| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究的主要内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 数据挖掘相关技术研究 | 第16-25页 |
| 2.1 数据挖掘理论 | 第16-22页 |
| 2.1.1 Data Mining的定义 | 第16-17页 |
| 2.1.2 数据挖掘的应用 | 第17-21页 |
| 2.1.3 数据挖掘的发展 | 第21-22页 |
| 2.2 数据挖掘经典算法 | 第22-24页 |
| 2.2.1 关联规则 | 第22-23页 |
| 2.2.2 聚类分析 | 第23页 |
| 2.2.3 其他数据挖掘算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 一种基于影响因子与映射的改进Apriori算法 | 第25-39页 |
| 3.1 经典Apriori算法 | 第25-31页 |
| 3.1.1 Apriori算法原理 | 第25-28页 |
| 3.1.2 Apriori算法的局限性 | 第28-30页 |
| 3.1.3 Apriori的相关改进 | 第30-31页 |
| 3.2 基于影响因子的Apriori映射算法 | 第31-36页 |
| 3.2.1 事务型数据的映射 | 第31-33页 |
| 3.2.2 用户影响因子的引入 | 第33-35页 |
| 3.2.3 NAIM算法描述与说明 | 第35-36页 |
| 3.3 算法性能验证及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 改进算法在教学评价与就业分析中的应用 | 第39-55页 |
| 4.1 算法处理步骤 | 第39-40页 |
| 4.2 数据的收集与预处理 | 第40-47页 |
| 4.2.1 数据的选择 | 第40-42页 |
| 4.2.2 数据的预处理 | 第42-45页 |
| 4.2.3 数据的转换 | 第45-46页 |
| 4.2.4 数据缩减 | 第46-47页 |
| 4.3 改进算法在职高教学评价工作中的应用 | 第47-50页 |
| 4.3.1 指标体系的建立与数据准备 | 第47页 |
| 4.3.2 算法在教学评价中的应用 | 第47-49页 |
| 4.3.3 结果分析与合理化建议 | 第49-50页 |
| 4.4 改进算法在职高就业分析工作中的应用 | 第50-54页 |
| 4.4.1 就业分析的必要性 | 第50-51页 |
| 4.4.2 算法在就业分析中的应用 | 第51-53页 |
| 4.4.3 结果分析及建议 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 个人简历 | 第62页 |