發(fā)布時間：2021-04-27 11:19

　　社會經(jīng)濟的飛速發(fā)展,高校智慧化管理越來越受到重視。時代在進步,同樣我們高校管理也要跟著進步,才能更好的服務(wù)于學生�，F(xiàn)在進入大數(shù)據(jù)時代,各行各業(yè)都會產(chǎn)生很多數(shù)據(jù)。學校無時無刻不形成各類信息,如一卡通日常消費記錄、學生的家庭信息、個人基本信息等等。各類數(shù)據(jù)可折射出學生日常的生活情況。高校數(shù)據(jù)庫隨著時間的疊加,其數(shù)據(jù)越積越多,共同構(gòu)成了龐大的大數(shù)據(jù)環(huán)境�；诖�,非常有必要分析數(shù)據(jù),深入挖掘數(shù)據(jù)的價值。本文主要運用聚類分析和大數(shù)據(jù)技術(shù),結(jié)合在校期間學生所形成的各類信息為基礎(chǔ),基于學生學業(yè)、日常生活等各個維度刻畫學生畫像,分析學生行為,從而讓管理者精準、全面的定位學生群體,并關(guān)注學生,為實現(xiàn)精細化管理奠定基礎(chǔ)。主要研究內(nèi)容如下:1、將大學在校生的各方面數(shù)據(jù)整理融合,并結(jié)合數(shù)據(jù)設(shè)計學生評價指標�；诰垲惙治鲈O(shè)計細分模型,優(yōu)化k-means算法的初始聚類中心的選取和距離的計算,并提出了優(yōu)化的k-means聚類算法,使聚類效果更好,將學生進行精確化分類。2、針對學生行為提醒的后置性和時效性問題,本文提出了基于學生行為類別的K近鄰算法可預(yù)測學生行為,讓輔導員和老師及時對學生進行管理與幫助。實現(xiàn)了學生行為... 

【文章來源】：西華大學四川省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 研究目的
    1.3 研究意義
    1.4 國內(nèi)外現(xiàn)狀
    1.5 研究內(nèi)容
    1.6 論文結(jié)構(gòu)
2 大學生行為分析的基本實現(xiàn)原理和相關(guān)技術(shù)
    2.1 大數(shù)據(jù)平臺分析構(gòu)建
    2.2 數(shù)據(jù)采集
    2.3 數(shù)據(jù)整合、預(yù)處理與存儲
        2.3.1 數(shù)據(jù)整合、預(yù)處理
        2.3.2 數(shù)據(jù)存儲
    2.4 數(shù)據(jù)建模方法分析與設(shè)計
    2.5 業(yè)務(wù)應(yīng)用
    2.6 相關(guān)技術(shù)
        2.6.1 k-means聚類算法
        2.6.2 k-medoids算法
        2.6.3 Spark簡介
    2.7 本章小結(jié)
3 基于聚類分析的學生數(shù)據(jù)分析方法
    3.1 學生數(shù)據(jù)分析需求
    3.2 學生數(shù)據(jù)描述指標
    3.3 優(yōu)化的k-means算法
        3.3.1 數(shù)據(jù)標準化和相似度計算
        3.3.2 聚類效果評價準則
        3.3.3 優(yōu)化的k-means方法
    3.4 實驗結(jié)果分析
    3.5 本章小結(jié)
4 學生行為預(yù)測
    4.1 建立學生行為特征類別模型
    4.2 學生行為預(yù)測方法分析
    4.3 實驗結(jié)果與分析
5 高校貧困生及異常行為判定
    5.1 支持向量機理論
        5.1.1 SVM基本原理
        5.1.2 SVM核函數(shù)
    5.2 高校貧困生判定
    5.3 異常行為數(shù)據(jù)準備及特征提取
    5.4 學生異常行為判定
    5.5 實驗結(jié)果及分析
    5.6 Spark平臺實現(xiàn)及分析
    5.7 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來工作展望
參考文獻
攻讀碩士學位期間發(fā)表論文及科研成果
致謝


【參考文獻】：
期刊論文
[1]基于Spark的并行關(guān)聯(lián)規(guī)則挖掘算法研究綜述[J]. 劉莉萍,章新友,牛曉錄,郭永坤,丁亮.  計算機工程與應(yīng)用. 2019(09)
[2]MySQL數(shù)據(jù)庫理實一體化教學研究[J]. 張喻平.  學周刊. 2019(09)
[3]基于K-means和SVM的藍牙室內(nèi)定位算法[J]. 徐超藍,高軍禮,張小花,宋海濤.  傳感器與微系統(tǒng). 2019(02)
[4]常見數(shù)據(jù)預(yù)處理技術(shù)分析[J]. 周泉錫.  通訊世界. 2019(01)
[5]K近鄰分類算法的應(yīng)用研究[J]. 皮亞宸.  通訊世界. 2019(01)
[6]基于數(shù)據(jù)預(yù)處理技術(shù)的學生成績預(yù)測模型研究[J]. 張麒增,戴翰波.  湖北大學學報(自然科學版). 2019(01)
[7]MySQL數(shù)據(jù)庫性能優(yōu)化研究[J]. 范開勇,陳宇收.  中國新通信. 2019(01)
[8]基于Spark平臺的并行KNN異常檢測算法[J]. 馮貴蘭,周文剛.  計算機科學. 2018(S2)
[9]基于層次聚類的支持向量機分類算法[J]. 李兵,田元,趙明華,李劍波.  電子技術(shù)與軟件工程. 2018(19)
[10]一種基于Yarn云計算平臺與NMF的大數(shù)據(jù)聚類算法[J]. 馮新?lián)P,沈建京.  信息網(wǎng)絡(luò)安全. 2018(08)

碩士論文
[1]基于Spark的K-medoids聚類算法的研究[D]. 臧兆杰.大連大學 2018
[2]基于校園卡數(shù)據(jù)的學生行為分析研究[D]. 徐晶晶.河南師范大學 2018
[3]基于非負矩陣分解的聚類算法研究[D]. 詹明俊.華南理工大學 2018
[4]基于機器學習和大數(shù)據(jù)技術(shù)的高校學生行為分析[D]. 鄧晗.北京郵電大學 2017
[5]基于Spark平臺的局部離群值挖掘算法研究[D]. 包涵.吉林大學 2016
[6]基于Spark 云計算平臺的改進K近鄰算法研究[D]. 陳曉康.廣東工業(yè)大學 2016
[7]K-means聚類方法的改進及其應(yīng)用[D]. 李薈嬈.東北農(nóng)業(yè)大學 2014
[8]利用校園一卡通數(shù)據(jù)優(yōu)化高校貧困生認定系統(tǒng)[D]. 陳建兵.電子科技大學 2012



本文編號：3163376