پایان نامه: یک روش هوشمند هدایت تحصیلی دانش¬آموزان با استفاده از داده¬کاوی

عنوان: پایان نامه کارشناسی ارشد

یک روش هوشمند هدایت تحصیلی دانش ­آموزان با استفاده از داده­کاوی

 

چکيده

اجرای طرح هدایت تحصیلی بر اساس استعداد و عملکرد تحصیلی دانش‌آموزان ، نقطه آغازی است برای کمک به کسب شغل آنان در آینده که تنها نباید بر دوش آموزش و پرورش باشد و نیازمند آموزش خانواده‌ها و هم‌افزایی جامعه دارد.در پایان نامه حاضر به بررسی و هدایت تحصیلی دانش آموزان و ارائه یک روش هوشمند پرداخته شده است. برای این امر ابتدا تحلیل دادها  با روش های مرسوم بررسی شده و درنهایت ارائه یک روش عصبی – ژنتیک برای بهبود نتایج ارائه داده شده است. به این منظور به روش های رگرسیون خطی به تحلیل داده ها پرداخته و سپس یک  شبکه عصبی آموزش داده شده و در نهایت به ارائه یک روش هوشمند عصبی-ژنتیک به بهبود نتایج پرداخته شده است. برای این منظور از پرونده هدایت تحصیلی ۳۵۰ دانش آموز و داده های آموزشی موجود استفاده شده و یک روش جامع ارائه داده شده و مدلی طراحی شده است که رشته‌ای را با بيشترين شانس موفقيت در آينده به دانش آموزان جديد پيشنهاد می دهد. نتایج کلی تحقیق نشان داد که مدلهاي خطي MLR و MQR مقدار خطاي  RSE بالا و قابل بحث نمي باشد و مقدار RSE در مدل MLR  برابر ۴۴% و در مدل MQR برابر ۳۵% به دست آمده است. ساير مقادير خطاي محاسبه شده يعني MPE و MSE در محدوده زیادی می باشند و مقدار خطا RSE در مدل شبکه عصبی برابر ۱۴% و در مدل عصبی ژنتیک برابر ۹% به دست آمده است همانطور که مشاهده شد مدل ارائه شده عصبی ژنتیک دارای کمترین خطا است. نتایج کلی تحقیق نشان داد که یک شبکه عصبی بهینه شده میتواند نتایج و تخمین خوبی برای هدایت تحصیلی دانش آموزان رقم بزند که مدیران بتوانند به آن اتکا کنند.

واژه­هاي کليدي: داده­کاوی، هدایت تحصیلی، شبکه عصبی، انتخاب رشته.

 

فهرست مطالب

عنوان                                                                                                                                                                                                                                                                                                   صفحه

