DMS个性化远程教育课程

1、DMS个性化远程教育课程服务于个别学生的需要独立的时间,地点,或任何其他限制。这意味着应该服务的远程教育系统数据挖掘系统(DMS)监测、干预,法律顾问教育学习的过程。DMS数据挖掘系统DMS是设计和实现分析两种编程课程的学习记录计算机科学的课程。各种数据挖掘方案,包括线性的回归和概率模型,用于描述和预测学生的性能。结果表明,DMS可以帮助远程教育老师,甚至在相对较少的课程的学生,介入一个学习的过程在几个级别:提高练习,调度过程和识别潜在的辍学者处于早期阶段。粘胶丝(虚拟计算机科学的研究)是一个远程教育项目最初打算为高中学生感兴趣继续在大学之后与计算机科学(CS)作为他们的主要主题1。提供与真正

2、的学习者探索设计一个实验平台技术教育的机会,吸引年轻人的选择信息和通信技术(ICT)作为未来的职业。能调用这些利益招聘、学术和工业的分别。因此,粘胶丝项目的成功可以实现测量的三个期望,在某种程度上,数据挖掘可以用于分析和支持至少1和3。数据挖掘技术如何更好的促进学生成绩,获益我们招聘的目的？招聘的一个重要组成部分是学生通过粘胶丝来完成正向方式学业。我们的主要动机是构造模型的数据。这需要描述性和预测性模型之间的交互,或者数据采矿和机器学习。智能辅导系统的范例这个想法智能辅导系统是适应根据个人教学技能,知识,和需要,给个人及时的反馈。系统是一个家教的核心模块,这是负责选择合适的生成等操作测试和练习

3、,给予提示和解释,表明学习主题、搜索和学习材料的合作伙伴。智能辅导系统的主要思想：他们应该适应即适应个体学生的需求。但到目前为止,当前信息技术服务标准远非真正的自适应性。相反,当前系统非常稳定:他们要么是基于一个完全确定性、基于规则的系统或即使使用一些不确定的规则,他们也是由专家预定义的。一个典型的由一个预定义的学习路径,学生收益通过研究一个概念并通过测试进入下一个话题。所谓的贝叶斯学习模型也是固定的模型结构，老师分配概率通过一个测试,如果这个概念实际上是不清楚的，则这样的模型是唯一的贝叶斯更新的方法概率的贝叶斯规则。例如目录搜索方式程序提供了一个总体框架贝叶斯,那么老师可以自己取舍为她自己的

4、课程设置分配所需的参数。一般造型开发真正的范例自适应的同期和测试某些技术与实际过程数据的适用性。采用了描述性和预测性模型的对偶原则相结合的数据挖掘和机器学习的经典范例，其想法是在描述性阶段,我们分析过程数据和搜索本地模式的相关性和关联规则。这些结果指南,尤其是在选择合适的建模范式确定预测模型的模型结构。在预测阶段,建模范式或范式(如线性回归,贝叶斯网络)是固定的,我们定义了模型结构(变量及其关系)，然后得到了数据模型参数。由此产生的模型中应用下一个课程和更新的新证据。这也是最后的测试模型的有效性和指导施工过程在接下来的周期。数据描述在我们使用两种编程课程记录(Prog.1和Prog.2),教下

5、粘胶丝远程学习计划的模型建设中，课程记录标识符包含学生性别、锻炼任务点19周,考试任务分,总分和成绩、锻炼任务划分共分为六类,根据主题(表1)，数据被收集在学术年2001 - 2002和2002 2002，在两年里自课程开始一直都不变,我们只是将两个相结合记录经过正常化，由此产生的数据集被分成两组。计算方式：Parts：viscos1，这包含了所有的学生（122行），和viscos2，其中包含只有那些通过Prog.1的课程的学生。1课程（91行）。选择属性，其域名和描述列于表2。在原始数据集，所有属性是数字的，但对于关联规则概率模型，我们将其转化为二进制值的定性属性。在运动类，A,F,我们简单

6、将数字域分为两类：little=0，,max/2,lot=max/2+1,max.但是总得分，max/2=15通过限制，我们对于通过Prog.1的课程的学生很感兴趣。当TPF R2，需要从其他课程的最后信息（运动类F受欢迎的）才能使用。另一方面模型BF R2可以对基于对运动类B信息编程课程二次的结果做出很好的预测。模型在运动类F已使用的产量特别好的结果为成功与失败的预测。这表明E意义重大。因此它可以用来事前为学生提供帮助的课程预测考试失败。我们也看到F没有属性在模型的预测效果T P1,D,EF R2等于预测从T P1,D,E,FF R2，从而影响F课程的结果是最小的。关联规则与概率模型关联规则

7、提供了一个很好的方法来模拟属性之间的非线性依赖关系。一般来说，关联规则是形式XY，X是属性集Y的单一属性。该规则的信心，cf（zXY），告诉如何坚强规则是，和频率或规则的支持，fr（XY），告诉覆盖规则（即数据集的一部分）。我们正式定义：定义2设RA1Ak是一组二进制值的属性，R和在R的关系。规则信心和频率XY,XR,YR,YR被定义为cf(XY）P（X,Y）/P（X）P（YX）和fr（XY）P（X,Y）给定用户定义的阈值cf,最小fr0，1，我们说规则是有信心的。如果cf（XY）最小cf。频繁的说如果fr（XY）最小fr。在粘度数据我们发现了几个有趣的关联规则。在表6中列出了预测程序的最终结

