基于MOOC日志挖掘的退课预测研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 MOOC退课预测相关技术 | 第17-27页 |
| 2.1 数据挖掘中的分类任务和相关技术 | 第17-22页 |
| 2.1.1 过拟合 | 第17-19页 |
| 2.1.2 偏差-方差权衡 | 第19页 |
| 2.1.3 决策树 | 第19-20页 |
| 2.1.4 逻辑斯蒂回归 | 第20页 |
| 2.1.5 朴素贝叶斯 | 第20-21页 |
| 2.1.6 梯度提升决策树 | 第21页 |
| 2.1.7 多层感知机 | 第21-22页 |
| 2.2 MOOC退课预测 | 第22-26页 |
| 2.2.1 退课的形成 | 第22页 |
| 2.2.2 退课的定义 | 第22-25页 |
| 2.2.3 退课的预测 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 MOOC退课预测特征工程 | 第27-33页 |
| 3.1 基本特征 | 第27-29页 |
| 3.1.1 基于数量的特征 | 第27页 |
| 3.1.2 基于统计量的特征 | 第27-28页 |
| 3.1.3 基于学习时间的特征 | 第28-29页 |
| 3.2 “未来”特征 | 第29页 |
| 3.3 特征阈值的选择 | 第29-32页 |
| 3.3.1 绪论 | 第29-30页 |
| 3.3.2 相关工作 | 第30-31页 |
| 3.3.3 阈值确定方法 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 退课预测分类算法 | 第33-39页 |
| 4.1 数据分布对分类算法的影响 | 第33-34页 |
| 4.1.1 数据不平衡 | 第33-34页 |
| 4.1.2 交叉验证中类别切分不均衡 | 第34页 |
| 4.2 分类算法 | 第34页 |
| 4.3 模型的融合 | 第34-37页 |
| 4.3.1 绪论 | 第34-35页 |
| 4.3.2 相关工作 | 第35-36页 |
| 4.3.3 分类算法的集成 | 第36-37页 |
| 4.4 深度学习的应用 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 MOOC退课预测算法框架及实验分析 | 第39-67页 |
| 5.1 算法框架的设计 | 第39-40页 |
| 5.2 模块介绍 | 第40-41页 |
| 5.2.1 数据存储模块 | 第40页 |
| 5.2.2 特征提取模块 | 第40页 |
| 5.2.3 模型训练模块 | 第40页 |
| 5.2.4 模型测试模块 | 第40-41页 |
| 5.3 数据获取与存储 | 第41-44页 |
| 5.4 数据描述和理解 | 第44-46页 |
| 5.5 评价标准的选择 | 第46-48页 |
| 5.6 预处理 | 第48-50页 |
| 5.6.1 数据划分 | 第49页 |
| 5.6.2 数据清洗 | 第49-50页 |
| 5.7 特征工程结果及分析 | 第50-56页 |
| 5.7.1 特征工程概况 | 第50-51页 |
| 5.7.2 失败的特征 | 第51-52页 |
| 5.7.3 特征阈值选择 | 第52-56页 |
| 5.8 MOOC退课预测结果及分析 | 第56-63页 |
| 5.8.1 数据不平衡的影响 | 第56-57页 |
| 5.8.2 交叉验证中类别切分不均衡 | 第57页 |
| 5.8.3 分类算法的实施 | 第57-58页 |
| 5.8.4 模型融合与创新 | 第58-63页 |
| 5.8.5 深度学习模型 | 第63页 |
| 5.9 实验总结 | 第63-64页 |
| 5.10 本章小结 | 第64-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录Ⅰ | 第73-75页 |
| 致谢 | 第75页 |
