1720پ

Choosing an appropriate algorithm to improve education level of PNU students in E-Learning using data mining

كارشناسي ارشد

كامپيوتر و فناوري اطلاعات - نرم افزار

دانشگاه پيام نور تهران شمال

1395

103ص.

خليلي ، مهدي

نظري ، مهسا

80-83

84-86

Data mining, Educational data mining, Algorithm, E-Learning, Neural network, MLP, RBF, SVM, KNN

داده كاوي در زمينه آموزش و پرورش به ويژه جهت بررسي رفتار دانشجويان در آموزش آنلاين بسيار مفيد است. يكي از مهم ترين پتانسيل هاي داده كاوي در تجزيه و تحليل و كشف اطلاعات مخفي از داده ها است كه اگر به صورت دستي اين كار انجام شود، بسيار سخت و وقت گير است. با توجه به تأثير نظام آموزشي هر جامعه در پيشرفت آن جامعه، و از طرفي توسعه استفاده از داده كاوي و شبكه هاي عصبي در زمينه آموزش؛ و بدليل كم بودن تحقيقات جامع در ايران، در اين پايان نامه الگوريتمي انتخاب و ارائه شد كه با استفاده از مدل هاي داده كاوي و شبكه هاي عصبي، به ارتقاء سطح تحصيلي دانشجويان دانشگاه پيام نور در آموزش الكترونيك مي پردازد. در اين پايان نامه از بين عوامل تاثيرگذار در ارتقاء سطح تحصيلي دانشجويان، انتخاب بهترين دروس در ترم با توجه به پارامترهايي نظير: جنسيت، سن، تاهل، داشتن فرزند، شغل و يكسان بودن محل زندگي و محل تحصيل مورد بررسي قرار گرفته است. آزمايشات در دو سطح جهت انتخاب و ارائه الگوريتم مناسب، از بين 4 مدل: MLP (پرسپترون چندلايه)، RBF (تابع پايه شعاعي)، SVM (ماشين بردار پشتيبان) و KNN (نزديكترين همسايگان)، انجام شده است. در سطح اول با استفاده ار پارامترهاي پيش فرض مدل هاي داده كاوي و در سطح دوم، با تغيير در ساختار و پارامترهاي اين مدل ها به انجام آزمايشات در راستاي كاهش خطا در روند تشخيص و بالا بردن دقت، پرداخته ايم. در نهايت مدل MLP با ميزان خطاي 0.05 ، بيشترين دقت را نسبت به ساير تحقيقات مشابه داشته و از اين رو عملكرد بهتري دارد.

1396/8/9

43402