دانلود مقاله ترجمه شده الگوریتم های داده کاوی مبتنی بر دسته بندی و پیش بینی برای پیش بینی عملکرد دانش آموزان کند در بخش آموزشی

چکیده

داده کاوی آموزشی بیشتر از تولید نتایج دقیق برای اهداف آتی، بر پیش­ بینی تمرکز دارد. برای بررسی تغییرات الگوهای برنامه آموزشی، تحلیل منظم پایگاه داده­ های آموزشی ضروری است. موضوع این مقاله، تشخیص دانش آموزان کند از بین دانش ­آموزان دیگر و نشان دادن آن از طریق یک مدل داده کاوی پیش گویانه، با استفاده از الگوریتم ­های مبتنی بر دسته بندی است. داده­ های واقعی از یک دبیرستان گرفته شده و متغیرهای بالقوه ­ی مورد نظر با استفاده از WEKA (یک ابزار منبع باز) فیلتر شده ­اند. مجموعه داده­ ی سوابق تحصیلی دانش آموزان، با استفاده از WEKA (یک ابزار منبع باز) با الگوریتم های دسته ­بندی مختلفی مانند ادراک چندلایه، بیزی ساده، SMO، J48 و REPTree مورد آزمایش قرار گرفته و به کار رفته است. در نتیجه، ویژگی­ های آماری بر اساس تمام الگوریتم ­های دسته­ بندی تولید شده است. ما نتایج پنج دسته ­بندی کننده را نیز مقایسه کردیم تا دقت را پیش­ بینی کرده، و الگوریتمی که بیشترین کارایی را دارد پیدا کنیم. ما در این مقاله مدل جریان دانش را نیز در بین پنج دسته­ب ندی کننده نشان می­ دهیم. این مقاله اهمیت الگوریتم­ های داده کاوی مبتنی بر پیش ­بینی و دسته بندی را در زمینه آموزش نشان می ­دهد و چند مسیر تحقیقاتی امیدوارکننده­­­ را در آینده مشخص می­ کند.

1-مقدمه

در سال­ های اخیر داده کاوی به علت وجود حجم زیادی از داده ­ها و نیاز به تبدیل این داده ها به اطلاعات و دانش مفید، در صنعت تحقیقات و به طورکلی در جامعه، بسیار مورد توجه قرار گرفته است. داده­ کاوی که کشف دانش در پایگاه داده (KDD) نیز نامیده می ­شود، یعنی کشف اطلاعات جدید و احتمالاً مفید از پایگاه­ داده­ های بسیار بزرگ [12]..