نوع مدرک: | متون چاپی |
سرشناسه | شیرعلیزاده دزفولی ، محمد، نویسنده |
ردهبندی کنگره : | COM soft 28 1398 |
عنوان : | بهبود پیشبینی وضعیت تحصیلی دانشجویان با کمک تکنیکهای دادهکاوی و الگوریتمهای یادگیریماشین |
عنوان موازی : | Improving Prediction of Academic Status of Students Using Data Mining Techniques and Machine Learning Algorithms |
ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
سال نشر : | 1398 |
صفحه شمار: | ح، 108ص |
یادداشت | پایان نامه کارشناسی ارشد: مهندسی نرم افزار |
شناسه افزوده : | نعمت بخش ، ناصر، استاد راهنما سلیمانی نیسیانی ، بهزاد، استاد مشاور |
توصیفگرها | دادهکاویآموزشی طبقهبندی پیشبینی وضعیت تحصیلی جنگل تصادفی شبکه عصبی عمیق Educational Data Mining Classification Educational Prediction, Random Forest Deep Neural Network |
چکیده : | مراکز آموزشی و دانشگاهی به طور خاصی بر روی عملکرد دانشجویان نظارت داشته و به آن اهمیت داده و به دنبال کشف و شناسایی عوامل تأثیرگذار و ارائهی رویکردی در راستای ارتقای سطح تحصیلی دانشجویان میباشند. دادهکاویآموزشی یک مبحث تحقیقاتی نوظهور میباشد که در راستای ارتقا سطح تحصیلی، به مراکز آموزشی کمک میکند تا وضعیت دانشجویان خود را پیشبینی و ارزیابی کنند. دستاوردهای آکادمیک برای مؤسسات آموزش عالی در سرتاسر دنیا دغدغهی بزرگی هستند. امروزه فضـای رقابتی شدیدی در دانشگاههای مختلف و مراکز آموزشی حاکم شده اسـت. یکی از چالشهای جدی در مدیریت امـور آموزشـی دانشـگاهها، پیشبینی وضعیت تحصیلی دانشجویان در نیمسال آینده بهمنظور شناسایی دانشجویانی است که دچار افت تحصیلی شده و ادامه تحصیل با مشکل مواجه خواهد شد. این پژوهش به بررسی عوامل تأثیرگذار در تشخیص و پیشبینی وضعیت تحصیلی دانشجویان از دو بعد آموزشی و الگوریتمی میپردازد. در این پژوهش از 37657 داده دانشجویان تمامی مقاطع دانشگاه شهید اشرفی اصفهانی با 27 ویژگی مختلف، در بین سالهای 85 الی96 هجری شمسی، استفادهشده و پس از انجام مراحل پیشپردازش، از شش الگوریتم (درخت تصمیم، جنگل تصادفی، شبکه عصبی عمیق، نزدیکترین همسایه، بیزینساده و رگرسیون لجستیک) در جهت پیشبینی وضعیت تحصیلی هر دانشجو، از اعمال روشهای شناسایی صفتهای مؤثر جهت کشف مهمترین عوامـل تأثیرگذار بـر پیشـرفت تحصیلی استفادهشده است. سپس نتایج مدلهای یادگیری و دادهکاوی مختلف، توسط معیارهای مهم و عام این حوزه، مورد ارزیابی قرارگرفته و مقایسه شده است. زبان برنامهنویسی پایتون و کتابخانههای یادگیری ماشین آن، جهت پیادهسازی آزمایشهای این تحقیق استفادهشده است. با استفاده از روشهای انتخاب صفتهای مؤثر مشخص شد که 3 ویژگی (تعداد واحد گذرانده شده، تعداد واحد اخذشده و معدل نهایی) تأثیرگذارترین ویژگی در میان 26 ویژگی موجود در جهت پیشبینی وضعیت نهایی هر دانشجو میباشد. درنهایت مشخص شد که از بین مدلهای بررسیشده، مدل جنگلتصادفی با صحت کلی 96.26 درصد و با در نظر گرفتن تمامی ویژگیها، بهترین نتیجه و مدل شبکه عصبی عمیق در معیارهای دقت و فراخوانی به ترتیب با کسب نتایج 92.81 درصد و 92 درصد بهترین عملکرد را به خود اختصاص داده است |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=12613 |
زبان مدرک : | فارسی |