首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

数据挖掘技术用于高校学生留级预警的研究

中文摘要第3-5页
英文摘要第5-6页
1 绪论第9-15页
    1.1 课题研究背景第9页
    1.2 课题研究现状第9-10页
        1.2.1 国外研究现状第10页
        1.2.2 国内研究现状第10页
    1.3 我国高校大数据研究的特点第10-11页
    1.4 本文研究主要内容第11-12页
    1.5 本文工作及论文结构第12-15页
2 相关技术介绍第15-29页
    2.1 教育数据挖掘第15-16页
        2.1.1 教育数据挖掘概述第15-16页
        2.1.2 教育数据挖掘基本步骤第16页
    2.2 机器学习算法第16-27页
        2.2.1 朴素贝叶斯分类算法第17-19页
        2.2.2 逻辑回归算法第19-21页
        2.2.3 决策树算法第21-23页
        2.2.4 K-Means聚类算法第23-24页
        2.2.5 BP神经网络第24-25页
        2.2.6 RNN神经网络第25-27页
        2.2.7 SVM第27页
    2.3 本章小结第27-29页
3 数据介绍和预处理第29-43页
    3.1 数据来源第29-37页
        3.1.1 校园一卡通消费数据第29-32页
        3.1.2 学生网络日志记录第32-35页
        3.1.3 学生历史成绩数据第35-37页
    3.2 数据预处理第37-41页
        3.2.1 数据转换第38-40页
        3.2.2 计算学生挂科学分第40-41页
    3.3 本章小结第41-43页
4 基于多数据源的学生留级预测第43-65页
    4.1 训练集与测试集的选取第43页
    4.2 相关性分析和特征选择第43-44页
        4.2.1 Pearson相关系数第43-44页
        4.2.2 特征选择第44页
    4.3 模型评价指标与验证方法第44-46页
        4.3.1 模型评价指标第44-45页
        4.3.2 交叉验证第45-46页
    4.4 模型构建与实验第46-59页
        4.4.1 基于历史成绩数据的留级预测第47-50页
        4.4.2 基于消费数据的留级预测第50-54页
        4.4.3 基于网络日志的留级预测第54-56页
        4.4.4 基于多数据源的留级预测和对比分析第56-59页
    4.5 关于学生行为分析平台界面展示第59-62页
    4.6 本章小结第62-65页
5 基于课程分类的学生留级预测研究第65-87页
    5.1 学生课程分析第65-66页
    5.2 学生课程数据分析及类别划分第66-71页
    5.3 一种利用课程分类预测留级的方法第71-72页
    5.4 利用课程分类方法进行留级预测第72-79页
        5.4.1 根据K-Means算法进行课程聚类第72-74页
        5.4.2 利用启发式算法进行缺失成绩处理第74-75页
        5.4.3 基于课程分类的留级预测研究第75-79页
    5.5 一种改进的留级预测方法第79-86页
    5.6 本章小结第86-87页
6 总结与展望第87-91页
    6.1 本文工作总结第87-88页
    6.2 后续工作及展望第88-91页
致谢第91-93页
参考文献第93-99页
附录第99页
    A.作者在攻读硕士学位期间发表的论文目录第99页
    B.作者在攻读硕士学位期间发表的专利目录第99页
    C.作者在攻读硕士学位期间参加的科研项目目录第99页

论文共99页,点击 下载论文
上一篇:基于某市中小学生教育评价模型应用研究
下一篇:道路交通标志检测与识别研究