首页--文化、科学、教育、体育论文--教育论文--电化教育论文--计算机化教学论文

基于教育数据的学生学业表现预测--以Hawassa大学为例

Acknowledgement第5-12页
Abbreviations第12-13页
Abstract第13-15页
摘要第16-19页
Chapter 1 Introduction第19-29页
    1.1 Statement of the problem第21-22页
    1.2 Objective of the study第22页
    1.3 Scope and limitation of the study第22页
    1.4 Research questions第22-23页
    1.5 Significance of the study第23页
    1.6 Methodology第23-25页
        1.6.1 Data mining modeling and Data analysis第23-25页
    1.7 Tools Used第25-26页
    1.8 Ethical clearance第26页
    1.9 Contribution第26页
    1.10 Thesis organization第26-29页
Chapter 2 Literature Review第29-41页
    2.1 Related Work第29-31页
    2.2 Data Mining Overview第31-33页
    2.3 Data Mining and Statistical Tools第33-34页
    2.4 Data Mining Techniques第34-38页
        2.4.1 Descriptive Models第35-37页
            2.4.1.1 Clustering Algorithm第35页
            2.4.1.2 Link Analysis第35-37页
                2.4.1.2.1 Association Discovery第35-36页
                2.4.1.2.2 Sequence Discovery第36-37页
        2.4.2 Predictive Models第37页
            2.4.2.1 Classification第37页
            2.4.2.2 Regression第37页
            2.4.2.3 Time Series Regression第37页
        2.4.3 AI Based Model第37-38页
    2.5 Application of Data Mining in Education Field第38-41页
        2.5.1 Analysis and Visualization of Data第38-39页
        2.5.2 Predicting Student Performance第39页
        2.5.3 Planning and Scheduling第39页
        2.5.4 Grouping Students第39-40页
        2.5.5 Predicting Students Profiling第40-41页
Chapter 3 Research Methodology第41-58页
    3.1 Proposed Approach第41页
    3.2 Study Variables第41-42页
        3.2.1 Predictor Variables第41-42页
        3.2.2 Target Variable第42页
    3.3 Preparing Data for Mining第42-45页
        3.3.1 Data Collection第42-43页
        3.3.2 Data cleaning第43页
        3.3.3 Data Transformation第43-45页
            3.3.3.1 Feature Design第43-44页
            3.3.3.2 Normalization第44-45页
    3.4 Descriptive Analysis第45-49页
    3.5 Analysis Algorithm第49-58页
        3.5.1 Neural Network第49-53页
            3.5.1.1 Multilayer Perceptron第52-53页
        3.5.2 Support Vector Machine第53-55页
            3.5.2.1 Support Vector Regression第53-54页
            3.5.2.2 Non-linear Regression第54-55页
        3.5.3 Multiple Linear Regression第55-58页
            3.5.3.1 Multiple Linear Regression Assumptions第56页
            3.5.3.2 Selection of predictor variables第56-57页
            3.5.3.3 Factors that affect prediction accuracy of multiple regression第57页
            3.5.3.4 Applications of multiple regression model第57-58页
Chapter 4 Experiments and Results第58-76页
    4.1 Exploring Data by Statistical Analysis第58-61页
        4.1.1 Correlation Analysis第58-61页
    4.2 Evaluation Metrics第61-62页
    4.3 Feature Selection第62页
    4.4 Experimental Design第62-70页
        4.4.1 Neural Network Parameter Setting第62-63页
        4.4.2 Support Vector Regression Parameter Setting第63-64页
        4.4.3 Experiment 1第64-66页
        4.4.4 Experiment 2第66-68页
        4.4.5 Experiment 3第68-70页
    4.5 Choosing the Best Model第70-71页
    4.6 SPSS Experiments第71-76页
Chapter 5 Software Design and Implementation第76-84页
    5.1 Requirement Overview第76-78页
        5.1.1 Functional Requirement第76-77页
            5.1.1.1 Manage users setting第76页
            5.1.1.2 Download formats第76-77页
            5.1.1.3 Choose file to import第77页
            5.1.1.4 Generate result第77页
            5.1.1.5 Save result第77页
            5.1.1.6 Manage change password第77页
        5.1.2 Non-Functional Requirement第77-78页
            5.1.2.1 Reliability第77页
            5.1.2.2 Performance第77页
            5.1.2.3 Availability第77页
            5.1.2.4 User Permission第77-78页
    5.2 System Design and Implementation第78-80页
        5.2.1 Use case Diagram第78页
        5.2.2 Sequence Diagram第78-80页
    5.3 System User Interfaces第80-84页
        5.3.1 Login Form第80页
        5.3.2 Master Form第80-81页
        5.3.3 Prediction Form第81-82页
        5.3.4 Create account Form第82-83页
        5.3.5 Change Password Form第83页
        5.3.6 Forget password Form第83-84页
Chapter 6 Conclusion and Future Work第84-86页
    6.1 Conclusion第84-85页
    6.2 Future Work第85-86页
References第86-90页
Author Profile and Research Achievements Obtained during the Studyfor A Master's/Doctoral Degree第90-92页
学位论文数据集第92-93页

论文共93页,点击 下载论文
上一篇:基于MATLAB的荧光分子图像降噪方法
下一篇:利用网络方法探索临床试验纳入标准数据中的疾病关系