在线学习中的学生模型聚类与应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 在线教育的国内外研究现状 | 第10-11页 |
| 1.2.2 个性化教育的国内外研究现状 | 第11-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 在线学习学生模型的研究 | 第15-24页 |
| 2.1 学生模型概述 | 第15-16页 |
| 2.2 新学生模型的设计 | 第16-21页 |
| 2.2.1 知识模型 | 第16-18页 |
| 2.2.2 认知模型 | 第18-19页 |
| 2.2.3 特征模型 | 第19-20页 |
| 2.2.4 情绪模型 | 第20-21页 |
| 2.3 学生模型的工作过程 | 第21页 |
| 2.4 学生特征数据库 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 聚类算法概述 | 第24-37页 |
| 3.1 数据挖掘 | 第24-25页 |
| 3.2 聚类的概念 | 第25-26页 |
| 3.3 聚类的相似度度量方法 | 第26-27页 |
| 3.4 数据处理和分析 | 第27-29页 |
| 3.5 主要的聚类方法 | 第29-34页 |
| 3.5.1 划分法 | 第29-30页 |
| 3.5.2 层次法 | 第30-32页 |
| 3.5.3 密度法 | 第32页 |
| 3.5.4 模型法 | 第32-34页 |
| 3.6 聚类结果的评价 | 第34-36页 |
| 3.6.1 轮廓系数 | 第34-35页 |
| 3.6.2 F-measure | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第四章 MKmeans算法的提出 | 第37-54页 |
| 4.1 mean shift理论 | 第37-40页 |
| 4.2 现有的改进Kmeans | 第40-44页 |
| 4.2.1 Kmeans算法 | 第40-42页 |
| 4.2.2 国内外对Kmeans算法的研究和改进 | 第42-44页 |
| 4.3 改进算法MKmeans | 第44-47页 |
| 4.4 MKmeans算法的实用性测试 | 第47-53页 |
| 4.4.1 测试平台 | 第47-48页 |
| 4.4.2 数据集分析 | 第48-49页 |
| 4.4.3 用Iris测试MK means | 第49-51页 |
| 4.4.4 用Wine测试MK means | 第51-52页 |
| 4.4.5 测试结果分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 MKmeans算法在学生模型中的应用 | 第54-71页 |
| 5.1 教育数据 | 第54-59页 |
| 5.1.1 教育数据EPM | 第54-55页 |
| 5.1.2 教育数据EPM的预处理 | 第55-59页 |
| 5.2 MKmeans算法在学生模型中的应用 | 第59-70页 |
| 5.2.1 发现不同认知能力的学习小组 | 第59-64页 |
| 5.2.2 MKmeans算法在知识模型中的应用 | 第64-70页 |
| 5.3 应用效果比较 | 第70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 论文的主要工作 | 第71页 |
| 6.2 未来的努力方向 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间取得的成果 | 第80-81页 |
