دانلود پایان نامهتدوین شاخص‌ها و داشبورد ارزیابی و پیش‌بینی پیشرفت تحصیلی دانشجویان با شبکه‌عصبی و درخت‌تصمیمC5

دانلود پایان نامه

پایان نامه کارشناسی ارشد رشته فناوری اطلاعات

دانشگاه قم

دانشکده فنی و مهندسی

پایاننامه دوره کارشناسی ارشد مهندسی فناوری اطلاعات

گرایش تجارت الکترونیک

 

عنوان:

تدوین شاخص‌ها و داشبورد ارزیابی و پیش‌بینی پیشرفت تحصیلی دانشجویان با شبکه‌عصبی و درخت‌تصمیمC5

 

برای رعایت حریم خصوصی نام نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

چکیده

درک عواملی که منجر به موفقیت یا شکست در امتحانات مسئله ای جالب و چالش برانگیز است.مفاهیم مرتبط، تجزیه و تحلیل عوامل موفقیت در امتحانات، ممکن است به درک و به طور بالقوه به بهبود پیشرفت تحصیلی کمک کند.بنابراین در این پژوهش ضمن مروری کلی بر داده کاوی و ویژگی های اصلی یک داشبورد مدیریتی کارا، سعی بر این است تا یک مطالعه موردی بر روی پایگاه داده های دانشگاه های سراسری و آزاد استان قم صورت گیرد تا پیشرفت تحصیلی دانشجویان پیش بینی گردد.

در این پژوهش ابتدا توسط الگوریتم k-means خوشه بندی صورت گرفته است و با استفاده از شاخص ارزیابی SSE ، تعداد خوشه بهینه تعیین گردیده است. بنابراین تعداد خوشه بهینه برای دانشجویان چهار خوشه می باشد و سپس خوشه ها با روش های پیش بینی داده کاوی از جمله شبکه عصبی و درخت تصمیم C5 که از پرکاربردترین و دقیق ترین روش های پیش بینی می باشند، پیش بینی شده اند و درنهایت با استفاده از نتایج این روش ها، شاخص های مناسب یافت شدند و به صورتی روشن در یک داشبورد نمایش داده شدند.

واژه‌های کلیدی:داده کاوی آموزشی، شبکه عصبی، خوشه بندی، درخت تصمیمC5، داشبورد.

