面向大规模在线课程的辍学率预测研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和确定选题 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 确定选题 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国内研究 | 第13-14页 |
| 1.2.2 国外研究 | 第14-15页 |
| 1.3 研究目的和意义 | 第15-16页 |
| 1.3.1 研究目的 | 第15页 |
| 1.3.2 研究意义 | 第15-16页 |
| 1.4 研究内容 | 第16-18页 |
| 第二章 相关理论和技术 | 第18-34页 |
| 2.1 数据采集技术 | 第18-21页 |
| 2.1.1 Logstash | 第18-19页 |
| 2.1.2 Elasticsearch | 第19-20页 |
| 2.1.3 Kibana | 第20-21页 |
| 2.2 预测模型相关理论 | 第21-26页 |
| 2.2.1 预测算法 | 第21页 |
| 2.2.2 问题定义 | 第21-22页 |
| 2.2.3 支持向量机原理 | 第22-25页 |
| 2.2.4 支持向量机训练算法 | 第25-26页 |
| 2.3 梯度下降方法 | 第26-28页 |
| 2.3.1 批量梯度下降法 | 第27页 |
| 2.3.2 随机梯度下降法 | 第27页 |
| 2.3.3 小批量梯度下降算法 | 第27-28页 |
| 2.4 基于Spark的SVM | 第28-33页 |
| 2.4.1 Spark架构 | 第28-29页 |
| 2.4.2 Spark计算模型 | 第29-31页 |
| 2.4.3 基于Spark的SVM | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于分布式的权重SVM预测模型 | 第34-49页 |
| 3.1 数据流和模型训练流程设计 | 第34-35页 |
| 3.2 用户行为特征 | 第35-39页 |
| 3.2.1 用户行为事件 | 第35-37页 |
| 3.2.2 事件关系数据 | 第37-38页 |
| 3.2.3 用户行为特征 | 第38-39页 |
| 3.3 用户特征矩阵构建 | 第39-44页 |
| 3.3.1 数据收集模型 | 第40页 |
| 3.3.2 数据过滤机制 | 第40-42页 |
| 3.3.3 用户特征矩阵 | 第42-44页 |
| 3.4 基于分布式的辍学率预测模型 | 第44-48页 |
| 3.4.1 基于主观权重的SVM求解方法 | 第44-45页 |
| 3.4.2 基于Spark的权重SVM | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 用户特征权重模型和PW-SVM实现 | 第49-59页 |
| 4.1 用户特征权重模型构建 | 第49-53页 |
| 4.1.1 构建层次结构模型 | 第49-50页 |
| 4.1.2 构建判断矩阵 | 第50-52页 |
| 4.1.3 权重计算和一致性校验 | 第52-53页 |
| 4.2 基于Spark的PW-SVM实现 | 第53-58页 |
| 4.2.1 线性分布式SVM算法 | 第53-54页 |
| 4.2.2 基于Spark的PW-SVM算法 | 第54-57页 |
| 4.2.3 PW-SVM算法性能分析 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 实验分析 | 第59-64页 |
| 5.1 实验环境 | 第59页 |
| 5.2 实验数据和参数 | 第59页 |
| 5.3 实验结果与分析 | 第59-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士期间发表的论文 | 第69-70页 |
| 致谢 | 第70页 |
