| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 Hadoop平台相关技术 | 第14-24页 |
| 2.1 Hadoop平台理论研究 | 第14-18页 |
| 2.1.1 HDFS分布式文件系统 | 第14-16页 |
| 2.1.2 MapReduce计算框架 | 第16-18页 |
| 2.1.3 Hadoop云计算应用特点 | 第18页 |
| 2.2 Hadoop平台分布式搭建与配置 | 第18-22页 |
| 2.2.1 Hadoop集群环境搭建 | 第18-19页 |
| 2.2.2 无密钥SSH通讯服务配置 | 第19-20页 |
| 2.2.3 Hadoop的文件配置 | 第20-21页 |
| 2.2.4 Hadoop启动及验证 | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 学业预警数据挖掘算法研究与实现 | 第24-58页 |
| 3.1 基于FP-Growth算法的课程关联规则挖掘 | 第24-36页 |
| 3.1.1 关联规则算法概述 | 第24-25页 |
| 3.1.2 MapReduce并行化FP-Growth算法研究 | 第25-31页 |
| 3.1.3 改进后FP-Growth算法 | 第31-34页 |
| 3.1.4 实验结果与分析 | 第34-36页 |
| 3.2 基于K-Means聚类的挂科指标特征挖掘 | 第36-44页 |
| 3.2.1 聚类算法概述 | 第36-38页 |
| 3.2.2 MapReduce并行化K-Means算法研究 | 第38-41页 |
| 3.2.3 改进后K-Means算法 | 第41-42页 |
| 3.2.4 实验结果与分析 | 第42-44页 |
| 3.3 基于主成份聚类算法的挂科课程特征挖掘 | 第44-56页 |
| 3.3.1 主成份聚类算法研究 | 第44-45页 |
| 3.3.2 主成分因子分析的模型和步骤 | 第45-47页 |
| 3.3.3 主成分聚类算法实现 | 第47-53页 |
| 3.3.4 实验结果与分析 | 第53-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第四章 基于Hadoop的学业预警系统的设计与实现 | 第58-78页 |
| 4.1 学业预警系统需求概述 | 第58页 |
| 4.2 学业预警系统总体架构设计 | 第58-63页 |
| 4.3 学业预警系统中数据库设计 | 第63-66页 |
| 4.3.1 学业预警系统数据流程设计 | 第63-64页 |
| 4.3.2 学业预警系统数据表结构设计 | 第64-66页 |
| 4.4 学业预警系统功能模块设计 | 第66-68页 |
| 4.5 学业预警系统功能模块实现 | 第68-76页 |
| 4.5.1 预警数据管理模块实现 | 第68-69页 |
| 4.5.2 预警信息管理模块实现 | 第69-73页 |
| 4.5.3 预警数据挖掘模块实现 | 第73-75页 |
| 4.5.4 系统管理模块实现 | 第75-76页 |
| 4.6 本章小结 | 第76-78页 |
| 第五章 结论 | 第78-80页 |
| 5.1 论文工作总结 | 第78页 |
| 5.2 后期工作与展望 | 第78-80页 |
| 参考文献 | 第80-82页 |
| 读研期间所取得的相关科研成果 | 第82-84页 |
| 致谢 | 第84-85页 |
