教育领域的关联挖掘和学习预测技术研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 数据挖掘的国内外研究现状 | 第10-12页 |
| 1.2.2 数据挖掘在教育领域的应用发展 | 第12-14页 |
| 1.3 本文研究的内容和结构 | 第14-15页 |
| 1.3.1 本文课题背景和研究内容 | 第14-15页 |
| 1.3.2 论文结构 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 基础理论与技术介绍 | 第16-30页 |
| 2.1 数据挖掘的概念 | 第16-19页 |
| 2.1.1 数据挖掘的定义 | 第16页 |
| 2.1.2 数据挖掘的过程 | 第16-17页 |
| 2.1.3 数据挖掘的任务种类 | 第17-19页 |
| 2.2 APRIORI算法 | 第19-22页 |
| 2.2.1 相关概念 | 第19-20页 |
| 2.2.2 关联分析的步骤 | 第20-21页 |
| 2.2.3 Apriori算法流程 | 第21-22页 |
| 2.3 朴素贝叶斯模型 | 第22-27页 |
| 2.3.1 朴素贝叶斯的数学模型 | 第22-24页 |
| 2.3.2 朴素贝叶斯分类器的参数估计 | 第24-25页 |
| 2.3.3 基于朴素贝叶斯的预判分类算法 | 第25-27页 |
| 2.4 神经网络 | 第27-29页 |
| 2.4.1 神经元模型 | 第27-28页 |
| 2.4.2 感知机与多层神经网络 | 第28-29页 |
| 2.4.3 误差逆传播算法 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于关联规则的学科成绩关联分析 | 第30-37页 |
| 3.1 任务定义 | 第30-31页 |
| 3.2 框架设计 | 第31-32页 |
| 3.3 数据预处理 | 第32-33页 |
| 3.4 基于APRIORI算法的关联分析 | 第33-35页 |
| 3.5 结果分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于分类器的学习成绩预测方法 | 第37-44页 |
| 4.1 背景与意义 | 第37-38页 |
| 4.2 特征选取和类别设计 | 第38-39页 |
| 4.2.1 特征选取 | 第38页 |
| 4.2.2 类别设计 | 第38-39页 |
| 4.3 朴素贝叶斯-神经网络 | 第39-41页 |
| 4.4 分类结果 | 第41-43页 |
| 4.4.1 Baseline的分类结果 | 第41-42页 |
| 4.4.2 朴素贝叶斯-神经网络的分类结果 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 学习结果分析与预测系统的设计与实现 | 第44-58页 |
| 5.1 系统设计目标 | 第45页 |
| 5.2 系统主要功能 | 第45-46页 |
| 5.3 系统结构设计 | 第46-47页 |
| 5.4 数据库设计 | 第47-51页 |
| 5.4.1 数据库定义 | 第47-48页 |
| 5.4.2 数据库模型图 | 第48-49页 |
| 5.4.3 数据表结构 | 第49-51页 |
| 5.4.4 数据库连接 | 第51页 |
| 5.5 系统实现的技术基础 | 第51-54页 |
| 5.5.1 运行环境 | 第51-52页 |
| 5.5.2 浏览器/服务器模型 | 第52页 |
| 5.5.3 Eclipse平台 | 第52-53页 |
| 5.5.4 系统测试 | 第53-54页 |
| 5.6 系统模块化展示 | 第54-57页 |
| 5.6.1 登录 | 第54页 |
| 5.6.2 注册 | 第54-55页 |
| 5.6.3 学习分析 | 第55-56页 |
| 5.6.4 学习预测 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62页 |
