关联规则在高校系统中的应用

运用数据挖掘中的关联规则分析了高校教学管理中教师信息之间的隐藏关系.并对数据进行了标准化处理,采用优化的Appriori算法进行数据挖掘.通过事例分析了教师的教学工作量和发表论文之间的隐含关系,可为教学管理提供决策支持.     

数据挖掘在成人教学质量评价过程中的应用研究

数据挖掘是一种新的认识数据、理解数据的智能手段,关联规则是数据挖掘中最重要的技术之一。根据我院成人高等教育目前发展的状况将关联规则应用于教学评价过程,以期挖掘出教师信息与教学效果之间的关系,为教学评价方法提供决策依据,促使更好地开展教学工作,提高教学质量。     

关联规则挖掘在高校教学评价中的应用

将数据挖掘中关联规则应用到高校教学评价中,寻找教学评价数据背后隐含的有价值的信息.利用改进的Apriori算法挖掘评教数据,从大量的评教数据中发现数据间的关联.通过实例分析,结果发现了评价等级与教师的学历、职称、教龄、科研能力之间的关联.分析并利用这些关联规则,既可以提高授课教师的教学水平,又可以为教学管理部门的提供决策参考,从而提高教育教学质量.     

使用关联规则挖掘高校教学评价数据

以高校教学评价数据为基础,采用数据挖掘中的关联规则,寻找教学评价数据背后隐含的有价值的信息。从教学评价表中挖掘出教师特征因素（学历、职称、教龄）与教学评价质量等级的关联,从而为教学管理部门和授课教师提供决策参考。     

关联规则在高校评教系统中的应用研究

数据挖掘技术在商业、金融等方面应用广泛,但在高校教评教系统中应用的比较少。在高校中,每年都产生大量和教学相关的数据,这些数据真实的反映了高校教师的教学情况,但并没有充分利用这些数据来挖掘出有用的信息来评教。通过对数据挖掘技术的研究,采用改进的关联规则Apriori算法,利用面向对象的程序设计语言开发应用软件,对收集的评教相关数据进行分析,找出学生评教结果和教师自身素质之间的联系,更好的为高校评教工作提供依据。     

数据挖掘技术在高校课堂教学评价中的应用

数据挖掘技术目前在商业、金融业等方面都得到了广泛的应用,而在教育领域应用较少。数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性。文中从滁州学院教师档案数据库提取相关教师的记录,并结合课堂教学质量评估中的实际数据,利用改进的Apriori算法找出教师本身的素质与学生评价结果之间的内在关系。     

数据挖掘技术在高校课堂教学评价中的应用

数据挖掘技术目前在商业、金融业等方面都得到了广泛的应用,而在教育领域应用较少.数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性.文中从滁州学院教师档案数据库提取相关教师的记录,并结合课堂教学质量评估中的实际数据,利用改进的Apriori算法找出教师本身的素质与学生评价结果之间的内在关系.     

关联规则在研究生成绩等级分析中的应用

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间的联系。该文运用关联规则Apriori算法,对某高校研究生成绩等级样本进行数据分析,利用最小支持度和最小置信度,挖掘出频繁项集,从分析的结果中发现有价值的数据模式,寻找其中存在的规则,为高校加强研究生教育提供参考性建议。     

关联规则理论研究及其在教学中应用

简要介绍了数据挖掘技术,详细分析了关联规则挖掘算法。分析和指出了现有一些关联规则算法的优缺点。对教学信息库进行数据挖掘,寻找高校教学体制中各因素间的并联关系,为高校管理决策提供了科学依据。     

旅游信息数据挖掘中数量型数据的转化和分析研究

数据挖掘就是从大量数据中,抽取隐含的、但又是潜在有用的关联信息和知识的发现过程。其中关联规则(AssociationRules)的挖掘是一个重要的问题,是大量数据中项集之间有趣的关联或相关联系。本文论述了如何改进关联规则算法,使之可以挖掘数量型数据,并利用改进的关联规则算法对游客数据进行数据挖掘,从而得到一些对旅游经营有用的知识。     

Mining fuzzy association rules from questionnaire data

Association rule mining is one of most popular data analysis methods that can discover associations within data. Association rule mining algorithms have been applied to various datasets, due to their practical usefulness. Little attention has been paid, however, on how to apply the association mining techniques to analyze questionnaire data. Therefore, this paper first identifies the various data types that may appear in a questionnaire. Then, we introduce the questionnaire data mining problem and define the rule patterns that can be mined from questionnaire data. A unified approach is developed based on fuzzy techniques so that all different data types can be handled in a uniform manner. After that, an algorithm is developed to discover fuzzy association rules from the questionnaire dataset. Finally, we evaluate the performance of the proposed algorithm, and the results indicate that our method is capable of finding interesting association rules that would have never been found by previous mining algorithms.     

