一种改进的动态遗传Apriori挖掘算法

在经典关联规则算法Apriori的基础上,提出了一种改进的动态遗传Apriori挖掘算法。通过动态遗传Apriori挖掘算法对学生成绩管理数据库中的课程进行分析,找出各课程之间的隐藏关系,得到一些合理、可靠的课程关联规则,从而根据这些规则进行课程的合理设置。实验结果表明,该算法能高效地解决数据挖掘问题。     

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.     

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。     

基于兴趣度-相关性规则挖掘的研究及在推荐选课系统的应用

通过分析和比较现有的关联规则挖掘算法,针对本研究的问题,采用一种改进的基于兴趣度的增量挖掘算法,该算法既适用于动态数据库的更新挖掘,又适用于最小支持度和最小置信度变化的更新挖掘.然后将其运用于推荐选课系统中,通过对学生已有成绩数据库信息和己选课信息进行深层次的数据挖掘,获取合理、可靠的课程结构关联规则.本系统既考虑课程之间关联规则的相关性,又考虑学生的学习能力和学习兴趣,为选课推荐服务提供更好的支持.     

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.     

改进的关联规则算法及其应用

本文根据数据挖掘中关联规则的性质以及高校成绩管理数据库的自身特点,在经典关联规则算法Apriori算法的基础上提出了一种改进的算法A 算法,并利用该算法对学生成绩管理数据库进行了关联规则挖掘,得到了隐含在数据库中的有用信息.     

一种改进的Apriori算法

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。通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题。Apriori算法是关联规则挖掘中的经典算法。对Apriori算法做了改进。借助0—1矩阵给出了计算项集的支持度计数的更快方法,同时还简化了Apriori算法中的连接和剪枝操作,从而在时间和空间上提高了Apriori算法的效率。     

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.     

兴趣度在增量的关联规则挖掘中的研究

一般的关联规则发现算法使用的都是支持度、置信度框架.但是在增量的数据挖掘过程中,该类算法却需要不断改变支持度、置信度,使得算法本身效率下降,并缺乏可说服性,比如Apriori算法.为了解决该类问题,使用兴趣度框架对增量的数据进行了关联规则挖掘,比较了基于支持度、置信度框架的算法(如Apriori,FUP算法)和基于兴趣度的算法之间的优缺点.试验结果表明:兴趣度能够有效地筛选关联规则,在进行增量的数据挖掘的情况下得到的关联规则总是小于等于支持度、置信度(Aprori)算法挖掘出的规则.     

Apriori算法在学生成绩管理中的应用

介绍了关联规则的基本概念及Apriori算法,提出了成绩预警模型,并利用Apriori算法进行了求解。所得到不及格课程之间的关联规则,可以为教师的教学管理及学生学习提供一定的指导和参考。     

Japanese Teaching Quality Satisfaction Analysis with Improved Apriori Algorithms under Cloud Computing Platform

In this paper, we use modern education concept and satisfaction theory to study the construction of a system used to evaluate Japanese teaching quality based on a satisfaction model. We use a cloud computing platform to mine the rules of Japanese teaching quality satisfaction by using an improved Apriori algorithm to explore the impact of measurement indicators of teaching objectives, processes and results on overall satisfaction with Japanese teaching practices, so as to improve Japanese teaching in the future. Scientific decision-making, improvement of teaching practices, transformation and innovation of students’ learning methods provide data reference and theoretical support.     

