| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题研究背景与意义 | 第8-9页 |
| ·研究背景 | 第8-9页 |
| ·实际意义 | 第9页 |
| ·主要研究内容 | 第9-10页 |
| ·本文的章节结构 | 第10-11页 |
| 第二章 数据挖掘的基本知识 | 第11-23页 |
| ·数据挖掘的相关概念 | 第11-14页 |
| ·数据挖掘的国内外现状 | 第11-12页 |
| ·数据挖掘的定义 | 第12页 |
| ·数据挖掘的过程 | 第12-14页 |
| ·数据挖掘的分类 | 第14页 |
| ·聚类规则挖掘 | 第14-16页 |
| ·聚类的介绍 | 第14页 |
| ·聚类的应用与算法介绍 | 第14-15页 |
| ·k-均值(K-means)算法简介 | 第15-16页 |
| ·数据分类规则挖掘 | 第16-19页 |
| ·数据分类的介绍 | 第16页 |
| ·数据分类的应用及常用方法 | 第16页 |
| ·决策树方法 | 第16-19页 |
| ·关联规则挖掘 | 第19-22页 |
| ·关联规则的定义 | 第19页 |
| ·关联规则的应用 | 第19-20页 |
| ·关联规则的数学表示 | 第20-21页 |
| ·Apriori算法介绍 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 聚类规则挖掘在课程推荐模块的运用 | 第23-35页 |
| ·个性化推荐技术介绍 | 第23-25页 |
| ·个性化推荐涵义 | 第23页 |
| ·个性化推荐方法分类 | 第23-24页 |
| ·基于聚类的协同过滤推荐技术 | 第24-25页 |
| ·推荐技术在终身教学平台中的设计与实现 | 第25-34页 |
| ·基于聚类的协同过滤推荐系统流程 | 第26页 |
| ·获取数据 | 第26-28页 |
| ·数据预处理 | 第28-30页 |
| ·用户聚类 | 第30-31页 |
| ·计算相似度 | 第31-32页 |
| ·寻找近邻 | 第32-33页 |
| ·形成推荐 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 决策树分类规则挖掘在成绩分析中的运用 | 第35-47页 |
| ·考试系统与成绩分析 | 第35-36页 |
| ·考试系统中成绩分析的重要性 | 第35页 |
| ·现在对成绩评估的不足 | 第35-36页 |
| ·数据挖掘在成绩分析中的应用 | 第36-46页 |
| ·数据挖掘在考试系统中的作用 | 第36页 |
| ·数据采集 | 第36-38页 |
| ·数据预处理 | 第38-39页 |
| ·数据分类规则挖掘 | 第39-45页 |
| ·生成决策规则 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 统计分析与关联规则挖掘在辅助教师决策中的应用 | 第47-55页 |
| ·学习者信息分析 | 第47-48页 |
| ·学习者情况分析的重要性 | 第47页 |
| ·数据挖掘与学习者信息分析 | 第47-48页 |
| ·学习者信息分析系统设计 | 第48-54页 |
| ·学习者信息分析系统结构 | 第48页 |
| ·数据采集 | 第48-49页 |
| ·统计分析模块设计 | 第49-50页 |
| ·关联规则挖掘模块设计 | 第50-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 结论与展望 | 第55-56页 |
| ·论文总结 | 第55页 |
| ·工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-58页 |