Bài toán ứng dụng KPDL để xây dựng hệ thống tư vấn

Mục Lục Mục Lục DANH MỤC HÌNH ẢNH .1 DANH MỤC BẢNG BIỂU CHƯƠNG GIỚI THIỆU TỔNG QUAN CHƯƠNG CÁC KIẾN THỨC CƠ SỞ LIÊN QUAN CHƯƠNG XÂY DỰNG HỆ THỐNG TƯ VẤN HỌC TẬP .7 CHƯƠNG KẾT LUẬN .12 DANH MỤC HÌNH ẢNH Hình 2.2: Biểu diễn định Hình 3.1: Kết tư vấn học tập với mơ hình Nạve Bayes Hình 3.3: Xem chi tiết lộ trình học 11 DANH MỤC BẢNG BIỂU BẢNG 1.1 Lựa chọn thuật toán KPDL CHƯƠNG 1.1 GIỚI THIỆU TỔNG QUAN Bài toán ứng dụng KPDL để xây dựng hệ thống tư vấn Một thực tế đặt trường đại học thu hút nhiều sinh viên dựa “thương hiệu” nhà trường, để đáp ứng tiêu đào tạo Tuy nhiên, yêu cầu đặt số lượng phải kèm theo yêu cầu chất lượng đào tạo Vấn đề nâng cao chất lượng đào tạo vấn đề nhà trường quan tâm Nhằm đổi giáo dục đại học Việt Nam, Bộ Giáo dục Đào tạo yêu cầu chuyển đổi từ việc thực chương trình đào tạo theo hệ thống niên chế thành đào tạo theo hệ thống tín kiểu Hoa Kỳ, năm học 2008-2009 đòi hỏi phải hoàn tất việc chuyển đổi trước năm 2012 Trường Đại học Công nghiệp Hà Nội triển khai đào tạo theo học chế tín năm học 2008 – 2009 Đào tạo tín có ưu điểm giúp sinh viên tự quản lý quỹ thời gian tùy theo khả để tự định môn học theo kỳ Vì vậy, việc tư vấn học tập, chủ yếu liên quan đến lựa chọn lộ trình học phù hợp nhằm đạt kết học tập cao cho sinh viên đặc biệt quan tâm Đó khó khăn chung khơng sinh viên, mà cịn cố vấn học tập, giáo viên chủ nhiệm tổ chức quản lý trường Các giảng viên chuyên trách, cố vấn học tập tiếp cận toàn liệu điểm sinh viên Đối với sinh viên, việc lựa chọn cho lộ trình học phù hợp theo quy trình đào tạo việc khó khăn, đặc biệt với sinh viên vào trường, mà kinh nghiệm học tập bậc đại học hình thức đào tạo tín cịn mẻ Xuất phát từ thực tế đó, việc tư vấn lựa chọn lộ trình học cho sinh viên theo ngành học đăng ký việc làm thiết thực ý nghĩa Bài toán tư vấn lựa chọn lộ trình học cho sinh viên gồm hai bước: Bước 1: Liệt kê tồn lộ trình học sinh viên theo ngành học mà sinh viên chọn Bước 2: Dự đốn kết học tập cuối khóa sinh viên theo tất lộ trình Chọn lộ trình với kết dự đoán cho kết học tập tốt để tư vấn cho sinh viên Nếu có nhiều lộ trình có kết sinh viên tự chọn số lộ trình học cho phù hợp với lực, sở thích điều kiện khác thân Trên sở lộ trình học liệt kê cho sinh viên, cơng đoạn quan trọng dự đốn kết học tập tồn khóa sinh viên tương ứng với lộ trình học tư vấn cho sinh viên lộ trình học phù hợp Việc dự đoán sử dụng kỹ thuật khai phá liệu SQL Server với việc áp dụng mơ hình khác như: định, luật kết hợp, mạng Naïve Bayes mạng nơ ron nhân tạo Qua đánh giá độ xác mơ hình lựa chọn mơ hình cho kết tốt nhất, áp dụng vào hệ thống để tư vấn lựa chọn lộ trình học cho sinh viên 1.2 Một số hướng nghiên cứu khai phá liệu giáo dục Hiện có nhiều nghiên cứu ứng dụng KPDL cho giáo dục Những khai phá liệu giáo dục bật lên lĩnh vực nghiên cứu độc lập năm gần đây, mà cao điểm năm 2008 với thành lập hội nghị quốc tế khai phá liệu giáo dục, báo khai phá liệu giáo dục Đó “Applying Data Mining Techniques to e-Learning Problems” Félix Castrol, Alfredo Vellido1, Àngela Nebotl, Francisco Mugica3, “Recommendation in Higher Education Using Data Mining Techniques” César Vialardi, Javier Bravo, Leila