Dự báo kết quả học tập bằng kỹ thuật học sâu : Luận văn Thạc sĩ Công nghệ thông tin. Chuyên ngành Hệ thống thông tin

Dự báo kết quả học tập là một chủ đề đang được quan tâm trong lĩnh vực giáo dục đào tạo. Dự báo sớm kết quả học tập có thể giúp sinh viên lựa chọn học phần phù hợp với năng lực cá nhân, giúp nhà quản lý và giảng viên xác định được...

全面介紹

Đã lưu trong:

書目詳細資料
主要作者:	Lưu, Hoài Sang
格式:	圖書
語言:	Undetermined
出版:	Cần Thơ Trường Đại học Cần Thơ 2020
主題:	Data mining,Khai thác dữ liệu
標簽:	添加標簽沒有標簽, 成為第一個標記此記錄!

Thư viện lưu trữ:	Trung tâm Học liệu Trường Đại học Cần Thơ

實物特徵
總結:	Dự báo kết quả học tập là một chủ đề đang được quan tâm trong lĩnh vực giáo dục đào tạo. Dự báo sớm kết quả học tập có thể giúp sinh viên lựa chọn học phần phù hợp với năng lực cá nhân, giúp nhà quản lý và giảng viên xác định được những sinh viên cần được quan tâm hỗ trợ nhiều hơn để hoàn thành tốt học phần, giảm tình trạng cảnh báo học vụ hoặc buộc thôi học do kết quả học tập kém, từ đó tiết kiệm được thời gian chi phí cho cả sinh viên, gia đình, nhà trường và xã hội. Luận văn này đề xuất một phương pháp dự báo kết quả học tập của sinh viên bằng kỹ thuật học sâu nhằm khai thác cơ sở dữ liệu trong hệ thống tích hợp thông tin quản lý đào tạo tại các trường đại học. Sau khi thu thập dữ liệu, chúng tôi tiến hành phân tích, tiền xử lý dữ liệu, thiết kế và huấn luyện mạng nơ-ron đa tầng. Kết quả thực nghiệm trên trên tập dữ liệu kiểm tra (191.222 mẫu) cho thấy mô hình đề xuất cho kết quả dự báo khá chính xác và hoàn toàn khả thi để áp dụng vào thực tế. Cụ thể độ lỗi RMSE của phương pháp đề xuất là 0.7882 so với các phương pháp khác UserAverage (0.9280), ItemAverage (0.8478), MatrixFactorization (0.8067), ItemKNN (0.7891).

Dự báo kết quả học tập bằng kỹ thuật học sâu : Luận văn Thạc sĩ Công nghệ thông tin. Chuyên ngành Hệ thống thông tin

相似書籍