн МХХТ-ийн сургалтыг хөгжлийн бэрхшээлтэй иргэдийн бодит хэрэгцээнд тулгуурлан үр ашигтай зохион байгуулах, сургалтын үр өгөөж ба үр дүнг нэмэгдүүлэх зорилгоор сургалтын ерөнхий загвар болон сургалтын үйл ажиллагааны хувилбар загварыг танилцуулж байна.
МХХТ, интернэт хувь хүний өдөр тутмын амьдралын наад захын хэрэглээ болсон өнөө үед хөгжлийн бэрхшээлтэй иргэд нийгмийн болон цахим харилцаанд тэгш оролцох, цахим орчинд аюулгүй ажиллахад МХХТ-ийн мэдлэг, ур чадвартай байх зайлшгүй шаардлага тулгарч байна. Бид энэхүү өгүүлэлд хөгжлийн бэрхшээлтэй иргэдийн МХХТ-ийн хэрэгцээ, зохицуулалт, тэдний мэдээллийн хүртээмж ба МХХТ-ийн ур чадвар, хэрэглээнд тулгарч буй асуудлыг авч үзэж, хөгжлийн бэрхшээлтэй иргэдийн МХХТ-ийн ур чадварыг дээшлүүлэх чиглэлээр авч хэрэгжүүлэх арга хэмжээг санал болгосон болно.
Дэлхийн эрүүл мэндийн байгууллага (ДЭМБ)-аас 2019 оны 12 сард БНХАУ-ын Ухань мужид COVID-19 вирусийн анхны тохиолдол бүртгэгдсэн талаар мэдээлснээс хойш богино хугацаанд дэлхийн ихэнх улс оронд халдвар тархав. Тус халдварын тархалтаас сэргийлэхийн тулд олон нийтийг хамарсан хөл хорио зэргийг тогтоосон байсан ч бага багаар хязгаарлалтуудыг цуцалж байна. Гэсэн хэдий ч тус халдварын хор хөнөөлийг таамаглаж урьдчилан сэргийлэх, цаашид авч хэрэгжүүлэх үйл ажиллагаатай холбогдуулан шийдвэр гаргах шаардлагатай байна. Энэхүү судалгааны ажлаар COVID-19 цар тахал хүн амын дунд тархаж буй тоо хэмжээг 2020 оны 2 сарын 20-оос 2020 оны 9 сарын 30-ыг хүртэлх мэдээлэлд дүн шинжилгээ хийж, Holt Winter’s Exponential болон Damped Trend аргыг ашиглан нэг жилийн хугацаан дахь тархалтыг Дэлхий дахинд болон Монгол Улсын хувьд урьдчилан таамаглалаа. Судалгааны ажлын үр дүнг өнөөгийн нөхцөл байдал өөрчлөгдөхгүйгээр үргэлжлэнэ гэж үзэхэд дэлхий даяар 2021 оны 10 сарын 31 гэхэд нийт халдвар авсан хүний тоо дэлхий дахинд 1,3 тэрбум, Монгол Улсад 608 хүрч, дэлхий дахинд 9,2 сая хүн нас барах хандлага судалгаа харуулж байгаа боловч, гадны болон гэнэтийн хүчин зүйлс нөлөөлвөл таамаглал өөрчлөгдөх магадлалтай юм.
The most important problems (facing higher education institutions) are enhancing quality assurance. Quality assurance is at the heart of academic activities in higher education institutions (HEI) in today’s world. One of the methods to determine the quality of HEI is analyzing and summarize the satisfaction of stakeholders. The most important problems (facing higher education institutions) are enhancing quality assurance. One of the best ways to overcome this problem is by using a decision support framework for quality assurance. That framework is analyzing HEI’s historical data and supporting decision-making activities.
On 31 December 2019, the World Health Organization (WHO) was informed of a cluster of cases of pneumonia of unknown cause detected in Wuhan City, Hubei Province of China. From this time, the disease had spread well outside China, reaching countries in all parts of the globe. In this research, we conducted experiments to predict COVID-19 epidemic trends using Holt's linear trend of exponential smoothing method. In experiments, we used epidemiological data contains confirmed cases, deaths, and recovered cases from 22 January 2020 to 20 April 2020. According to the experimental results, where the current situation would not change, in the first quarter of 2021, the number of confirmed cases is forecasted to reach 30 million, and deaths reach 2.4 million.