Shafti, Álvaro Ortigosa, “Using Association Rules for Course Recommendation” Narimel Bendakir Esma Aămeur Cỏc nh nghiờn cu v vic KPDL giáo dục tập trung vào nhiều vấn đề bao gồm việc học cá nhân từ phần mềm giáo dục, học cộng tác với giúp đỡ máy tính, kiểm nghiệm khả thích ứng với máy tính, nhiều nhân tố kết hợp với sinh viên khơng có khả thiếu định hướng q trình học tập[ CITATION Giang \l 1033 ] Mỗi lĩnh vực việc ứng dụng khai phá liệu vào giáo dục phát triển mơ hình hướng đối tượng sinh viên Các mơ hình sinh viên thể thơng tin nét đặc trưng hay tình trạng sinh viên, kiến thức sinh viên, động thúc đẩy học tập, quan điểm nguyện vọng sinh viên… Tư vấn lựa chọn ngành học: Cho kho liệu lưu giữ thông tin kết học tập sinh viên tốt nghiệp Hãy tìm quy luật lựa chọn chuyên ngành cách hợp lý cho đạt kết tốt Nhằm mục đích người ta mong muốn nhận từ liệu phát biểu như: “80% sinh viên học tốt môn Kinh tế trị Tiếng Anh tốt nghiệp chun ngành Kế toán ngân hàng loại giỏi” Để đạt phát biểu trên, sử dụng thuật toán Khai phá luật kết hợp từ sở liệu Tư vấn lựa chọn môn học: Cho kho liệu thông tin kết học tập sinh viên Hãy tư vấn cho sinh viên lựa chọn môn học cho học kỳ sau dựa kết học kỳ trước cho kết học tập kỳ sau cao Để thực việc này, cần sử dụng thuật toán Khai phá liệu dạng phân lớp dự đoán Cây định, mạng Naive Bayes, Neural Network hay luật kết hợp Tư vấn lựa chọn lộ trình học: Cho kho liệu đào tạo (theo hình thức tín chỉ) bao gồm mơn học (học phần) tương ứng với ngành học học kỳ (gọi chương trình đào tạo), với thông tin kết học tập sinh viên tốt nghiệp Hãy tư vấn cho sinh viên vào trường cách lựa chọn lộ trình học phù hợp cho ngành học mà sinh viên đăng ký cho kết tốt nghiệp trường sinh viên cao Đây tốn mà luận văn hướng đến Để thực việc này, cần sử dụng thuật toán KPDL dạng phân lớp dự đoán Cây định, mạng Naive Bayes, Neural Network hay luật kết hợp Ở Việt Nam, KPDL nghiên cứu ứng dụng nhiều tổ chức, doanh nghiệp đem lại hiệu cao lĩnh vực giáo dục, y tế, thương mại, tài Nhiều cơng trình khoa học nghiên cứu để áp dụng vào thực tế Song bên cạnh đó, việc khai thác thơng tin có giá trị số đơn vị chưa thực hiệu quả, việc áp dụng thực tế hạn chế 1.3 Hướng tiếp cận luận văn Luận văn tập trung nghiên cứu lý thuyết khai phá liểu, sử dụng công cụ khai phá liệu BIDS Microsoft, KPDL điểm thực tế sinh viên trường ĐHCNHN Bên cạnh đó, luận văn sử dụng số thuật tốn điển hình khai phá liệu hỗ trợ sẵn SQL Server nhằm giải toán dự báo, dự đoán kết học tập sinh viên Nhiệm vụ Thuật toán Microsoft sử dụng Dự đoán thuộc tính rời rạc Microsoft Decision Trees Algorithm Ví dụ dự đoán người nhận thư Microsoft Naive Bayes Algorithm mục tiêu chiến dich nhận thư mua Microsoft Clustering Algorithm sản phẩm Microsoft Neural Network Algorithm Dự đoán thc tính liên tục Microsoft Decision Trees Algorithm Ví dụ dự báo bán hàng năm sau Microsoft Time Series Algorithm Dự đốn trình tự Microsoft Sequence Clustering Algorithm Ví dụ thi hành phân tích clickstream trang web cơng ty Tìm nhóm mục chọn Microsoft Association Rules Algorithm giao dịch Microsoft Decision Trees Algorithm Ví dụ sử dụng phân tích giỏ thị trường để giới thiệu thêm sản phẩm để khách hàng mua Tìm mục giống Microsoft