| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第8-15页 |
| 1.1 课题的研究背景 | 第8-9页 |
| 1.2 目的与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.4 课题主要工作及拟解决的关键问题 | 第12-13页 |
| 1.5 论文组织框架 | 第13-14页 |
| 1.6 小结 | 第14-15页 |
| 第二章 数据挖掘技术概述 | 第15-25页 |
| 2.1 数据挖掘定义与研究内容 | 第15-16页 |
| 2.1.1 数据挖掘定义 | 第15页 |
| 2.1.2 数据挖掘研究内容 | 第15-16页 |
| 2.2 数据挖掘的过程 | 第16-17页 |
| 2.3 关联规则分析与Apriori算法 | 第17-20页 |
| 2.3.1 关联规则概述 | 第17-18页 |
| 2.3.2 Apriori算法概述 | 第18-20页 |
| 2.4 分类技术与ID3 算法 | 第20-22页 |
| 2.4.1 决策树算法概述 | 第20-21页 |
| 2.4.2 ID3 算法 | 第21-22页 |
| 2.5 数据挖掘常用工具 | 第22-24页 |
| 2.6 小结 | 第24-25页 |
| 第三章 学业预警影响因素的挖掘与预警决策树的构建 | 第25-46页 |
| 3.1 学生成绩数据中各课程之间的关联分析 | 第25-32页 |
| 3.1.1 学生成绩数据的提取 | 第25-26页 |
| 3.1.2 学生成绩数据的清洗 | 第26-27页 |
| 3.1.3 学生成绩数据的结构调整 | 第27页 |
| 3.1.4 学生成绩数据的离散化 | 第27-29页 |
| 3.1.5 学生成绩数据中的课程关联规则挖掘 | 第29-32页 |
| 3.2 预警学生成绩数据中各课程之间的关联分析 | 第32-33页 |
| 3.2.1 预警学生成绩数据的提取与预处理 | 第32页 |
| 3.2.2 预警学生成绩数据中的课程关联规则挖掘 | 第32-33页 |
| 3.3 预警学生日常表现情况的分析 | 第33-36页 |
| 3.3.1 预警学生日常表现信息的预处理 | 第34-35页 |
| 3.3.2 预警学生日常表现信息数据的关联规则挖掘 | 第35-36页 |
| 3.4 学生学籍信息的分析与预警决策树的构建 | 第36-45页 |
| 3.4.1 学生学籍信息数据的预处理 | 第36-37页 |
| 3.4.2 学生学业预警决策树的构建 | 第37-42页 |
| 3.4.3 学生学业预警决策树的剪枝 | 第42-43页 |
| 3.4.4 生成学业预警分类规则 | 第43-45页 |
| 3.5 小结 | 第45-46页 |
| 第四章 基于数据挖掘技术的学业预警工作模型的构建 | 第46-50页 |
| 4.1 学业预警工作模型构建 | 第46-47页 |
| 4.2 基于数据挖掘的学业预警工作过程 | 第47-49页 |
| 4.3 小结 | 第49-50页 |
| 第五章 实验验证 | 第50-57页 |
| 5.1 学生基本信息中各属性对学生预警的影响 | 第50-52页 |
| 5.1.1 建立模型 | 第50-51页 |
| 5.1.2 输出规则分析 | 第51-52页 |
| 5.2 课程对于学生学业预警影响分析 | 第52-54页 |
| 5.2.1 挖掘过程 | 第52页 |
| 5.2.2 挖掘出的课程关联规则分析 | 第52-54页 |
| 5.3 学生日常表现对于学生学业预警影响分析 | 第54-56页 |
| 5.3.1 挖掘过程 | 第54-55页 |
| 5.3.2 输出规则分析 | 第55-56页 |
| 5.4 小结 | 第56-57页 |
| 总结 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 研究生期间主要成果 | 第62-63页 |
| 致谢 | 第63页 |