| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 教育数据挖掘研究现状 | 第10-11页 |
| 1.2.2 聚类算法研究现状 | 第11-12页 |
| 1.2.3 关联规则挖掘算法研究现状 | 第12-13页 |
| 1.3 本文研究内容及论文结构 | 第13-16页 |
| 第二章 相关算法原理与数据预处理 | 第16-24页 |
| 2.1 聚类算法 | 第16-18页 |
| 2.1.1 聚类算法的概念 | 第16-17页 |
| 2.1.2 聚类算法的分类 | 第17-18页 |
| 2.1.3 K-Means算法 | 第18页 |
| 2.2 关联规则挖掘算法 | 第18-22页 |
| 2.2.1 关联规则挖掘的概念 | 第18-19页 |
| 2.2.2 关联规则的度量 | 第19-20页 |
| 2.2.3 关联规则挖掘经典算法 | 第20-22页 |
| 2.3 数据预处理及实验环境 | 第22-23页 |
| 2.3.1 数据来源及内容 | 第22页 |
| 2.3.2 数据处理过程 | 第22-23页 |
| 2.3.3 实验环境和工具 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 改进的聚类算法和关联规则挖掘算法 | 第24-40页 |
| 3.1 基于样本分布密度的初始聚类中心优化和离群点预处理K-Means算法 | 第24-34页 |
| 3.1.1 成绩数据分布特点及成绩离散化要求 | 第24-26页 |
| 3.1.2 现有离散化方法及缺点 | 第26-27页 |
| 3.1.3 算法基本思想及相关概念 | 第27-28页 |
| 3.1.4 算法步骤 | 第28-31页 |
| 3.1.5 算法结果对比 | 第31-34页 |
| 3.2 引入兴趣度度量的关联规则挖掘算法 | 第34-38页 |
| 3.2.1 传统算法的局限性 | 第34-35页 |
| 3.2.2 典型的兴趣度度量 | 第35-37页 |
| 3.2.3 引入兴趣度度量的关联规则挖掘算法 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 多维度的成绩关联分析结果 | 第40-56页 |
| 4.1 课程维度的关联分析 | 第40-46页 |
| 4.1.1 课程关联分析的方法 | 第40-42页 |
| 4.1.2 课程关联分析的结果 | 第42-46页 |
| 4.2 学生维度的关联分析 | 第46-54页 |
| 4.2.1 基于频繁模式的学生群体特征挖掘 | 第46-47页 |
| 4.2.2 加权成绩一致性分析 | 第47-49页 |
| 4.2.3 高考成绩与大学成绩的关联分析 | 第49-50页 |
| 4.2.4 英语成绩关联分析 | 第50-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 论文总结 | 第56-57页 |
| 5.2 前景展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |