ВВЕДЕНИЕ 3
1. КОНЦЕПЦИЯ РЕШЕНИЯ 5
2. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ РАБОТЫ 6
2.1. Разбиение учебных групп, преподавателей, дисциплин на кластеры 6
2.2. Определение оптимального количества кластеров 7
2.3. Проверка значимого влияния преподавателя на успеваемость 8
2.4. Определение коэффициентов влияния характеристик 9
3. РЕАЛИЗАЦИЯ ПРОГРАММНОГО ИНСТРУМЕНТА 10
3.1. Используемые технологии 10
3.2. Описание формата входных данных 10
3.3. Описание базы данных приложения 12
3.4. Процесс кластеризации учебных групп, дисциплин, преподавателей 14 3.5. Реализация критерия Принтиса 15
3.6. Определение коэффициентов влияния характеристик 16
3.7. Интерфейс пользователя 18
4. АПРОБАЦИЯ РАЗРАБОТАННОГО ИНСТРУМЕНТА 20
ЗАКЛЮЧЕНИЕ 24
СПИСОК ЛИТЕРАТУРЫ 25
ПРИЛОЖЕНИЕ 28
Приложение А. Оценка точности моделей регрессии 28
Приложение Б. Реализация инструмента 28
Объектом исследования данной работы являются методы анализа данных об успеваемости обучающихся и характеристиках преподавателя.
Предметом исследования являются математические модели, методы и алгоритмы, ориентированные на анализ зависимости между характеристиками преподавателя и успеваемостью обучающихся.
Целью данной работы является проектирование и разработка инструмента, позволяющего оценивать влияние преподавателя на успеваемость и определять степень влияния его характеристик.
Задачи диссертационной работы:
1. Проанализировать методы факторного анализа.
2. Реализовать обработку входных данных о преподавателях и успеваемости.
3. Описать модель и спроектировать инструмент оценки влияния преподавателя на успеваемость обучающихся и определения степени влияния его характеристик.
4. Разработать инструмент и провести исследование на образовательных данных.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка модели и программного инструмента оценки влияния преподавателей на успеваемость обучающихся #9103775
Артикул: 9103775
- Предмет: Программная инженерия
- Уникальность: 67% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 31
- Формат файла: docx
2 499p.
1. Взаимодействие преподавателей и студентов в вузе [Электронный ресурс]. – Режим доступа: klgtu.ru/upload/structure_kgtu/uvrmp/pss/vzaim_pre p_stud.pdf, свободный.
2. Николаева Л.В., Саввинова Р.В. Взаимодействие преподавателя и студента как условие эффективности профессиональной подготовки будущих специалистов // Современные наукоемкие технологии. – 2018. – №12-2. – С. 351-354.
3. Гочарова Н.В., Дудникова Т.А. Взаимодействие «Преподаватель- Студент» в образовательном пространстве вуза. Современная педагогика: теория, методика, практика. М.: Научно-издательский центр «Империя». – 2019. – 258 с.
4. K-Means Clustering [Электронный реурс]. – Режим доступа: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html, свободный.
5. Fuzzy C means Clustering [Электронный ресурс]. – Режим доступа: https://matteucci.faculty.polimi.it/Clustering/tutorial_html/cmeans.html, свободный.
6. Arthur D., Vassilvitskii S. k-means++: The advantages of careful seeding //Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. – Society for Industrial and Applied Mathematics, 2007. – С. 1027- 1035.
7. Agglomerative Clustering [Электронный ресурс]. – Режим доступа:
https://scikit- learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClu stering.html, свободный.
8. Assessment Metrics for Clustering Algorithms [Электронный ресурс].
– Режим доступа: https://medium.com/@ODSC/assessment-metrics-for- clustering-algorithms-4a902e00d92d, свободный.
9. R. Tibshirani, G. Walther, T. Hastie. Estimating the number of clusters in a data set via the gap statistics // Journal of the Royal Statistical Society, Series B. – 2001. – №63. – С. 411-423.
10. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ. – 2006. – 816 с.
11. Mean Squared Error regression loss [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mean_sq uared_error.html, свободный.
12. Cross-validation: evaluating estimator performance [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/cross_validation. html, свободный.
13. Язык программирования Python [Электронный ресурс]. – Режим доступа: https://web-creator.ru/articles/python, свободный.
14. Django: The Web framework for perfectionists with deadlines [Электронный ресурс]. – Режим доступа: https://www.djangoproject.com/, свободный.
15. Pandas documentation [Электронный ресурс]. – Режим доступа: https://pandas.pydata.org/docs/, свободный.
16. NumPy: the fundamental package for scientific computing in Python [Электронный ресурс]. – Режим доступа: https://numpy.org/doc/stable/, свободный.
17. Pytest: helps you write better programs [Электронный ресурс]. – Режим доступа: https://docs.pytest.org/en/6.2.x/#, свободный.
18. Scikit-learn: machine learning in Python [Электронный ресурс]. – Режим доступа: https://scikit-learn.org/stable/, свободный.
19. PostgreSQL: Documentation: 10: E.4. Release 10.6 [Электронный ресурс]. – Режим доступа: https://www.postgresql.org/docs/10/release-10-6.html, свободный.
20. One-Hot Encoding in Python with Pandas and Scikit-learn [Электронный ресурс]. – Режим доступа: https://stackabuse.com/one-hot- encoding-in-python-with-pandas-and-scikit-learn
21. Epoch & Unix Timestamp Conversion Tools [Электронный ресурс].
– Режим доступа: https://www.unixtimestamp.com/, свободный.
22. Ordinary least squares Linear Regression [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear_ model.LinearRegression.html, свободный.
23. Linear least squares with l2 regularization [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear_ model.Ridge.html, свободный.
24. Linear Model trained with L1 prior as regularizer [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/skle arn.linear_model.Lasso.html, свободный.
25. Lasso model fit with Least Angle Regression [Электронный ресурс].
– Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear
_model.LassoLars.html, свободный.
26. Linear regression with combined L1 and L2 priors as regularizer [Электронный ресурс]. Режим доступа: https://scikitlearn.org/stable/modules/g enerated/sklearn.linear_model.ElasticNet.html, свободный.
27. Шевяков И.А. Модель оценки влияния преподавателей на успеваемость студентов / Шевяков И.А., Абрамский М.М // Информационные технологии в образовании и науке: материалы VII Международной научно- практической конференции. – Казань, 2021. – С.151-155.
2. Николаева Л.В., Саввинова Р.В. Взаимодействие преподавателя и студента как условие эффективности профессиональной подготовки будущих специалистов // Современные наукоемкие технологии. – 2018. – №12-2. – С. 351-354.
3. Гочарова Н.В., Дудникова Т.А. Взаимодействие «Преподаватель- Студент» в образовательном пространстве вуза. Современная педагогика: теория, методика, практика. М.: Научно-издательский центр «Империя». – 2019. – 258 с.
4. K-Means Clustering [Электронный реурс]. – Режим доступа: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html, свободный.
5. Fuzzy C means Clustering [Электронный ресурс]. – Режим доступа: https://matteucci.faculty.polimi.it/Clustering/tutorial_html/cmeans.html, свободный.
6. Arthur D., Vassilvitskii S. k-means++: The advantages of careful seeding //Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. – Society for Industrial and Applied Mathematics, 2007. – С. 1027- 1035.
7. Agglomerative Clustering [Электронный ресурс]. – Режим доступа:
https://scikit- learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClu stering.html, свободный.
8. Assessment Metrics for Clustering Algorithms [Электронный ресурс].
– Режим доступа: https://medium.com/@ODSC/assessment-metrics-for- clustering-algorithms-4a902e00d92d, свободный.
