本文選題：教育數(shù)據(jù)挖掘 + 智能學(xué)習(xí)　； 參考：《華中師范大學(xué)》2017年碩士論文

【摘要】：教育數(shù)據(jù)挖掘是計(jì)算機(jī)科學(xué)、教育學(xué)和心理學(xué)的交叉性研究課題。它通過分析學(xué)習(xí)者在智能學(xué)習(xí)系統(tǒng)中的反饋數(shù)據(jù),了解學(xué)習(xí)者掌握知識(shí)的情況和學(xué)習(xí)內(nèi)容包含知識(shí)點(diǎn)的情況。在國家提出的互聯(lián)網(wǎng)+教育大數(shù)據(jù)的基礎(chǔ)上,教育數(shù)據(jù)挖掘?qū)?huì)在信息化建設(shè)中發(fā)揮更加重要的作用,實(shí)現(xiàn)互聯(lián)網(wǎng)教育因材施教的目標(biāo)。然而,在實(shí)際應(yīng)用中,反饋數(shù)據(jù)經(jīng)常會(huì)出現(xiàn)學(xué)習(xí)者反饋不足的情況。本論文主要研究學(xué)習(xí)者反饋矩陣補(bǔ)全的問題,這個(gè)問題具有深刻的理論意義和實(shí)際應(yīng)用前景,一方面學(xué)生反應(yīng)矩陣是天然的低秩矩陣,對(duì)其進(jìn)行研究有利于進(jìn)一步加強(qiáng)低秩矩陣恢復(fù)理論的理解和深入,另一反面反應(yīng)矩陣補(bǔ)全對(duì)于個(gè)性化教學(xué)也具有非常實(shí)際的意義。本論文的工作大致可以分為兩部分。第一部分用基于集成學(xué)習(xí)的方法改進(jìn)經(jīng)典的矩陣補(bǔ)全方法,在集成學(xué)習(xí)的Bagging和AdaBoost基礎(chǔ)上構(gòu)建了新穎的矩陣補(bǔ)全算法,即BaggingMC和AdaBoostMC算法;第二部分結(jié)合兩者的優(yōu)缺點(diǎn)提出了 Improved AdaBoostMC算法,解決了 BaggingMC因簡(jiǎn)單的投票使矩陣補(bǔ)全的誤差仍然較高和AdaBoostMC中閾值隨機(jī)選取對(duì)資源造成的浪費(fèi)這兩個(gè)問題。論文在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上分別進(jìn)行了實(shí)驗(yàn),通過分析矩陣補(bǔ)全在不同數(shù)據(jù)集上的誤差分布來判斷不同算法的準(zhǔn)確率和補(bǔ)全效果。實(shí)驗(yàn)結(jié)果表明,BaggingMC與三種經(jīng)典的矩陣補(bǔ)全算法在補(bǔ)全誤差上很接近,AdaBoostMC的誤差相對(duì)要小,Improved AdaBoostMC在相同數(shù)據(jù)集和相同采集率的條件下誤差最小。同時(shí)通過二值Lena圖可以直觀地看到在同一個(gè)數(shù)據(jù)集中,采集率越高的圖片通過矩陣補(bǔ)全恢復(fù)后的效果越好。
[Abstract]:Educational data mining is an intersecting research subject of computer science, pedagogy and psychology. By analyzing the feedback data of the learners in the intelligent learning system, it can understand the situation of the learners' mastery of knowledge and the situation that the learning content contains the knowledge points. On the basis of the big data of Internet education put forward by our country, educational data mining will play a more important role in the construction of information technology, and realize the goal of teaching Internet education according to its aptitude. However, in practical application, the feedback data often appear the situation that the learner feedback is insufficient. This paper focuses on the problem of the complement of the learner feedback matrix, which has profound theoretical significance and practical application prospect. On the one hand, the student response matrix is a natural low rank matrix. The research on it is beneficial to the further understanding and deepening of the theory of low rank matrix recovery, and the complement of another reverse reaction matrix is also of great practical significance for individualized teaching. The work of this paper can be divided into two parts. In the first part, the classical matrix complement method is improved based on integrated learning, and a novel matrix complement algorithm, BaggingMC and AdaBoostMC, is constructed on the basis of Bagging and AdaBoost. In the second part, combining the advantages and disadvantages of the two algorithms, the Improved AdaBoostMC algorithm is proposed, which solves the two problems that the error of matrix complement caused by BaggingMC is still high because of simple voting and the waste of resources caused by random selection of threshold in AdaBoostMC. In this paper, experiments are carried out on the simulated data and the real data respectively. By analyzing the error distribution of matrix complement on different data sets, the accuracy and complement effect of different algorithms are judged. The experimental results show that the errors of BaggingMC and three classical matrix complement algorithms are very close to that of Ada boost MC and the error of improved AdaBoostMC is the smallest under the same data set and the same acquisition rate. At the same time, it can be seen intuitively by binary Lena diagram that in the same data set, the higher the collection rate is, the better the effect is after the restoration through matrix complement.
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：G434;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 陳凱;;基于聚類技術(shù)的集成學(xué)習(xí)差異性研究[J];南京工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2008年04期