۱ -فصل اول: کليات   ۲

۱-۱ -بیان مسأله    ۳

۱-۲ -سؤالات تحقیق                 ۴

۱-۳ -اهداف پژوهش                  ۴

۱-۴ –فرضیه ها                     ۵

۱-۵ -پیشینه پژوهش                 ۵

۱-۶ -محدودیتهای پیش روی هدایت تحصیلی دانش آموزان. ۷

۱-۷ -کاربردهای شیوه داده کاوی تحصیلی.. ۷

۱-۸ -ساختار پایان نامه            ۹

۲ -فصل دوم: ادبیات و پیشینه تحقیق   ۱۰

۲-۱ -مقدمه    ۱۱

۲-۲ -عوامل مؤثر در انتخاب رشته. ۱۱

۲-۳ -الگوریتم‌های تکاملی      ۱۸

۲-۱ -ساختار الگوريتم‏هاي ژنتيك    ۲۱

۲-۱-۱ -عملگرهاي ژنتيك        ۲۲

۲-۱-۲ -روند كلي الگوريتم‏هاي ژنتيك… ۲۴

۲-۲ -شبکه‌های عصبی      ۲۶

۲-۳ -ساختار شبکه‌های عصبی مصنوعی.. ۲۸

۲-۳-۱ -انواع شبکه عصبی.. ۲۹

۲-۳-۲ -مزایای شبکه‌های عصبی.. ۳۰

۲-۴ -يادگيری ماشين و طبقه بندي.. ۳۱

۲-۴-۱ -روش‌های حسي تجربي.. ۳۲

۲-۴-۲ -روشهاي ساختاري يا نحوي.. ۳۲

۲-۴-۳ -روش‌های رياضي   ۳۳

۲-۴-۴ -طبقه بندهاي منفرد. ۳۴

۲-۴-۴-۱ -روش k-نزدیک‌ترین همسايه. ۳۴

۲-۵ -سوابق تحقیق     ۳۵

۳ -فصل سوم: روش پیشنهادی   ۴۰

۳-۱ -مقدمه    ۴۱

۳-۲ -روش پیشنهادی      ۴۲

۳-۳ -الگوریتم ژنتیک       ۴۷

۳-۴ -مدلسازی      ۴۲

۳-۵ -مدل سازی با رگرسيون خطي-  چندگانه  (  MLR) 43

۳-۶ -مدل سازی با رگرسیون درجه دوم چندگانه (MQR) 44

۳-۶-۱ -محاسبات خطا برای مدل MLR و MQR.. 44

۳-۶-۲ -مدلسازي شبكه عصبي (SVM) 45

۳-۶-۳ -طراحي و بهینه سازی شبكه عصبي.. ۴۵

۳-۷ -نتیجه گیری      ۵۰

۴ -فصل چهارم: نتایج   ۵۱

۴-۱ -مقدمه    ۵۲

۴-۲ -داده های موجود در مدارس    ۵۲

۴-۳ -مدل     ۵۷

۴-۴ -نتایج     ۵۷

۴-۴-۱ -مدلسازی با روش رگرسيون خطی چندگانه (MLR). 57

۴-۴-۲ -تست مدل با گروه ارزیابی.. ۶۱

۴-۴-۳ -تست مدل بامجموعه شبیه سازی.. ۶۲

۴-۴-۴ -مدلسازی با روش رگرسيون درجه دوم چندگانه (MQR). 62

۴-۴-۵ -محاسبات خطا برای مدل MQR.. 64

۴-۴-۶ -تست مدل با مجموعه ارزیابی.. ۶۴

۴-۴-۷ -تست مدل MQR با مجموعه شبیه سازی.. ۶۵

۴-۴-۸ -طراحي و بهينه سازي شبكه عصبي مصنوعي.. ۶۶

۴-۴-۹ -وروديها و خروجيهاي شبكه عصبي بردار  پشتیبان. ۶۶

۴-۴-۱۰ -بهینه سازی شبکه عصبی مصنوعی.. ۶۷

۴-۴-۱۱ -نتایج بهینه سازی.. ۷۲

۴-۵ -ارزيابي نهايي مدلهاي طراحي شده و مقايسه مدلها با هم. ۷۴

۵ -فصل پنجم : نتیجه گیری و پیشنهادات.. ۷۶

۵-۱ -نتیجه گیری      ۷۷

۵-۲ -پیشنهادات      ۷۸

 

 

 

فهرست اشکال

شکل ‏۲‑۳ مراحل اصلی يک الگوريتم تکاملی ( ۲۰۱۳ ،Rakesh Kumar Soni) 20

شکل (‏۳‑۲)   يك كروموزوم قبل و بعد از اعمال عملگر جهش… ۲۴

شکل (‏۳‑۳) نمودار گردشي الگوريتم‏هاي ژنتيك… ۲۵

شکل (‏۳‑۳)  : يك الگوريتم ژنتيك استاندارد. Error! Bookmark not defined.

شکل ‏۲‑۴شبکه عصبي چند لايه مصنوعي ( ۱۳۹۴ ، بهادر . حمید، علیایی . صغری، باقری . افسانه) ۲۸

شکل ‏۲‑۵ساختار شبکه عصبی ( ۱۳۹۱ ، مقصودي بهروز, سليماني صادق, اميري علي, افشارچي محسن) ۲۹

شکل ‏۲‑۶ الگوريتم نزدیک‌ترین همسايه (۱۳۹۰ ،طاهري . فائزه، رحیماف . حامد، فرهادي . محسن). ۳۵

