本书首先深入剖析了教育大数据的特征,提出教育大数据分析与挖掘技术的目标和应用前景,梳理教育领域常用的分析挖掘技术,揭示教育大数据分析的本质。随后,从教育数据获取与预处理、数据降维、分析与预测、多维关联挖掘、聚类分析、滞后时间序列分析、社会网络分析等七个方面介绍教育数据挖掘的原理和实践。
丁继红,博士,浙江工业大学教育科学与技术学院硕士生导师,讲师。具有教育技术学、计算机科学与技术的跨学科研究背景,多年来一直从事智能教学系统、自适应学习和教育精准服务等相关研究工作,主持国家自然科学青年基金、浙江省哲学社会科学基金等项目7项,第二参与国家基金□项,以□□作者发表□0多篇SCI一区,SSCI一区、CSSCI、CSCD研究论文。
□□章 教育数据挖掘概述 / 1
1.1 数据挖掘及其要解决的问题 / 1
1.□ 教育数据的来源和特点 / 3
1.3 教育数据分类 / 4
1.4 教育数据挖掘的目标和价值 / 6
1.5 教育数据挖掘技术概述 / 8
本章小节 / 14
第□章 教育数据采集和预处理 / 15
□.1 教育数据采集 / 15
□.□ 初始数据存在的杂乱性 / 19
□.3 数据清洗 / □0
□.4 数据集成 / □3
□.5 数据变换 / □6
□.6 数据规约 / □7
□.7 教育数据预处理应用案例 / □8
本章小节 / 35
第3章 教育数据降维 / 36
3.1 数据降维概述 / 37
3.□ 两种数据降维方法 / 37
3.3 特征选择数据降维方法 / 38
3.4 特征提取数据降维方法 / 40
3.5 特征选择数据降维方法在教育数据中的应用案例 / 44
3.6 特征提取数据降维方法在教育数据中的应用案例1 / 51
3.7 特征提取数据降维方法在教育数据中的应用案例□ / 56
本章小节 / 65
第4章 决策树、人工神经网络和支持向量机 / 66
4.1 分类预测概述 / 66
4.□ 决策树 / 67
4.3 C5.0算法及其应用 / 73
4.4 决策树应用案例 / 86
4.5 人工神经网络 / 94
4.6 神经网络应用案例 / 101
4.7 支持向量机 / 105
4.8 支持向量机应用案例 / 113
本章小节 / 117
第5章 朴素贝叶斯分类器、贝叶斯网络和二项Logistic回归 / 118
5.1 贝叶斯概率和贝叶斯定理 / 118
5.□ 朴素贝叶斯分类器 / 119
5.3 朴素贝叶斯分类应用案例 / 1□1
5.4 贝叶斯网络 / 1□6
5.5 贝叶斯网络应用案例 / 131
5.6 二项Logistic回归分析 / 136
5.7 二项Logistic回归分析应用案例 / 146
本章小节 / 159
第6章 关联分析 / 160
6.1 关联分析概述 / 160
6.□ Apriori算法 / 165
6.3 经典应用案例――购物篮关联分析 / 170
6.4 教育应用案例――学习行为关联分析 / 177
本章小节 / 184
第7章 聚类分析 / 185
7.1 聚类分析概述 / 185
7.□ K-Means聚类及应用 / 189
7.3 层次聚类及其应用 / 198
7.4 两步聚类及其应用 / □0□
7.5 Kohonen网络聚类 / □11
本章小节 / □□□
第8章 滞后序列分析 / □□3
8.1 行为序列分析和滞后序列分析概述 / □□3
8.□ 滞后序列分析工具 / □□5
8.3 基于滞后序列分析法的学习行为分析流程 / □3□
8.4 基于滞后序列分析法的学习行为分析应用 / □35
8.5 基于滞后序列分析法的学习行为分析应用案例 / □37
本章小节 / □4□
第9章 社会网络分析 / □43
9.1 社会网络分析概述 / □43
9.□ 社会网络分析过程和方法 / □46
9.3 UCINET / □53
9.4 Gephi / □59
本章小节 / □68