8、果都频繁的规则。1、2课程。最小频率阈值最小fr定义根据x2试验只抓那些规则，这是统计学上的显著水平0.01（表5）。这个决定是至关重要的（相比，用户定义的，恒定的频率阈值），因为对于小数据集具有很少的属性的频率真的很高，之前的规则有任何统计值。此外，脱粒岁迅速减小，当属性的数目的增长。对于最小的信心我们用价值cf0.7阈值。 关联规则已经可以用于预测。我们可以预测学生已经做了很多A和B任务将92%概率通过课程1。然而，频繁的规则只覆盖学生的子集，为了这个目的需要一个更平常的模型。对于程序1和程序2我们已经构建简单朴素贝叶斯模型，NB1、NB2，。1、黄体酮2课程。在图2中给出了模型结构，图7

9、中给出了参数。 在朴素贝叶斯模型中，我们对叶节点进行了朴素贝叶斯假设仅依靠根节点。在现实中这个假设很少见，但在实践中，朴素贝叶斯模型已经证明了很好的工作。事实上，多明戈斯等铝。 19 已经表明，这是一个充分的，但不是必要条件。问题建模：球的颜色表示类别，这里有两类，即C:Cr，Cy。球的特征有2个，分别表示小写字符和数字，即F:F1,F2。现在的问题是：对于一个给定的特征变量f（比如），计算P(Cr|f)和P(Cy|f)哪个大。利用贝叶斯定理：P(Cr|f) = P(Crf) / P(f) = P(Cr)*P(f|Cr) / P(f) = P(Cr)*P(f1|Cr)*P(f2|Cr) / P

10、(f)最后一步的推理我们稍后来说。 通过那100个球的样本集，我们可以很容易地得到等式最右边的各个概率值，比如有48个黄球，52个红球，则P(Cr)=52/100，其中有6个红球的字符为b，有10个红球的数字为7，则P(f1|Cr)=6/52，P(f2|Cr)=10/52。这样，通过统计样本的各类别先验概率和“已知类别下各特征”的条件概率，通过上述公式推理，可以很容易地得到这个给定变量f所属各类别的概率值。 现在再来说说上述推理中的最后一步是如何得到的，即P(f|Cr)是如何演化为P(f1|Cr)*P(f2|Cr)的？原因很简单，因为朴素贝叶斯基于这样一个假设：特征集里的每个特征都是彼此独立的

11、。由概率知识可知当A,B彼此独立时，P(AB)=P(A)P(B)。因此上述推理很自然地成立了。这个假设是朴素贝叶斯不同于贝叶斯网络等其它贝叶斯分类算法的根本，也是朴素贝叶斯这个名称的由来。虽然这个假设缩小了其使用场景，但是其形式上的简单性对于解决一些特征彼此或近似独立的问题时，有着非常好的表现。我们要谨慎地使用贝叶斯公式。一个更好的更接近的方法可能是在使用贝叶斯公式时，其属性网之间的关联度相对独立，弗里德曼等人也指出，可以实现的达到最佳精度的方式是让每个属性最多与一个其他属性相关联。Dempster-Shafer理论提供了另一种选择：我们可以通过强化关联规则来及时更新（比如F=lotFR2=1

12、），但保持其他的预测不变。交叉验证的预测能力评估当没有新的测试数据可以利用的时候，交叉验证是一个标准的方法来评估模型的预测能力。方法是原始数据的大小设置为n，并将n分成k次做成一个训练集和一个测试集n-n/k和n/k。每一次一个新模型的诞源于训练集，以及测试集的测试。最后，总结得到的总的分类率（平均值）的分类。 对比此模型，我们发现LR模型作出更为悲观的预测，例如LR模型认为失败优于通过，而NB模型更为积极。LR模型中分类率更优，因为NB模型建立的模型结构较为简单，不管学生在分类上得分多少，它只包含二进制信息。但是，当我们只考虑一般的分类率时，NB模型较之LR模型可以利用新的信息（测试三中的E

13、点）。NB模型更为通用也被认为更适用于有不同任务与实现最大效率的新课程的设立。两种预测模型范式的适用范围取决于一些假设，这些假设在描述性模型中体现。线性回归模型以数值属性的强相关性为前提。运动的点和总点数都非常满足这个条件，而且值得注意，对于变化的不同类的属性值，该模型可以容易拟合。为了最大限度地减少这种差异，我们建议相似特性进行分类。贝叶斯模型不只捕捉线性依赖关系，包括任何条件下的关系。他们可以很容易地应用到任何离散数据，但要限制模型的复杂度，从而过度拟合，我们获得所有属性值的二进制数值。这使得模型很通用化，但在另一方面，贝叶斯模型不像线性回归那样合适。重要的问题是贝叶斯的假设，属性应该是独立的类。它已经表明，这种情况下是唯一的，但对于最优性的贝叶斯分类是没有必要的，我们的实验表明，该模型有很强的相关性（即线性依赖）。这种情况经常发生，某些主题是新主题的先决条件，且后者反映了前者。这就是为什么我们正在研究其他类似的范例，像一般的贝叶斯网络和D-S证据的适用性理论。另一个有趣的问题是，相关性缺乏是否贝叶斯优化的充分条件。 为了