摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第10-14页 |
1.1 课题背景 | 第10-11页 |
1.2 国内外研究状况 | 第11-12页 |
1.3 论文研究工作与内容 | 第12-13页 |
1.4 论文的结构 | 第13-14页 |
第二章 数据挖掘技术 | 第14-22页 |
2.1 数据挖掘技术概述 | 第14-15页 |
2.1.1 数据挖掘技术的发展状况 | 第14页 |
2.1.2 挖掘流程概述 | 第14-15页 |
2.2 数据预处理 | 第15-17页 |
2.2.1 数据清洗 | 第15-16页 |
2.2.2 数据集成 | 第16页 |
2.2.3 数据转换 | 第16页 |
2.2.4 数据归约 | 第16-17页 |
2.3 数据挖掘技术常用方法 | 第17-21页 |
2.3.1 统计分析 | 第17页 |
2.3.2 分类分析 | 第17-20页 |
2.3.3 聚类分析 | 第20-21页 |
2.3.4 关联分析 | 第21页 |
2.4 本章小结 | 第21-22页 |
第三章 智慧校园数据挖掘平台的设计 | 第22-34页 |
3.1 智慧校园数据挖掘平台的框架设计 | 第22-23页 |
3.1.1 B/S 架构 | 第22页 |
3.1.2 智慧校园数据挖掘系统的框架 | 第22-23页 |
3.2 数据设计 | 第23-24页 |
3.3 智慧校园数据挖掘平台的功能设计 | 第24-27页 |
3.3.1 用户管理 | 第25页 |
3.3.2 数据管理 | 第25-26页 |
3.3.3 数据挖掘 | 第26-27页 |
3.4 数据挖掘可视化 | 第27-32页 |
3.4.1 数据可视化 | 第28页 |
3.4.2 数据挖掘过程可视化 | 第28页 |
3.4.3 挖掘结果可视化 | 第28-32页 |
3.5 本章小结 | 第32-34页 |
第四章 数据挖掘算法的分析及改进 | 第34-46页 |
4.1 分类算法 | 第34-40页 |
4.1.1 分类算法的选择 | 第34页 |
4.1.2 C4.5 算法 | 第34-36页 |
4.1.3 C4.5算法存在问题 | 第36页 |
4.1.4 改进的C4.5算法 | 第36-40页 |
4.2 聚类算法 | 第40-42页 |
4.2.1 聚类算法的选择 | 第41页 |
4.2.2 k-means聚类算法 | 第41-42页 |
4.3 Apriori关联算法 | 第42-44页 |
4.3.1 Apriori 算法的原理 | 第42页 |
4.3.2 Apriori 算法的实现步骤 | 第42-44页 |
4.4 本章小结 | 第44-46页 |
第五章 智慧校园数据挖掘平台的实现 | 第46-64页 |
5.1 平台实现相关技术介绍 | 第46-47页 |
5.1.1 Servlet 技术 | 第46页 |
5.1.2 JSON | 第46-47页 |
5.1.3 Amcharts、Highcharts 组件 | 第47页 |
5.2 智慧校园数据挖掘平台的实现环境 | 第47-48页 |
5.3 智慧校园数据挖掘平台的实现 | 第48-51页 |
5.3.1 客户端发送请求和接受响应 | 第48-49页 |
5.3.2 服务器接收和响应请求 | 第49-50页 |
5.3.3 智慧校园数据挖掘的实现 | 第50-51页 |
5.4 后勤相关的数据分析 | 第51-53页 |
5.4.1 洗浴相关分析 | 第51-52页 |
5.4.2 超市(餐厅)相关分析 | 第52页 |
5.4.3 群体消费差异分析 | 第52-53页 |
5.5 学生相关的数据挖掘 | 第53-56页 |
5.5.1 学生消费分析 | 第53-54页 |
5.5.2 基于改进的C4.5算法学生分类的实现及其结果可视化 | 第54-56页 |
5.6 教务相关的数据挖掘 | 第56-62页 |
5.6.1 基于k-means算法消费聚类的实现及其结果可视化 | 第56-58页 |
5.6.2 基于k-means算法的出勤信息聚类及其结果可视化 | 第58-59页 |
5.6.3 基于Apriori算法的学生成绩关联分析及其结果可视化 | 第59-62页 |
5.7 本章小结 | 第62-64页 |
第六章 总结与展望 | 第64-66页 |
6.1 本文工作总结 | 第64-65页 |
6.2 未来展望 | 第65-66页 |
参考文献 | 第66-70页 |
致谢 | 第70-71页 |
攻读学位期间发表论文 | 第71页 |