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 |
