关联规则在基于学分制的选课系统中的应用

高校选课系统中存储了大量的数据,利用数据挖掘技术的关联规则挖掘,可以从大量的数据中发现有价值的规则.以高校选课系统为应用背景,对学生成绩进行分析,得出部分合理、可靠的课程相关性规则,为学分制体系下学生选课提供指导.     

Apriori算法研究及其在学生成绩分析中的应用

本文在研究关联规则挖掘技术的基础上，以我校计算机专业专业课程成绩为关系数据库，将关联规则中的Apfiofi算法运用到学生成绩分析中，挖掘课程问的相关性，为学生选课和学校合理的安排教学计划提供指导。     

关联规则在课程相关性模式中的研究与应用

学分制已成为高等学校教学管理制度发展趋势.在学分制体系下,如何进行教学管理和学生培养成为高校建设的主要问题.本文将Apriori算法应用于高校教务管理信息系统,对学生成绩数据进行分析,探讨了高等学校专业课程间相关性问题,得到了一些合理、可靠的课程关联规则.解释和验证了关联规则结果,针对产生的大量规则引入兴趣度分析,别除了用户不感兴趣的关联规则,从而为学分制体系下的学生选课提供指导.     

高校课程相关性粗糙集分析模型及应用

将目前在数据挖掘领域应用广泛的粗糙集理论引入高校课程相关性分析中,提出了基于粗糙集的高校课程相关性分析模型。该模型首先运用粗糙集的相关性质对参与分析的决策数据进行属性约简,从而获得了较小决策数据集,然后应用基于分辨矩阵的关联规则提取算法提取关联规则,最后对规则进行评估与解释。通过对某高校某专业学生修读课程考试成绩数据进行实际应用分析,发现了课程成绩数据中隐藏的课程相关性规则,分析结果表明该模型在学分制体系下指导学生选课以及制定专业修读计划具有一定的辅助作用。     

改进的关联规则算法在学生成绩预警中的应用

针对现阶段高校教学数据库中积累的成绩数据量大,而教育者从中获取的信息少的现状。为此,结合关联规则算法挖掘频繁项目集的特点,利用改进的Apriori算法对学生成绩数据进行分析处理,找出数据中隐藏的课程关联规则,将这些规则用于学生成绩预警,及时找出可能出现不及格的课程,对部分学生给出警告,加强学习监督。实验结果表明,改进的Apriori算法的效率明显优于改进前,得出的关联规则可以作为学生成绩的预警因子。     

关联规则在课程相关性中研究与应用

关联规则挖掘是数据挖掘领域的一个重要课题，本文介绍了在数据挖掘中关联规则的基本概念和与理论，进一步讨论了关联规则在课程相关性挖掘中的应用。学生成绩库在经过一定的预处理后，用Apriori算法挖掘出隐藏在数据背后的有用规则，以指导学生的选课。     

关联规则挖掘在课程相关性分析中的应用

关联规则挖掘是常用的数据挖掘方法,将其应用于课程相关性分析可发现课程间深层次内在关联,便于更科学合理的进行课程设置、改善课程体系结构。文章介绍了关联规则的基本概念,分析了关联规则的经典算法Apriori,并将Apriori算法应用于金融学专业课程相关性分析。     

数据挖掘在高职院校学生综合信息中的应用

针对目前高职院校数据库中的数据没有得到有效利用的问题,本文提出对学生成绩、学生综合信息进行关联规则的挖掘。包括数据的准备与选择、数据的预处理、挖掘算法的选择与实现、挖掘结果等步骤。从这些海量数据中挖掘出有用的信息,帮助分析课程之间、选课和就业的相关性,得出一些具有价值的规则和信息,为学校培养社会所需要的人才提供科学依据。     

数据挖掘在学生成绩管理系统中的应用

以基于园区网教学信息系统为基础,提出采用关联规则进行课程相关性多维分析方法.针对高校成绩管理系统的事务数据库表结构采用的纵向方式,对Apriori方法作了相应的改变.同时,提出采用分时挖掘的方法,即保留以前挖掘的数据,使得数据挖掘速度得以提升,以此提高系统的运行效率.     

正负关联分析在高职课程设置中的应用

针对专业课程体系设置上合理性的判断问题,提出对学生的课程成绩数据进行分析,利用正负关联规则,计算专业基础课程和专业课程之间的关联度,并据此判断专业课程设置的合理性.总结归纳出了专业课程设置合理性判断的相关规则,并加以实验说明.该方法为高职院校课程体系设置的合理性判断提供了一种有效的方法.     