شکل ‏۳‑۱:  لایه‌های شبکه عصبی ایجاد شده ۴۵

شکل ‏۳‑۲: فلوچارت مسئله. ۴۹

شکل ‏۴‑۱فرم مشاوره ای شماره پنج.. ۵۲

شکل ‏۴‑۲فرم مشاوره ای شماره شش… ۵۴

شکل ‏۴‑۳: همبستگی نتایج بدست آمده از مدل خطی با مجموعه ارزیابی.. ۶۱

شکل ‏۴‑۴: همبستگی نتایج بدست آمده از مدل خطی با مجموعه شبیه سازی.. ۶۲

شکل ‏۴‑۵: همبستگی نتایج بدست آمده از مدل خطی با مجموعه ارزیابی.. ۶۵

شکل ‏۴‑۶: همبستگی نتایج بدست آمده از مدل خطی با مجموعه شبیه سازی.. ۶۶

شکل ‏۴‑۷: همبستگی نتایج بدست آمده از مدل خطی با مجموعه شبیه سازی.. ۶۷

شکل ‏۴‑۸: تغییرات  R نسبت به تغییرات Rate  Learning. 68

شکل ‏۴‑۹: تغییرات RMSE نسبت به تغییرات Rate  Learning. 68

شکل ‏۴‑۱۰: تغییرات  R نسبت به تغییرات Momentum.. 69

شکل ‏۴‑۱۱: تغییرات  RMSE نسبت به تغییرات Momentum.. 69

شکل ‏۴‑۱۲: تغییرات  R نسبت به تغییرات  N تعداد نورونهای لايه هاي مخفي.. ۷۰

شکل ‏۴‑۱۳: تغییرات  RMSE نسبت به تغییرات  N تعداد نورونهای لايه هاي مخفي.. ۷۰

شکل ‏۴‑۱۴: تغییرات  R نسبت به تغییرات تعداد تکرار   Iteration. 71

شکل ‏۴‑۱۵: تغییرات  RMSE نسبت به تغییرات تعداد تکرار   Iteration. 71

شکل ‏۴‑۱۶ مقادیر بهینه ژنتیک… ۷۲

 

فهرست جداول

جدول ‏۴۱-: مقادير  ضرایب معادله  در شبیه سازی MLR. 58

جدول ‏۴‑۲-: پارامتر های اصلی حل.. ۵۹

جدول ‏۴‑۳- آناليز رگرسيوني مجدد با سطح اطمينان ۹۵% پس از حذف ضرایب فاقد معني دار ۶۰

جدول ‏۴‑۴-  خطاهاي نسبي در مدل MLR و ضریب همبستگی مدل. ۶۱

جدول ‏۴‑۵- خطاهاي نسبي در مدل MLR و ضریب همبستگی مدل. ۶۱

جدول ‏۴‑۶- خطاهاي نسبي بين پاسخهاي واقعي (مجموعه شبیه سازی) و پاسخهاي مدل MLR. 62

جدول ‏۴‑۷- مقادير معادله  در شبیه سازی MQR. 63

جدول ‏۴‑۸- آناليز رگرسيوني مجدد با سطح اطمينان ۹۵% پس از حذف ضرائب عدم معني دار ۶۳

جدول ‏۴‑۹- خطاهاي نسبي در مدل MQR و ضریب همبستگی مدل. ۶۴

جدول ‏۴‑۱۰- خطاهاي نسبي بين پاسخهاي واقعي (ست ارزیابی) و پاسخهاي مدل MQR. 64

جدول ‏۴‑۱۱- خطاهاي نسبي و ضریب همبستگی در مدل MQR  برای مجموعه شبیه سازی.. ۶۵

جدول ‏۴‑۱۲- مقادير بهينه پارامترهای شبکه عصبی مصنوعی طراحی شده برای مدلسازی.. ۷۱

جدول ‏۴‑۱۳- مقادیر استفاده شده در الگوریتم ژنتیک… ۷۳

جدول ‏۴‑۱۴- خطاهاي نسبي بهینه سازی الگوریتم ژنتیک در مجموعه شبیه سازی.. ۷۳

جدول ‏۴‑۱۵-  خطاهاي نسبي و ضریب همبستگی برای دو مجموعه آموزشی و ارزیابی در شبکه عصبی.. ۷۳

جدول ‏۴‑۱۶- خطاهاي نسبي و ضریب همبستگی در  مدل SVM… 74

جدول ‏۴‑۱۷- خطاهاي نسبي و ضرايب همبستگي در دادههاي شبیه سازی.. ۷۵