Abstract
Data mining is about explaining the past and predicting the future by means of data analysis. Educational Data Mining is a promising discipline which has an imperative impact on predicting students’ academic performance. Thousands of students take admissions in Universities and colleges every year, at the time of admissions they collect the students’ data. In the same way while the Teachers join in the institution they collect their personal and professional data. Understand the importance of data is essential from a business point of view. Data collected at the time of admission can be used for classifying and predicting students’ behavior and performance as well as teachers’ performance. Therefore, in this paper, we are examining the role of Data mining in an Educational Field. By using SDAR, we have identified possible grade values i.e., Excellent, Good, Average and Poor or Fail. We have used K-means clustering algorithm to find the best cluster center for attributes like attendance, Sessional marks and assignment marks etc. We have also discussed a Rule-Based Classification (RBC) method; it extracts a set of rules that shows relationships between attributes of the data set and the class label. In this paper we have also addressed the evaluation of Teachers’ performance by using data mining techniques at University and College level
چکیده
داده کاوی در مورد توضیح گذشته و پیش بینی آینده بوسیله ابزارهای تجزیه و تحلیل داده است. داده کاوی آموزشی یک رشته نوید بخش است که تاثیر حتمی بر عملکرد آکادمیک دانشجویان دارد. هزاران دانشجو هر ساله در کالج ها و دانشگاه ها پذیرش می شوند و در زمان پذیرش است که اطلاعات دانشجویان جمع آوری می شود. به همین ترتیب، از آنجا که معلمان ( اساتید) به نهادی ملحق می شوند که اطلاعات شخصی و حرفه ای شان را جمع آوری می کند، درک اهمیت داده ها کسب و کار بسیار ضروری است. داده های جمع آوری شده هنگام پذیرش می تواند برای طبقه بندی و پیش بینی رفتار و عملکرد دانشجویان و همچنین عملکرد معلمان مورد استفاده قرار گیرد.
بنابر این، در این مقاله، ما نقش داده کاوی را در عرصه آموزشی مورد بررسی قرار دادیم. با استفاده از SDAR، ما ارزش های موجود، به عنوان مثال عالی، خوب، متوسط، ضعیف و یا عدم موفقیت (رد) را شناسایی کردیم. ما از الگوریتم خوشه بندی میانگین های K به منظور پیدا کردن بهترین خوشه در مورد مشخصه های مانند حضور و غیاب، فعالیت کلاسی استفاده کردیم. ما همچنین در مورد رویکرد طبقه بندی مبتنی بر قاعده (RBC) بحث می کنیم ؛ این چکیده مجموعه ای از قوانین است که ارتباط بین نگرش های مجموعه داده ها با لیبل کلاس را نشان می دهد. در این مقاله، ما عملکرد معلمان را بوسیله تکنیک داده کاوی در دانشگاه و کالج مورد برسی قرار می دهیم.
1-مقدمه
فرآیند تجزیه و تحلیل داده از دیدگاه های مختلف و خلاصه بندی آنها به صورت اطلاعات مهم و همچنین شناسایی یک الگوی پنهان از مجموعه داده های زیاد اصطلاحا داده کاوی نام دارد. داده کاوی آموزشی (EDM) یک کاربرد از داده کاوی و علم آمار در این زمینه برای تولید اطلاعات از مجموعه های آموزشی مانند دانشگاه ها و کالج ها است.
در حقیقت، داده کاوی آموزشی اشاره به تکنیک ها و ابزاری دارد که برای استخراج معانی از مخازن اطلاعاتی بزرگ بوسیله فعالیت های یادگیری انجام شده بوسیله افراد در مجموعه های آموزشی اتخاذ می شود. داده کاوی می تواند به صورت یک زمینه چند رشته ای تعریف شود که ترکیبی از مشخصه های هوش مصنوعی و تکنولوژی پایگاه داده است. ارتباط بین داده کاوی، پایگاه داده و یادگیری ماشین در شکل 1 نشان داده شده است...