جستجو در سایت :   

پایان نامه مقطع 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 گردد

تکه هایی از متن به عنوان نمونه :

 

چکیده

درک عواملی که منجر به موفقیت یا شکست در امتحانات مسئله ای جالب و چالش برانگیز می باشد.مفاهیم مرتبط، تجزیه و تحلیل عوامل موفقیت در امتحانات، ممکن می باشد به درک و به گونه بالقوه به بهبود پیشرفت تحصیلی کمک کند.پس در این پژوهش ضمن مروری کلی بر داده کاوی و ویژگی های اصلی یک داشبورد مدیریتی کارا، کوشش بر این می باشد 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 آغاز توسط الگوریتم k-means خوشه بندی صورت گرفته می باشد و با بهره گیری از شاخص ارزیابی SSE ، تعداد خوشه بهینه تعیین گردیده می باشد. پس تعداد خوشه بهینه برای دانشجویان چهار خوشه می باشد و سپس خوشه ها با روش های پیش بینی داده کاوی مانند 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 بهره گیری از نتایج این روش ها، شاخص های مناسب پیدا نمود 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 اظهار سوال های اصلی پژوهش. 3

1-3-ضرورت انجام پژوهش. 6

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

1-5-جنبه جدید بودن و نوآوری طرح. 7

1-6-قلمرو مکانی و زمانی پژوهش. 8

1-7-روش تجزیه و تحلیل داده‌ها 8

1-8-ساختار پژوهش. 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 اشکال… 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 اشکال 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 اشکال 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 پژوهش. 43

2-12-1- سابقه داده‌کاوی.. 43

2-12-2- سابقه داشبورد. 47

2-13 مطالعه مراحل داشبورد در چند نمونه. 49

2-14-نتیجه گیری.. 50

فصل سوم: 51

3-1- مقدمه. 52

3-2- چارچوب پژوهش. 53

3-3- روش پژوهش. 54

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

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

3-3-3- طبقه‌بندی پژوهش 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

 :دانلود فایل متن کامل پایان نامه در سایت sabzfile.com

3-7- ساختار اجرایی پژوهش. 57

3-7-1- ساختار اجرایی بخش اول پژوهش. 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 پژوهش. 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 پژوهش. 96

5-4- پیشنهادات برای پژوهش‌های آتی.. 97

5-5- محدودیت‌های پژوهش. 98

فهرست منابع. 99

 

 

فهرست جداول

جدول2-1 درجه‌بندی فنون مختلف داده‌کاوی.. 38

جدول 2-2 تعاریف داشبورد در مرور ادبیات.. 38

جدول 2-3 مراحل طراحی داشبورد. 49

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد: بررسی شاخص های کلیدی ارزیابی عملکرد مدیریت پرسنلی(مطالعه موردی دانشگاه قم)

جدول3-1 الگوریتم خوشه‌بندی.. 65

جدول 4-1 اقلام اطلاعات فردی دانشجویان. 78

جدول 4-2 اقلام اطلاعاتی معدل دانشجویان. 79

جدول 4-3 اقلام اطلاعاتی دانشگاهی دانشجویان. 79

جدول 4-4 نرخ پارامتر SSE به ازای تعداد خوشه‌ها در k-means. 84

جدول 4-5 پیش بینی با بهره گیری از روش شبکه‌عصبی.. 85

جدول 4-6 دسته‌بندی معدل‌‌ها 86

جدول 4-7 پیش بینی با بهره گیری از روش درخت تصمیمC5. 87

جدول 5-1 دقت پیش‌بینی‌های انجام شده 97

 

 

فهرست شکل‌ها و نمودارها

شکل 1-1-ساختار پژوهش.. 9

شکل2-1: قیاس رشد حجم داده با رشد تعداد تحلیل‌گران داده 15

شکل 2-2 سلسله مراتب داده تا خرد. 20

شکل 2-3 معماری یک سیستم داده‌کاوی.. 22

شکل 2-4 ساختار داده‌کاوی آموزشی.. 44

شکل 3-1 مراحل اصلی پیشنهادی برای اجرای پژوهش. 53

شکل 3-2  استاندارد جهانی CRISP. 59

شکل 4-1 بخشی از ارتباط داده‌ای جداول. 77

نمودار 4-1 اندازه بهره گیری تکنیک‌های پیش‌پردازش داده 81

شکل 4-2بخشی از داده‌ها در نرم‌افزار Excel 82

شکل 4-3 تعداد رکوردها در هر خوشه. 84

شکل 4-5 اهمیت فیلدها در پیش‌بینی معدل ترم شش دانشجویان. 88

شکل4-6 پیشرفت تحصیلی دانشجویان ورودی سال 1371. 91

شکل4-7 پیشرفت تحصیلی دانشجویان ورودی سال 1381. 91

شکل 4-8 پیش بینی پیشرفت تحصیلی دانشجویان فاقد شغل ورودی سال 1381. 92

شکل 4-9 پیش‌بینی پیشرفت تحصیلی دانشجویان شاغل در سازمان‌های دولتی ورودی سال 1381  93

