摘要 | 第3-4页 |
ABSTRACT | 第4页 |
第一章 绪论 | 第8-16页 |
1.1 研究背景及意义 | 第8-10页 |
1.1.1 研究背景 | 第8-9页 |
1.1.2 研究意义 | 第9-10页 |
1.2 研究现状 | 第10-12页 |
1.2.1 学生行为分析研究现状 | 第10-12页 |
1.2.2 相关挖掘算法研究现状 | 第12页 |
1.3 研究目的 | 第12-13页 |
1.4 本文主要研究内容 | 第13页 |
1.5 本文研究结构 | 第13-16页 |
第二章 相关理论与技术 | 第16-26页 |
2.1 数据挖掘概述 | 第16-18页 |
2.1.1 数据挖掘的概念 | 第16页 |
2.1.2 数据挖掘的过程 | 第16-18页 |
2.2 数据挖掘相关技术 | 第18-20页 |
2.3 数据挖掘方法 | 第20-22页 |
2.4 数据分析常用工具 | 第22-26页 |
第三章 学生行为数据处理方法研究 | 第26-34页 |
3.1 数据表分析 | 第26-30页 |
3.2 数据预处理简介 | 第30页 |
3.3 数据预处理方法 | 第30-32页 |
3.4 学生行为数据预处理 | 第32-34页 |
第四章 基于聚类分析的学生行为分类方法研究 | 第34-44页 |
4.1 学生行为分类需求 | 第34页 |
4.2 学生画像的构建与研究 | 第34-36页 |
4.2.1 基于大数据的用户画像构建 | 第34-35页 |
4.2.2 基于校园大数据的学生画像构建 | 第35-36页 |
4.3 K-means算法 | 第36-37页 |
4.4 聚类的实验结果与分析 | 第37-42页 |
4.4.1 消费规律聚类结果 | 第37-39页 |
4.4.2 生活规律聚类结果 | 第39-40页 |
4.4.3 学习努力程度聚类结果 | 第40-42页 |
4.5 学生画像举例说明 | 第42-44页 |
第五章 关联规则分析在学生行为分析中的应用 | 第44-60页 |
5.1 关联规则算法研究 | 第44-47页 |
5.1.1 基本概念和步骤 | 第44-45页 |
5.1.2 Apriori算法 | 第45-47页 |
5.2 改进的关联规则挖掘算法 | 第47-52页 |
5.2.1 改进的Apriori算法思想 | 第47-48页 |
5.2.2 改进的Apriori算法方法 | 第48页 |
5.2.3 改进算法实例说明 | 第48-51页 |
5.2.4 实验分析与结果展示 | 第51-52页 |
5.3 改进的Apriori算法在学生行为分析中的应用 | 第52-60页 |
5.3.1 数据准备 | 第52-56页 |
5.3.2 成绩与行为数据关联结果分析 | 第56-60页 |
第六章 总结与展望 | 第60-62页 |
6.1 总结 | 第60-61页 |
6.1.1 工作总结 | 第60页 |
6.1.2 研究结果总结 | 第60-61页 |
6.2 展望 | 第61-62页 |
参考文献 | 第62-66页 |
致谢 | 第66-68页 |
攻读学位期间发表的学术论文目录 | 第68-71页 |