MCRS: A course recommendation system for MOOCs

With the popularization development of MOOC platform, the number of online courses grows rapidly. Efficient and appropriate course recommendation can improve learning efficiency. Traditional recommendation system is applied to the closed educational environment in which the quantity of courses and users is relatively stable. Recommendation model and algorithm cannot directly be applied to MOOC platform efficiently. With the light of the characteristics of MOOC platform, MCRS proposed in this paper has made great improvement in the course recommendation model and recommendation algorithm. MCRS is based on distributed computation framework. The basic algorithm of MCRS is distributed association rules mining algorithm, which based on the improvement of Apriori algorithm. In addition, it is useful to mine the hidden courses rules in course enrollment data. Firstly, the data is pre-processed into a standard form by Hadoop. It aims to improve the efficiency of the basic algorithm. Then it mines association rules of the standard data by Spark. Consequently, course recommendation information is transferred into MySQL through Sqoop, which makes timely feedback and improves user’s courses retrieval efficiency. Finally, to validate the efficiency of MCRS, a series of experiments are carried out on Hadoop and Spark, and the results shows that MCRS is more efficient than traditional Apriori algorithm and Apriori algorithm based on Hadoop, and the MCRS is suitable for current MOOC platform.

     

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。     

在线教学中影响学习者学习效果的因素分析与实证研究

在教育信息化、全球化的大环境下,如MOOC、可汗学院、高校精品课程等在线教育平台应运而生,这些平台每年都会产生海量的学习活动和教学管理数据,如何有效地利用这些数据提升学生的学习效率已经成为在线教育面临的挑战之一。目前,对在线学习过程中影响学习效果的因素,研究者持有不同的态度。本文利用某高校在线教育平台数据,探索与验证在线教学过程中影响学习者学习效率的相关因素。首先对目前在线教育情况与分析技术进行说明,再结合统计与关联规则挖掘算法的特点,将数据预处理后,通过统计与Apriori关联分析算法进行分析,并将结果可视化呈现。分析发现,教师批阅作业所给出的平均成绩与教师批阅的作业量负相关;学生完成在线作业普遍具有“延迟性”;学习效果与登录次数、在线时间和在线讨论次数正相关。最后通过分析结果,给出在线学习过程中提高学生学习效果的建议。     

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。     

关联规则在教务管理中的应用

运用数据挖掘技术中的关联规则,对历届学生成绩数据进行分析,找出各课程之间的隐藏关系,对数据进行了标准化、离散化处理,并采用经典Apriori算法进行数据挖掘,得到了一些合理、可靠的课程关联规则.这些规则应用到教学管理中,可以为学生选课提供有效的指导以及合理设置课程.     

土木工程制图课程中“主动学习”教学模式实践

根据土木工程制图的内容及教学要求，修订教学计划，调整教学内容。在课程体 系中增加构型设计和行业先进技术建筑信息模型(BIM)技术，尝试以学生为中心的教学方法， 以项目学习为驱动，在实际教学中培养学生学习主动性并提高学习效率。普通班与试验班教学 效果评估及评教结果显示，新的教学模式较有效的调动学生学习主动性有一定积极作用。     

基于改进的Apriori算法的学位预警应用研究

分析了基于关联规则的数据挖掘技术原理,描述了经典的Apriori算法的原理及在实际应用中的弊端,并在此基础上运用精减频繁项集、运用多关键字排序重排频繁项集、压缩数据库方式以及算法中止条件方面对Apriori算法进行改进,并成功应用于高校学位预警系统中。     

与基于模型定义技术相融合的工程图学课程教学探讨

摘 要：针对工程图学课程教学,从工程应用角度介绍了产品定义技术所经历的 3 个阶段, 即二维设计二维出图、三维设计二维出图和全三维数字化定义,引出基于模型技术的起源与应 用发展。结合波音 787 飞机模型解析了基于模型定义数据集的组成和表达形式。引用航空标准 中几何尺寸与公差标注方法,以圆柱面为例,探讨了与基于模型定义技术相融合的工程图学课 程教学案例,对比分析了二维工程图和三维基于模型定义数据集的表达内容、表达形式和优缺 点。与基于模型定义技术相融合的工程图学课程教学,一方面可以增加课堂信息量、拓宽学生 的知识面,强化学生的工程基础,为后续专业课程学习和实际应用打下良好基础;另一方面也 可以激发学生的学习兴趣和科研兴趣,形成科研与教学之间的良性互动。