集成学习技术在智能导学系统中的研究与应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·论文的研究背景及意义 | 第8-10页 |
| ·集成学习的研究现状 | 第10-14页 |
| ·集成学习的框架 | 第10-11页 |
| ·集成学习的原理 | 第11页 |
| ·集成学习的研究现状 | 第11-14页 |
| ·主要内容及研究重点 | 第14-15页 |
| ·研究内容 | 第14页 |
| ·研究重点 | 第14-15页 |
| ·论文结构 | 第15页 |
| ·本章小结 | 第15-16页 |
| 2 人工智能 | 第16-22页 |
| ·人工智能 | 第16-18页 |
| ·人工智能定义 | 第16页 |
| ·人工智能的发展过程 | 第16-17页 |
| ·人工智能的研究领域 | 第17-18页 |
| ·人工智能的发展前景 | 第18页 |
| ·人工智能在教育系统中的应用 | 第18-20页 |
| ·人工智能在教育系统中的应用过程 | 第18-19页 |
| ·人工智能在教育系统中的应用及意义 | 第19-20页 |
| ·基于Internet 的智能导学系统 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 数据挖掘技术 | 第22-33页 |
| ·数据挖掘 | 第22-23页 |
| ·数据挖掘对象 | 第22页 |
| ·数据挖掘软件评价标准 | 第22-23页 |
| ·数据挖掘的几种主要规则 | 第23-25页 |
| ·关联规则 | 第23-24页 |
| ·分类与预测 | 第24页 |
| ·聚类规则 | 第24-25页 |
| ·判别规则 | 第25页 |
| ·数据挖掘中的分类算法 | 第25-29页 |
| ·决策树算法 | 第26-27页 |
| ·KNN 算法 | 第27页 |
| ·SVM 算法 | 第27-28页 |
| ·VSM 算法 | 第28页 |
| ·Bayes 算法 | 第28页 |
| ·神经网络 | 第28-29页 |
| ·两种决策树算法的比较 | 第29-31页 |
| ·原分类算法的不足之处 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于集成学习技术的新的分类算法（BODK） | 第33-47页 |
| ·集成学习算法（BODK）设计 | 第33-36页 |
| ·BODK 算法的提出 | 第33-34页 |
| ·BODK 算法的详细步骤 | 第34-35页 |
| ·BODK 算法的改进之处 | 第35-36页 |
| ·BODK 规则树 | 第36-39页 |
| ·BODK 规则树的工作原理 | 第36页 |
| ·BODK 规则树算法 | 第36-38页 |
| ·BODK 规则树的简化 | 第38页 |
| ·BODK 规则树的评价指标 | 第38-39页 |
| ·BODK 规则树的优点 | 第39页 |
| ·BODK 剪枝 | 第39-42页 |
| ·BODK 剪枝的思想 | 第40-41页 |
| ·BODK 剪枝算法的过程 | 第41-42页 |
| ·BODK 算法实现 | 第42-43页 |
| ·BODK 算法分析 | 第43-46页 |
| ·单独使用BODK 规则树的分析 | 第43页 |
| ·单独的BODK 剪枝算法分析 | 第43-44页 |
| ·集成的BODK 算法分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 5 BODK 算法在智能系统中的应用 | 第47-60页 |
| ·BODK 算法中规则树的形成 | 第47-50页 |
| ·智能导学系统数据的预处理 | 第47-48页 |
| ·BODK 规则树在学生分类中的应用 | 第48-50页 |
| ·BODK 剪枝算法的应用 | 第50-54页 |
| ·BODK 算法的结果 | 第54-55页 |
| ·集成学习技术的应用 | 第55-59页 |
| ·注册页面中的应用 | 第55-57页 |
| ·学习方案推荐系统中的应用 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| ·论文总结 | 第60页 |
| ·进一步的研究方向 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65页 |