فهرست مطالب

فصل اول: 1

1-1-مقدمه. 2

1-2-تعریف مساله و بیان سوال های اصلی تحقیق. 3

1-3-ضرورت انجام تحقیق. 6

1-4-هدف‌ها و کاربردهای مورد انتظار از انجام تحقیق. 7

1-5-جنبه جدید بودن و نوآوری طرح. 7

1-6-قلمرو مکانی و زمانی تحقیق. 8

1-7-روش تجزیه و تحلیل داده‌ها 8

1-8-ساختار تحقیق. 8

1-9-تعاریف و اصطلاحات.. 9

1-10-نتیجه گیری.. 12

فصل دوم: 122

2-1- مقدمه. 133

2-2-انگیزه‌های کاوش داده 13

2-3-نیاز به داده‌کاوی.. 15

2-4- چالش‌های داده‌کاوی.. 16

2-4-1- چالش‌های اولیه. 17

2-4-2- چالش‌های ثانویه. 18

2-5-معرفی داده‌کاوی.. 19

2-5-1-منشاُ علمی.. 21

2-5-2- معماری سیستم داده‌کاوی.. 21

2-5-3- مراحل عملیات داده‌کاوی.. 23

2-5-3-1-آماده‌سازی داده 23

2-5-3-2-یادگیری مدل. 24

2-5-3-3-ارزیابی و تفسیر مدل. 25

2-6- محدودیت‌های داده‌کاوی.. 25

2-7- قابلیت‌های داده‌کاوی.. 26

2-8- روش‌های یادگیری مدل در داده‌کاوی.. 26

2-8-1- روش‌های پیش‌بینی.. 26

2-8-1-1- دسته‌بندی.. 27

2-8-1-2- رگرسیون. 27

2-8-1-3-تشخیص انحراف.. 28

2-8-2- روش‌های توصیفی.. 29

2-8-2-1- خوشه‌بندی.. 30

2-8-2-2- کشف قوانین انجمنی.. 32

2-8-2-3- کشف الگوهای ترتیبی.. 32

2-9- فنون داده‌کاوی.. 32

2-9-1- یافتن خودکارخوشه‌ها 34

2-9-1-1-نقاط قدرت این روش… 34

2-9-1-2-نقاط ضعف… 34

2-9-1-3- کاربرد. 34

2-9-2- درخت‌های تصمیم‌گیری و استقرا قاعده‌ای.. 35

2-9-2-1-نقاط قوت.. 35

2-9-2-2-نقاط ضعف روش درخت‌تصمیم‌گیری.. 35

2-9-2-3-کاربرد. 36

2-9-3- شبکه‌های عصبی.. 36

2-9-3-1- نقاط قوت شبکه‌های عصبی مصنوعی.. 36

2-9-3-2- نقاط ضعف شبکه‌عصبی.. 37

2-9-3-3-کاربرد. 37

2-10- درجه‌بندی فنون مختلف داده‌کاوی از جهت سختی و آسانی.. 37

2-11-تعریف داشبورد. 38

2-12- سابقه تحقیق. 43

2-12-1- سابقه داده‌کاوی.. 43

2-12-2- سابقه داشبورد. 47

2-13 بررسی مراحل داشبورد در چند نمونه. 49

2-14-نتیجه گیری.. 50

فصل سوم: 51

3-1- مقدمه. 52

3-2- چارچوب تحقیق. 53

3-3- روش تحقیق. 54

3-3-1- طبقه‌بندی تحقیق برمبنای هدف.. 54

3-3-2- طبقه بندی تحقیق بر مبنای روش… 54

3-3-3- طبقه‌بندی تحقیق بر مبنای نوع داده‌ها 55

3-4- جامعه آماری.. 55

3-5- نمونه‌گیری.. 56

3-5-1- روش نمونه‌گیری.. 56

3-6- روش ها و ابزار گردآوری و تحلیل داده‌ها 56

3-7- ساختار اجرایی تحقیق. 57

3-7-1- ساختار اجرایی بخش اول تحقیق. 58

3-7-1-1- درک مساله. 59

3-7-1-2- شناخت داده‌ها 60

3-7-1-3- آماده سازی داده‌ها 61

3-7-1-4- مدل‌سازی.. 61

3-7-1-5- ارزیابی نتایج. 62

3-7-1-6- بکارگیری مدل. 62

3-8- تحلیل خوشه‌ای.. 63

3-9- الگوریتم  k-means. 64

3-10-شبکه‌عصبی.. 65

3-10-1- معماری شبکه. 66

3-11-درخت‌تصمیم. 67

3-12- شاخص مقایسه نتایج خوشه‌بندی با رویکردهای مختلف… 69

3-12-1- شاخص مجموع خطای مربعی.. 69

3-13- ابزار‌های داده‌کاوی.. 69

3-14- بخش دوم ساختار اجرایی تحقیق. 70

3-14-1- شناسایی شاخص… 70

3-14-2- پیاده‌سازی داشبورد. 70

3-15- ابزار پیاده‌سازی داشبورد. 71

3-16- نتیجه‌گیری.. 71

فصل چهارم: 73

4-1-مقدمه. 74

4-2-فرآیند داده‌کاوی.. 74

4-2-1-درک مساله. 74

4-2-2-شناخت داده‌ها 75

4-2-2-1- داده‌ها 75

4-2-2-2- انتخاب داده‌ها 75

4-2-3- آماده سازی و پیش پردازش داده‌ها 76

4-2-3-1- آماده سازی داده‌ها 76

4-2-3-2-پیش پردازش داده‌ها 77

4-2-4-مدل‌سازی.. 82

4-2-4-1-خوشه‌بندی.. 83

4-2-4-2- خوشه‌بندی k-means. 83

4-2-4-3- پیش‌بینی خوشه‌ها 84

4-2-4-4- پیش‌بینی با شبکه‌عصبی.. 85

4-2-4-5- پیش‌بینی با درخت‌تصمیم C5. 85

4-2-5- ارزیابی.. 88

4-2-6- به‌کارگیری مدل. 89

4-3- فرآیند طراحی و پیاده‌سازی داشبورد. 89

4-3-1- شناسایی شاخص… 89

4-4- نتیجه‌گیری.. 93

فصل پنجم: 94

5-1- مقدمه. 95

5-2- مروری برفصل‌های گذشته. 95

5-3- دستاوردها و نوآوری‌های تحقیق. 96

5-4- پیشنهادات برای تحقیق‌های آتی.. 97

5-5- محدودیت‌های تحقیق. 98

فهرست منابع. 99

برای دانلود متن کامل پایان نامه اینجا کلیک کنید

Leave a comment