 

 

فصل اول:

مقدمه و کلیات پژوهش

 

 

1-1-مقدمه

پیش‌‌‌‌بینی آینده در زمینه‌های مختلف همواره برای بشر جالب و جذاب بوده می باشد. با اطمینان می‌توان گفت که پیش‌‌‌‌بینی آینده و طریقه تغییرات در همه‌ی حوزه‌ها از دغدغه‌های اصلی و همیشگی مدیران سطح بالا و میانی می‌باشد. اما همواره معضلات فراوانی در برابر آن وجود داشته می باشد که انجام پیش‌‌‌‌بینی‌های دقیق و قابل اعتماد را تقریباً غیرممکن نموده می باشد (توحیدی- مقدم و فرهادی، 1391). در سالهای اخیر با در نظر داشتن جذابیت‌هایی که در زمینه داده‌کاوی و همچنین پیش‌‌‌‌بینی که یکی از اهداف داده‌کاوی می‌باشد هست،تحقیقات زیادی در این حوزه انجام شده می باشد.

در حال حاضر در اکثر دانشگاه‌ها بانک‌های اطلاعاتی وسیعی از ویژگی‌های دانشجویان موجود می باشد که حجم بالایی از اطلاعات مربوط به سوابق آموزشی و تحصیلی را شامل می گردد و از آن‌جایی که امروزه فضای رقابتی شدیدی در دانشگاه‌های مختلف حاکم شده می باشد. مدیران بایستی سریع‌تر و درست‌تر از قبل تصمیم بگیرند. لازمه چنین امری، دستیابی سریع و دقیق به دانش می باشد و برای دستیابی به دانش، وجود ابزارهای کارا و موثری نظیر داشبوردهای مدیریتی لازم است. ارزش داشبورد در اتصال ویژگی‌ها و کاربرد مناسب آن در سازمان می باشد. گرچه تا به امروز توافق خاصی در اینکه داشبورد بایستی دقیقا چگونه باشد و چه کارهایی را انجام دهد، وجود ندارد اما به گونه کلی انتظار می‌رود داشبورد، امکان جمع‌آوری، اختصار‌سازی و ارائه اطلاعات مناسب از منابع مختلفی را داشته باشد تا بدین وسیله کاربر بتواند وضعیت شاخص‌ها را به گونه یک‌جا ملاحظه نماید

هدف از انجام این پژوهش، داده‌کاوی‌آموزشی جهت مقاصد پیش‌‌‌‌بینی پیشرفت تحصیلی دانشجویان به همراه داشبورد آن می‌باشد، داده‌کاوی‌آموزشی یک حوزه علمی نوظهور می باشد که به توسعه روشهایی برای کاوش و اکتشاف دانش در محیط‌های آموزشی می‌پردازد. پیشرفت‌ تحصیلی دانشجویان یکی از اموری می باشد که در امر آموزش مطرح می باشد و از مسائل مورد توجه مدیران آموزشی دانشگاه‌هاست. در این پژوهش کوشش شده از داده‌کاوی و فنون آن بهره گیری گردد و با بهره گیری از داده‌هایی که در دانشگاه‌ها موجود می باشد پیشرفت تحصیلی را پیش‌‌‌‌بینی نمود. پس از آشنایی با ادبیات مسئله و مرورکلی بر ویژگی‌های اصلی یک داشبورد مدیریتی کارا، روشهای داده‌کاوی و پیش‌‌‌‌بینی به عنوان مطالعه موردی کار پیش‌‌‌‌بینی در امور آموزش را انجام داده‌ایم. معدل دانشجویان به‌صورت تصادفی تغییر نمی‌کند، بلکه تغییرات بر اساس یک طریقه تکرار پذیر و قابل تشخیص صورت می‌گیرد، پس قابل پیش‌‌‌‌بینی می باشد. برای این مقصود پس از گردآوری داده‌ها جهت داده‌کاوی، با بهره گیری از روشهای شبکه‌عصبی و درخت‌تصمیم C5، کار پیش‌‌‌‌بینی را انجام داده ایم و بعد از پیش‌‌‌‌بینی، طراحی و پیاده‌سازی داشبورد آن صورت گرفت.

 

***ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود می باشد***

متن کامل را می توانید دانلود نمائید

زیرا فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به گونه نمونه)

اما در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود می باشد

تعداد صفحه : 123

قیمت : 14700 تومان

 

 

***

—-

پشتیبانی سایت :        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  **** ***