关联规则在高校开放式实验教学改革中的应用

该文主要介绍在高校开放式实验教学改革中关联规则的挖掘应用,分析了关联规则应用的可行性,并将关联规则Apriori算法用在开放式实验信息中进行挖掘,得到了学生实验数据中隐式且可靠的关联信息,从而更科学地安排并控制开放式实验,可给各类高校开放式实验的教学与改革提供参考。     

Apriori算法在学生成绩分析中的应用研究

高等学校积累了大量的学生成绩信息,而从成绩中得到的信息量相对较小,造成资源的极大浪费.利用关联规则挖掘算法Apriori,以学生成绩数据库作为研究对象,挖掘课程之间的相关关系,为教务部门设置安排课程提供理论指导.     

基于WEKA的高校学生综合测评数据挖掘

该文利用开源软件WEKA作为数据挖掘平台,对某高校的学生综合测评数据进行了数据挖掘实验,发现了很多关联规则和数据背后的隐含信息,为高校发现学生群体、行为间的关联和规律,进一步完善测评体系和素质教育提供了支持。     

一种改进的关联规则挖掘方法研究

关联模式挖掘研究是数据挖掘研究领域的重要分支之一,旨在发现模式之间存在的关联或相关关系。然而,传统的基于支持度-可信度框架的挖掘方法存在着一些不足:一是会产生过多的模式(包括频繁项集和规则);二是挖掘出来的规则有些是用户不感兴趣的、无用的,甚至是错误的。所以在挖掘过程中能有效地对无用模式进行剪枝是必要的。利用相关关系对模式进行评价是一种有效的剪枝方法。实验结果分析表明,在传统挖掘方法的基础上引入相关关系度量可以有效地对非相关模式进行剪枝,从而减小频繁项集和规则的规模。     

课程评价中考虑误导抑制的关联规则高效提取

针对高校课程评价,研究数据驱动的教学管理与决策问题.由某校的课程评价指标体系,确定涵盖学生、教师、同行专家和教学督导等多维度评价数据的数据结构.对采集的调查问卷数据进行清洗和转换等预处理后,构造完成供数据挖掘的数据集.考虑误导性规则抑制,使用基于差异兴趣度的改进Apriori关联规则挖掘算法,提取评价指标间的关联规则.将发现的关系模式与使用传统Apriori关联规则挖掘算法所得结果进行比较,显示本文所用改进Apriori方法能够提高知识发现的效率和准确性,对课程建设具有更强的指导作用.     

SQL Server 2008 R2关联规则研究

关联规则挖掘在数据挖掘中占有非常重要的地位,它可以从大量的数据中发现数据项之间的关联关系,而某些关联关系可以辅助企业制定决策。通过实例研究表明,SQL Server 2008 R2平台下的关联规则挖掘具有很高的计算精度,生成的某些关联规则也是有效的。     

关联规则挖掘在高校教育管理中的应用

为有效利用高校教育管理工作多年来积累的大量数据,本文采用数据挖掘技术进行教育信息的关联规则挖掘,设计并实现了一个专门的教育管理数据挖掘系统EMARMiner。实验结果得到了有益于高等学校教育管理决策的挖掘结果。     

基于周期规律的加权时态关联规则挖掘算法

数据挖掘过程中只考虑数据项权重或者只考虑时态语义会导致挖掘结果不全面。针对该问题,对加权关联规则、时态关联规则和时态数据周期规律进行研究,将权值、K-支持期望和周期等概念引入到时态关联规则中,提出一种基于周期规律的加权时态关联规则挖掘算法。以某管理系统审计数据为例进行实验验证,结果表明该算法能够准确地挖掘出数据库中的加权时态关联规则,与加权关联规则算法相比,在时间复杂度相同的情况下能使关联规则的挖掘结果更加全面。     

关联规则挖掘在高校教育管理中的应用

为有效利用高校教育管理工作多年来积累的大量数据,本文采用数据挖掘技术进行教育信息的关联规则挖掘,设计并实现了一个专门的教育管理数据挖掘系统EMARMiner。实验结果得到了有益于高等学校教育管理决策的挖掘结果。     

基于兴趣度的关联规则挖掘

关联规则挖掘是数据挖掘领域中的重要研究内容之一。然而,传统的基于支持度-可信度框架的挖掘方法可能会产生大量不相关、甚至是误导的关联规则。针对现有关联规则挖掘的评价标准存在的问题,提出在评价标准中增加兴趣度,并给出了兴趣度的定义和基于兴趣度的关联规则挖掘算法。利用兴趣度将关联规则分为正关联规则和负关联规则,从而可以用算法挖掘带有负项的关联规则。实验结果分析表明,在传统挖掘方法的基础上引入兴趣度,可以有效地减少正关联规则的规模,产生有意义的负关联规则。