2 蔡鐵;伍星;;采用離散化處理的選擇性SVM集成學(xué)習(xí)算法[J];深圳信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2010年02期

3 陳凱;;基于GASEN技術(shù)的選擇性BagBoosting Trees集成學(xué)習(xí)研究[J];統(tǒng)計(jì)教育;2008年12期

4 夏群;;建構(gòu)美好情景,追尋理想教學(xué)[J];新課程(上);2014年01期

5 王道林,張振福,韓明俊;數(shù)量化理論Ⅲ的推廣[J];泰安師專學(xué)報(bào);1999年03期

相關(guān)會(huì)議論文 前4條

1 關(guān)菁華;劉大有;賈海洋;;自適應(yīng)多分類器集成學(xué)習(xí)算法[A];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過濾器集成學(xué)習(xí)垃圾郵件過濾方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習(xí)演化決策樹算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國過程控制學(xué)術(shù)年會(huì)暨第4屆全國故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 阿里木·賽買提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類研究[D];南京大學(xué);2015年

2 王永明;集成回歸問題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

3 常征;基于混合集成學(xué)習(xí)的眼部與四肢交互動(dòng)作建模與識(shí)別[D];北京科技大學(xué);2016年

4 張春霞;集成學(xué)習(xí)中有關(guān)算法的研究[D];西安交通大學(xué);2010年

5 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

6 尹華;面向高維和不平衡數(shù)據(jù)分類的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

7 王清;集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2011年

8 方育柯;集成學(xué)習(xí)理論研究及其在個(gè)性化推薦中的應(yīng)用[D];電子科技大學(xué);2011年

9 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

10 李燁;基于支持向量機(jī)的集成學(xué)習(xí)研究[D];上海交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 高偉;基于半監(jiān)督集成學(xué)習(xí)的情感分類方法研究[D];蘇州大學(xué);2015年

2 宋文展;基于抽樣的集成進(jìn)化算法研究[D];廣西大學(xué);2015年

3 湯瑩;遷移與集成學(xué)習(xí)在文本分類中的應(yīng)用研究[D];江蘇科技大學(xué);2015年

4 劉政;基于知識(shí)元和集成學(xué)習(xí)的中文微博情感分析[D];大連理工大學(xué);2015年

5 丘橋云;結(jié)合文本傾向性分析的股評(píng)可信度計(jì)算研究[D];哈爾濱工業(yè)大學(xué);2014年

6 秦海;融合非標(biāo)記樣本選擇的集成學(xué)習(xí)研究[D];湘潭大學(xué);2015年

7 李想;基于多示例的集成學(xué)習(xí)理論與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

8 李震宇;基于集成學(xué)習(xí)的數(shù)字圖像隱寫定量分析[D];解放軍信息工程大學(xué);2014年

9 王希玲;基于選擇性集成學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)方法研究[D];青島科技大學(xué);2016年

10 陳范曙;基于信息整合的藥物相關(guān)信息挖掘方法研究[D];華東師范大學(xué);2016年

，

本文編號(hào)：1933058