Дэлхийн эрүүл мэндийн байгууллага (ДЭМБ)-аас 2019 оны 12 сард БНХАУ-ийн Ухань мужид COVID-19 вирусийн анхны тохиолдол бүртгэгдсэн талаар мэдээлснээс хойш богино хугацаанд дэлхийн ихэнх улс оронд халдвар тархав. Тус халдварын тархалтаас сэргийлэхийн тулд олныг нийтийг хамарсан хөл хорионы дэглэм тогтоод байна. Тиймээс тус халдварын хор хөнөөлийг таамаглаж урьдчилан сэргийлэх, цаашид авч хэрэгжүүлэх үйл ажиллагаатай холбогдуулан шийдвэр гаргах шаардлагатай тулгарч байна. Энэхүү судалгааны ажлаар COVID-19 цар тахал хүн амын дунд тархаж буй тоо хэмжээг 2020 оны 2 сарын 20-оос 4 сарын 23-ийг хүртэлх тархалтын мэдээлэлд дүн шинжилгээ хийж, вирусийн тархалтыг Damped Trend аргыг ашиглан нэг жилийн хугацаанд тархалтыг Дэлхий дахинд болон Монгол Улсын хувьд урьдчилан таамаглалаа. Судалгааны ажлын үр дүнг өнөөгийн нөхцөл байдал өөрчлөгдөхгүйгээр үргэлжлэнэ гэж үзэхэд дэлхий даяар 2021 оны 4 сарын 2 гэхэд нийт халдвар авсан хүний тоо 30 саяд хүрч, 2.50 сая хүн нас барах хандлагатай байна. Харин Монгол Улсын хувьд хяналт сайтай гэж авч үзвэл 2020 оны 6 сарын 17-ны өдөр хүртэл 46 тохиодол илэрч, цаашид тогтворжих хандлага судалгаа харуулж байгаа боловч, гадны болон гэнэтийн хүчин зүйлс нөлөөлвөл таамаглал өөрчлөгдөх магадлалтай юм.
Аливаа байгууллагын үйл ажиллагаа чанартай явагдах нь бүтээгдэхүүн, үйлчилгээний чанарт шууд нөлөөлдөг. Тиймээс дээд боловсролын байгууллагуудад тулгардаг нэгэн томоохон асуудал нь чанарын удирдлагын үйл ажиллагааг сайжруулах арга замыг тодорхойлох юм. Тус асуудлыг шийдэх нэг арга зам нь шийдвэр гаргалтад дэмжлэг үзүүлэх тогтолцоог байгуулах, ашиглах юм. Энэхүү судалгааны ажлаараа дээд боловсролын чанарын баталгаажуулалтыг сайжруулах тогтолцооны ерөнхий загварыг тодорхойлсон. Үүний тулд эхлээд Монгол Улсын Их Сургуулийн (МУИС) сургалтын үйл ажиллагааны бүх процессыг тодорхойлон, сургалтын процесст оролцогч талууд тус бүрийн оролцоо, хоорондын хамтын ажиллагааны загварыг гаргаж, процессыг BPMN –ийг ашиглан загварчилсан. Мөн процесс тус бүр дээрх өгөгдлийн урсгалыг шинжилгээ хийсэн. МУИС-ийн чанарын удирдлагын тогтолцооны ерөнхий загварыг гаргаж, чанарыг сайжруулах аргачлалууд нь хэрхэн хэрэгжиж байгаа талаар дүгнэлтүүд гаргасан.
Early detection of fault-proneness of software components enables verification experts to concentrate their time and resources on the problem areas of the system under development. Some software metrics provide ways to evaluate the quality of software and their use in earlier phases of software development can help organizations access large software development quickly at a low-cost. The goal of this study is to empirically explore ability of the using deep learning for fault-proneness prediction during design phase. In order to meet this goal, we use design metrics of 1583 class information from four different open-source software systems and conduct experiments.
Early detection of fault-proneness of software components enables verification experts to concentrate their time and resources on the problem areas of the system under development. Some software metrics provide ways to evaluate the quality of software and their use in earlier phases of software development can help organizations access large software development quickly at a low-cost. The goal of this study is to empirically explore ability of the using deep learning for fault-proneness prediction during design phase. In order to meet this goal, we use design metrics of 1583 class information from four different open-source software systems and conduct experiments.
