Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Тема выпускной квалификационной работы: «Прогнозирование успеваемости студентов в системах электронного обучения» Цель работы: исследование и применение методов интеллектуального анализа и программных средств для прогнозирования успеваемости студентов. Данная работа посвящена построению прогнозирующих моделей, предсказывающих, окончит студент курс или нет. Задачи, которые решались в ходе исследования: • Обзор возможных задач интеллектуального анализа в образовании, которые имеют отношение к поставленной цели; • Анализ задач и алгоритмов интеллектуального анализа; • Исследование программных средств, позволяющих решить задачи интеллектуального анализа; • Применение рассмотренных программных средств для достижения поставленной цели. В результате работы с помощью языка Python были построены и обучены прогнозирующие модели. Были использованы следующие алгоритмы: метод ближайших соседей, дерево решений, упрощенный алгоритм Байеса, машина опорных векторов и нейронные сети. Для каждого алгоритма были получены метрики и матрица ошибок.
Theme of this work is “Prediction of student performance in e-learning systems” The purpose of this work is research and application of methods of data mining and software for predicting student performance. This work focus on the construction of predictive models that predict whether the student will graduate from the course or not. Solved tasks during the study: • An overview of the possible tasks of educational data mining that are relevant to the goal; • Analysis of tasks and algorithms of data mining; • Study of software tools to solve the tasks of data mining; • Application of the considered software tools to achieve the goal. As a result, predictive models were built and trained using the Python language. The following algorithms were used: K-Nearest Neighbor, Decision Tree, Naive Bayes classifier, Support Vector Machine and Neural networks. For each algorithm, metrics and an error matrix were obtained.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 15
Last 30 days: 0 Detailed usage statistics |