大数据环境下高校学生行为综合分析研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.2.1 国内研究现状 | 第15页 |
| 1.2.2 国外研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第2章 数据预处理 | 第18-24页 |
| 2.1 数据挖掘 | 第18-19页 |
| 2.2 数据清洗 | 第19-20页 |
| 2.3 数据集成 | 第20-21页 |
| 2.4 数据转换 | 第21-22页 |
| 2.5 数据规约 | 第22页 |
| 2.6 数据分析 | 第22页 |
| 2.7 数据预处理工具 | 第22-23页 |
| 2.8 本章小结 | 第23-24页 |
| 第3章 学生行为数据预处理 | 第24-29页 |
| 3.1 引言 | 第24页 |
| 3.2 数据简介 | 第24-25页 |
| 3.3 数据清洗 | 第25-28页 |
| 3.3.1 图书借阅数据清洗 | 第25-26页 |
| 3.3.2 消费数据清洗 | 第26-27页 |
| 3.3.3 成绩数据清洗 | 第27页 |
| 3.3.4 不同维度数据集成 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 学生行为相关性研究 | 第29-37页 |
| 4.1 引言 | 第29页 |
| 4.2 关联规则 | 第29-32页 |
| 4.2.1 Apriori算法 | 第30-31页 |
| 4.2.2 FP-Growth算法 | 第31-32页 |
| 4.3 基于Apriori算法对学生行为的分析 | 第32-35页 |
| 4.3.1 行为数据离散化 | 第32-34页 |
| 4.3.2 行为数据的关联性分析 | 第34-35页 |
| 4.4 本章小结 | 第35-37页 |
| 第5章 学生行为聚类分析研究 | 第37-50页 |
| 5.1 引言 | 第37页 |
| 5.2 聚类算法 | 第37-41页 |
| 5.2.1 K-means算法 | 第37-39页 |
| 5.2.2 DSCAN算法 | 第39-41页 |
| 5.3 学生行为聚类分析 | 第41-49页 |
| 5.3.1 基于K-means算法的聚类分析 | 第41-44页 |
| 5.3.2 基于DSCAN算法的聚类分析 | 第44-49页 |
| 5.4 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 总结 | 第50页 |
| 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 附录A 攻读学位期间成果目录 | 第57页 |