Noisy time series prediction is the most challenging issue in many fields. In recent years, although many machine learning methods have been proposed to overcome this problem, it has been less successful. This paper proposed a LSTM-AE approach consisting of Long-Short Term Memory (LSTM) and AutoEncoder (AE) methods for noisy time series prediction. Firstly, we smooth noisy time series data using moving average (MA) process for denoising. Secondly, we construct LSTM model based on the smoothed data. Finally, we add a noisy on our predicted data using AE. In experimental part, we compared various MA processes to determine an efficient smoothing method. The results from this study show that our proposed method works well on noisy time series.
Noisy time series prediction is the most challenging issue in many fields. In recent years, although many machine learning methods have been proposed to overcome this problem, it has been less successful. This paper proposed a LSTM-AE approach consisting of Long-Short Term Memory (LSTM) and AutoEncoder (AE) methods for noisy time series prediction. Firstly, we smooth noisy time series data using moving average (MA) process for denoising. Secondly, we construct LSTM model based on the smoothed data. Finally, we add a noisy on our predicted data using AE. In experimental part, we compared various MA processes to determine an efficient smoothing method. The results from this study show that our proposed method works well on noisy time series.
Quality assurance is at the heart of academic activities in higher education institutions (HEI) in today’s world. The most important problems facing higher education institutions) are enhancing quality assurance. One of the best ways to overcome this problem is using decision support framework for quality assurance. That framework is analyzing HEI’s historical data and supporting decision making activities. At first we have modeled university data flow. In this stage we have designed general framework for University quality management system. In the second step we used Weka to analyze student grading. More than 250 student’s record being analyzed. Similarly, quality improvement factors considered. Finally, we have proposed general framework for Enhancing Higher Education Quality Assurance. Keywords: quality assurance, decision support system, business process analysis
The 11th International Conference FITAT 2018
Maintenance of application software consumes a major portion of the total life cycle cost of a system. The one way of reduce this cost is to predict class fault proneness in early stage of the system development life cycle. The goal of this work is to empirically explore the relationships between design metrics and fault proneness of the class from UML class diagram. In other word by determining faulty design in early stage we may reduce software maintenance cost. To achieve this in a first step we have studied common design metrics and we have selected some design metrics using feature selection method. In a second step we have collected experimental data set which includes 1583 class information of 4 open source software system. In a next step we have determined most appropriate classifier by assessing real world data with six different classification techniques. In a result Random forest were selected. Experimental results show that there is possibility of predicting faulty class from model design and proposed method correctly predicted 66.2% of total design structure related error.
Сүүлийн жилүүдэд даатгал хийлгэдэг иргэн, аж ахуй нэгж байгууллага ихсэж байгаа бөгөөд даатгалын үйл ажиллагаатай холбоотой өгөгдөл улам бүр нэмэгдсээр байна. Тус өгөгдөлд уламжлалт аргаар шинжилгээ хийн цаашдын үйл ажиллагааны шийдвэр гаргалтад ашиглах нь төвөгтэй болж байгаа тул байгууллагын өнөөгийн болон хэтийн төлөвт хэрэг болохуйц хэрэгтэй мэдлэг мэдээлэл гаргаж авахад өгөгдлийн уурхай буюу өгөгдлийн тандалтын аргуудыг ашиглан шинэ мэдлэг мэдээлэл гаргаж авах хэрэгцээ шаардлага бий болсон. Энэхүү судалгааны ажлын зорилго нь HeavenPro даатгалын системийн цугларсан өгөгдөлд дүн шинжилгээ хийн бизнесийн байгууллага болон хэрэглэгчдэд зориулсан шинэ мэдлэг гаргах боломжийг судалсан. Үүний тулд тус системд хуримтлагдсан өгөгдөлд тулгуурлан судалгааны эхний шатанд Албан журмын жолоочийн хариуцлагын даатгал дээрх нөхөн төлбөр авсан харилцагчийн нас, хүйс, тохиолдол гарсан аймаг/хот, сум/дүүргийн байршил, огноо болон тээврийн хэрэгсэлтэй холбоотой нийт 5206 бичлэг, 12 талбар бүхий өгөгдлийн багц дээр анализ хийсэн. Монголд даатгалын байгууллагын системийн их өгөгдөлд өгөгдлийн уурхайн алгоритм болон арга техник ашиглан тандалт хийсэн судалгааны ажил одоогийн байдлаар хараахан хийгдээгүй байна
