| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外的研究现状 | 第11-12页 |
| 1.2.2 国内的研究现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13-15页 |
| 1.4 论文的组织与结构 | 第15-16页 |
| 第二章 相关概念和技术 | 第16-32页 |
| 2.1 慕课数据挖掘流程 | 第16-18页 |
| 2.1.1 数据收集 | 第16-17页 |
| 2.1.2 数据预处理 | 第17页 |
| 2.1.3 知识的提取和评价 | 第17页 |
| 2.1.4 线上应用 | 第17-18页 |
| 2.2 学习者的分析和挖掘 | 第18-20页 |
| 2.2.1 学习者的定义和组成 | 第18页 |
| 2.2.2 学习行为定义和要素 | 第18页 |
| 2.2.3 慕课的学习行为 | 第18-19页 |
| 2.2.4 离群学习者 | 第19页 |
| 2.2.5 学习者的类型 | 第19页 |
| 2.2.6 学习者证书的预测 | 第19-20页 |
| 2.3 数据的预处理工作 | 第20-23页 |
| 2.3.1 数据的预览 | 第20页 |
| 2.3.2 缺失值的处理 | 第20-21页 |
| 2.3.3 特征的有效性处理 | 第21-23页 |
| 2.4 分类问题 | 第23-27页 |
| 2.4.1 常见的算法 | 第23页 |
| 2.4.2 决策树的原理 | 第23-25页 |
| 2.4.3 集成树以及XGBoost | 第25-27页 |
| 2.5 聚类问题 | 第27-31页 |
| 2.5.1 原型聚类 | 第27-28页 |
| 2.5.2 密度聚类 | 第28-29页 |
| 2.5.3 距离度量与归一化 | 第29-30页 |
| 2.5.4 聚类参数的选择 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 学习者的分析与特征选择 | 第32-40页 |
| 3.1 学习者学习情况的分析 | 第32-38页 |
| 3.1.1 不同课程的结业情况 | 第32-33页 |
| 3.1.2 人口统计信息角度分析 | 第33-34页 |
| 3.1.3 学习行为角度分析 | 第34-38页 |
| 3.2 特征选择的依据 | 第38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 学习者聚类分析 | 第40-59页 |
| 4.1 基于密度聚类的离群学习者检测模型 | 第40-48页 |
| 4.1.1 该研究的实际意义 | 第40-41页 |
| 4.1.2 算法的设计和实现 | 第41-44页 |
| 4.1.3 实验及分析 | 第44-48页 |
| 4.2 基于Kmeans的多角度特征加权的学习者类型划分模型 | 第48-58页 |
| 4.2.1 该模型的意义和特点 | 第48-50页 |
| 4.2.2 算法的设计和实现 | 第50-53页 |
| 4.2.3 实验及分析 | 第53-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 学习者证书预测 | 第59-68页 |
| 5.1 预测问题和基本解决思路 | 第59-60页 |
| 5.1.1 问题的描述 | 第59-60页 |
| 5.1.2 基本建模方法 | 第60页 |
| 5.2 改进的建模方法 | 第60-65页 |
| 5.2.1 混合多门课程的建模 | 第61-62页 |
| 5.2.2 基于降采样算法的堆融合 | 第62-63页 |
| 5.2.3 特征变量的选择和表示 | 第63-64页 |
| 5.2.4 评价指标 | 第64-65页 |
| 5.3 实验 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结和展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 附录 | 第76-77页 |
| 详细摘要 | 第77-80页 |