数据挖掘技术在构建学生成绩预警系统的应用

该文运用数据挖掘中关联规则技术,研究了高校学生不及格课程之间的关联性,给出了学生成绩预警系统的理论化模型。为教育工作者及早发现和帮助问题学生提供了一个范例。     

数据挖掘算法微课程教学设计研究

微课程建设是构建学习型社会的重要内容之一。根据数据挖掘课程学科交叉性强、知识点难度高、主题模块明确的特点,设置了以算法为微课主题的数据挖掘微课程设计方案。以Apriori关联规则算法为例,从内容选择、设计思路、实现方法方面阐述微课程的开发与制作流程。从教学实践效果可知,该微课程能提高学生的学习兴趣和自主学习能力,不仅为数据挖掘课程提供辅助资源,同时,也为其他程序设计类课程的教学设计提供思路。     

K-means聚类算法的实例教学研究

针对数据挖掘课程理论知识多、讲解抽象难懂的教学实际,重点研究数据挖掘课程的经典算法K-means聚类算法的实例教学策略,以提高学生对数据挖掘算法的学习兴趣,加强实际应用能力。研究内容包括选择实例、讲解实例、扩展实例和教学评价4部分。选择合适的实例提升学生学习兴趣;讲解实例使得学生掌握基本的K-means算法;扩展实例增强学生实际应用K-means算法的能力;最后教学评价进一步完善教学质量和效果。     

数据挖掘中关联弱化问题的解决方法分析

当前的支持向量机和均值聚类等数据挖掘算法中,几乎都是依靠数据之间的关联性来完成数据匹配。一旦数据库中含有大量的冗余数据,将造成数据之间的相关性降低,关联性被破坏,导致传统的数据挖掘算法效率降低。为了避免上述缺陷,提出了一种弱化关联规则修补挖掘算法。利用弱聚类方法,在数据选择过程中,不将所有的元素都进行初始分类处理,只计算某一元素属于某一个类别的概率,确定多个弱聚类中心,计算不同数据之间的弱聚类关联性,从而实现关联规则较弱的冗余环境下准确的数据挖掘。实验结果表明,这种算法能够有效提高海量冗余环境下的数据挖掘效率,取得了令人满意的效果。     

基于FP_growth算法的课程相关性的关联规则研究

文章探讨了高校专业课程间的相关性问题,通过对数据挖掘中的关联规则挖掘进行研究,将关联规则挖掘应用于高校教务管理数据库,针对学生的成绩数据进行预处理,并利用FP_growth算法较快地挖掘出隐藏在成绩数据之后课程关联性规则,从而得到了一些合理、可靠的课程相关性规则,为高校的专业课程设置和学生选课提供决策依据。     

数据挖掘课程混合式教学改革探索

基于数据挖掘课程的特点和目前教学中存在的问题,对数据挖掘课程进行混合式教学改进探索,优化教学内容,丰富教学模式,完善考核评价体制,实现学习的过程化管理,采用分层次、递进式实践练习任务促进数据挖掘算法原理的理解和应用,逐步从"以教师为中心"的教学模式向"以学生为中心"的模式转变.实践证明改进的混合式教学模式调动了学生学习...     

数据挖掘技术在高校学生成绩分析中的应用

本文首先介绍了数据挖掘技术对高校学生成绩分析的意义与目标,在此基础上对目前常用的挖掘算法进行了分析与研究,最后以粗糙集算法为例实际介绍了学生成绩数据挖掘实例。     

数据挖掘在高校学生心理问题中的应用

随着高校学生的心理问题越来越多,越来越复杂,使得传统的对学生心理问题的统计分析方法已不适应深入分析的需要。应用数据挖掘技术中的C4.5算法对学生心理数据库进行了情况分类,并对得到的结果进行了分析,得出了影响高校学生心理的因素,对高校学生进行心理健康状况预测,为高校学生心理健康教育提供决策支持。     

关联规则在学生成绩管理系统中的应用

关联规则是数据挖掘的重要的组成部分之一。利用关联规则的Apriori算法,以学生成绩数据库为研究对象,挖掘课程之间的良好关系,为教学管理部门设置安排课程提供理论指导。     

数据挖掘课程中过程生成式启发教学研究

本科生数据挖掘和机器学习课程内容抽象难懂,传统的高等院校教材以讲授式为主。目前已提出大量的案例 式、项目式教学方法降低学习难度,但仍然存在抽象、不容易实施、缺少对算法原理剖析的缺点。提出在数据挖掘课程中采用 过程生成式启发教学,将学生的生活经验原型逐步形式化为严谨的数据挖掘算法,降低了学习难度,有助于学生对算法的深刻 理解,取得了更好的教学效果,在保证学科知识教学正确性与科学性的基础上,帮助学生学科素养与学科能力的生成。