使用数据挖掘工具Weka

当今社会,数据无处不在,数据挖掘技术作为一种新的信息处理技术,从海量的数据中找出有潜在价值的数据规律或数据模型。用人工的方式难以实现这个目标,Weka是一种可用于数据挖掘的工具,数据挖掘用户可使用Weka执行数据预处理,分类,回归,聚类,关联规则等任务。以Weka自带的数据集为例,详细介绍作为易于使用的数据挖掘工具Weka的使用。     

基于项目属性的相联规则提取

相联规则是数据库知识发现领域的重要方法之一，用于发现满足用户指定最小支持度和最小信任度阈值的规则，其中，最小支持度阈值确定了研究数据集的规模，最小信任度阈值用来衡量一个规则可靠性，在通常的支持度／信任度框架下，用户只能给出一对最小支持度和最小信任度阈值，因此，对于有数据项均采用统一标准处理，但是，实际数据库中的数据项目具有自的特点，该文旨在根据项目的属性特征，通过模糊安全评判，决定项目合理的最小支持度阈值，进而确定各个项目的支持度区间，达到在一次数据挖掘中同时发现频繁规则和稀有规则的，由于基于最小信任度的规则提取具有冗余性，文中提出规则前件和后件的重要程度对比的思想，借助主观判断去除冗余规则，从而挖掘出尽可能接近自然的完全规则。     

基于商品分类信息的关联规则聚类

关联规则挖掘经常产生大量的规则，为了帮助用户做探索式分析，需要对规则进行有效的组织。聚类是一种有效的组织方法，已有的规则聚类方法在计算规则间距离时都需要扫描原始数据集，效率很低，而且聚类结果是固定数目的簇，不利于探索式分析．针对这些问题，提出了一种新的方法，它基于商品分类信息度量规则间的距离，避免了耗时的原始数据集扫描；然后用OPTICS聚类算法产生便于探索式分析的聚类结构。最后用某个零售业公司的实际交易数据做了实验，并通过可视化工具演示了聚类效果，实验结果表明此方法是实用有效的。     

基于模糊AHP的大学课堂教学质量评价研究

为了对大学教师课堂教学质量进行有效的监督和管理,建立了现代信息技术环境下大学教师课堂教学质量评价指标体系,基于模糊综合评判法和层次分析法(AHP)建立了教师课堂教学质量评价模型,应用此模型实例分析某教师的课堂教学质量并提出相应的提升策略,提高了评价的科学性和实用性。     

Discovery of unapparent association rules based on extracted probability

Association rule mining is an important task in data mining. However, not all of the generated rules are interesting, and some unapparent rules may be ignored. We have introduced an “extracted probability” measure in this article. Using this measure, 3 models are presented to modify the confidence of rules. An efficient method based on the support-confidence framework is then developed to generate rules of interest. The adult dataset from the UCI machine learning repository and a database of occupational accidents are analyzed in this article. The analysis reveals that the proposed methods can effectively generate interesting rules from a variety of association rules.     

数据挖掘在高校教学管理中的应用研究

将数据挖掘技术应用到教学管理,基于CR ISP-DM数据挖掘模型,使用SPSS数据挖掘工具,从海量的学生成绩数据中发现有用的信息,并将这些信息有效地组织、整理、提取,以便及时了解教学活动状况、分析课程之间的相互关系、了解学生的学习特征、把握教学方面的异常现象等。该方法能增强教学与教学管理改革的针对性,能为管理者提供教务管理的经验和进行总结的方法,并能提高其工作效率,实现合理的教学安排。     

Prioritization of association rules in data mining: Multiple criteria decision approach

Data mining techniques, extracting patterns from large databases are the processes that focus on the automatic exploration and analysis of large quantities of raw data in order to discover meaningful patterns and rules. In the process of applying the methods, most of the managers who are engaging the business encounter a multitude of rules resulted from the data mining technique. In view of multi-faceted characteristics of such rules, in general, the rules are featured by multiple conflicting criteria that are directly related with the business values, such as, e.g. expected monetary value or incremental monetary value.

In the paper, we present a method for rule prioritization, taking into account the business values which are comprised of objective metric or managers’ subjective judgments. The proposed methodology is an attempt to make synergy with decision analysis techniques for solving problems in the domain of data mining. We believe that this approach would be particularly useful for the business managers who are suffering from rule quality or quantity problems, conflicts between extracted rules, and difficulties of building a consensus in case several managers are involved for the rule selection.