9. R. Tibshirani, G. Walther, T. Hastie. Estimating the number of clusters in a data set via the gap statistics // Journal of the Royal Statistical Society, Series B. – 2001. – №63. – С. 411-423.
10. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАТЛИТ. – 2006. – 816 с.
11. Mean Squared Error regression loss [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.metrics.mean_sq uared_error.html, свободный.
12. Cross-validation: evaluating estimator performance [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/cross_validation. html, свободный.
13. Язык программирования Python [Электронный ресурс]. – Режим доступа: https://web-creator.ru/articles/python, свободный.
14. Django: The Web framework for perfectionists with deadlines [Электронный ресурс]. – Режим доступа: https://www.djangoproject.com/, свободный.
15. Pandas documentation [Электронный ресурс]. – Режим доступа: https://pandas.pydata.org/docs/, свободный.
16. NumPy: the fundamental package for scientific computing in Python [Электронный ресурс]. – Режим доступа: https://numpy.org/doc/stable/, свободный.
17. Pytest: helps you write better programs [Электронный ресурс]. – Режим доступа: https://docs.pytest.org/en/6.2.x/#, свободный.
18. Scikit-learn: machine learning in Python [Электронный ресурс]. – Режим доступа: https://scikit-learn.org/stable/, свободный.
19. PostgreSQL: Documentation: 10: E.4. Release 10.6 [Электронный ресурс]. – Режим доступа: https://www.postgresql.org/docs/10/release-10-6.html, свободный.
20. One-Hot Encoding in Python with Pandas and Scikit-learn [Электронный ресурс]. – Режим доступа: https://stackabuse.com/one-hot- encoding-in-python-with-pandas-and-scikit-learn
21. Epoch & Unix Timestamp Conversion Tools [Электронный ресурс].
– Режим доступа: https://www.unixtimestamp.com/, свободный.
22. Ordinary least squares Linear Regression [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear_ model.LinearRegression.html, свободный.
23. Linear least squares with l2 regularization [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear_ model.Ridge.html, свободный.
24. Linear Model trained with L1 prior as regularizer [Электронный ресурс]. – Режим доступа: https://scikitlearn.org/stable/modules/generated/skle arn.linear_model.Lasso.html, свободный.
25. Lasso model fit with Least Angle Regression [Электронный ресурс].
– Режим доступа: https://scikitlearn.org/stable/modules/generated/sklearn.linear
_model.LassoLars.html, свободный.
26. Linear regression with combined L1 and L2 priors as regularizer [Электронный ресурс]. Режим доступа: https://scikitlearn.org/stable/modules/g enerated/sklearn.linear_model.ElasticNet.html, свободный.
27. Шевяков И.А. Модель оценки влияния преподавателей на успеваемость студентов / Шевяков И.А., Абрамский М.М // Информационные технологии в образовании и науке: материалы VII Международной научно- практической конференции. – Казань, 2021. – С.151-155.
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка модели и программного инструмента оценки влияния преподавателей на успеваемость обучающихся |
| Артикул: | 9103775 |
| Дата написания: | 25.04.2021 |
| Тип работы: | Магистерская диссертация |
| Предмет: | Программная инженерия |
| Оригинальность: | Антиплагиат.ВУЗ — 67% |
| Количество страниц: | 31 |
Скрин проверки АП.ВУЗ приложен на последней странице.
Файлы артикула: Разработка модели и программного инструмента оценки влияния преподавателей на успеваемость обучающихся по предмету программная инженерия
Код работы.zip
43.71 МБ
Пролистайте "Разработка модели и программного инструмента оценки влияния преподавателей на успеваемость обучающихся" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 24.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 67% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка и реализация ядра базы данных, построенной на структурах данных INDEX ORGANIZED TABLE
СЛЕДУЮЩАЯ РАБОТА
Разработка web-платформы с панелью инструментов прогнозирования фондового рынка