Clustering Algorithm Ví dụ để phân đoạn liệu nhân Microsoft Sequence Clustering Algorithm học vào nhóm để nhận thức dễ dàng mối quan hệ thuộc tính BẢNG 1.1 Lựa chọn thuật toán KPDL Sau đánh giá mơ hình dự đốn tốt nhất, tác giả xây dựng chương trình thực nghiệm để hỗ trợ tư vấn học tập cho sinh viên năm đầu CHƯƠNG 2.1 CÁC KIẾN THỨC CƠ SỞ LIÊN QUAN Khai phá liệu 2.1.1 Khái niệm KPDL KPDL trình khảo sát phân tích khối lượng lớn liệu lưu trữ sở liệu, kho liệu…để từ trích xuất thơng tin quan trọng, có giá trị tiềm ẩn bên Do nhu cầu nghiệp vụ cần có cách nhìn thơng tin quy mơ tồn đơn vị Các liệu thu từ nhiều nguồn, đa số từ phần mềm nghiệp vụ như: phần mềm tài chính, kế tốn, hệ thống quản lý tài ngun doanh nghiệp, hệ thống quản lý khách hang hay từ tác công cụ lưu trữ thông tin web… Đây khối liệu khổng lồ thơng tin mà thể lộn xộn “nghèo” người dùng Kích thước khối liệu khổng lồ tăng với tốc độ nhanh chiếm nhiều dung lượng lưu trữ KPDL liệu giúp trích xuất mẫu điển hình có giá trị biến chúng thành tri thức hữu ích Quá trình gồm số bước thể hình sau Ý nghĩa cụ thể bước sau: - Lựa chọn liệu liên quan đến toán quan tâm - Tiền xử lý liệu, làm liệu, chiếm tới gần 60% nỗ lực - Chuyển đổi liệu dạng phù hợp thuận lợi cho việc khai phá - KPDL, trích xuất mẫu liệu (mơ hình) - Đánh giá mẫu - Sử dụng tri thức khai phá 2.1.2 Ứng dụng KPDL giáo dục 2.1.2.1 Tư vấn lựa chọn ngành học Cho kho liệu lưu giữ thông tin kết học tập sinh viên tốt nghiệp Hãy tìm quy luật lựa chọn chuyên ngành cách hợp lý cho đạt kết tốt Nhằm mục đích người ta mong muốn nhận từ liệu phát biểu như: “80% sinh viên học tốt môn Kinh tế trị Tiếng Anh tốt nghiệp chuyên ngành Kế toán ngân hàng loại giỏi”, … Để đạt phát biểu trên, sử dụng thuật toán Khai phá luật kết hợp từ sở liệu 2.1.2.2 Tư vấn lựa chọn môn học Cho kho liệu thông tin kết học tập sinh viên Hãy tư vấn cho sinh viên lựa chọn môn học cho học kỳ sau dựa kết học kỳ trước cho kết học tập kỳ cao Để thực việc này, cần sử dụng thuật toán KPDL dạng phân lớp dự đoán Cây định, mạng Naive Bayes, Neural Network hay luật kết hợp 2.1.2.3 Tư vấn lựa chọn lộ trình học Cho kho liệu đào tạo (theo hình thức tín chỉ) bao gồm môn học (học phần) tương ứng với ngành học học kỳ (gọi chương trình đào tạo), với thông tin kết học tập sinh viên tốt nghiệp Hãy tư vấn cho sinh viên vào trường cách lựa chọn lộ trình học phù hợp cho ngành học mà sinh viên đăng ký cho kết tốt nghiệp trường sinh viên cao Đây tốn mà luận văn hướng đến Để thực việc này, cần sử dụng thuật toán KPDL dạng phân lớp dự đoán Cây định, mạng Naive Bayes, Neural Network hay luật kết hợp 2.2 Một số kỹ thuật KPDL phân lớp, dự báo 2.2.1 Khái niệm Cây định cấu trúc biễu diễn dạng Trong đó, nút (internal node) biễu diễn thuộc tính, nhánh (branch) biễu diễn giá trị có thuộc tính, (leaf node) biểu diễn lớp định đỉnh gọi gốc (root) Hình 2.1: Biểu diễn định Trong lĩnh vực học máy, định kiểu mơ hình dự báo (predictive model), nghĩa ánh xạ từ quan sát vật/hiện tượng tới kết luận giá trị mục tiêu vật/hiện tượng Mỗi nút (internal node) tương ứng với biến, đường nối với nút thể giá trị cụ thể cho biến Mỗi nút đại diện cho giá trị dự đoán biến mục tiêu, cho trước giá trị dự đoán biến biểu diễn đường từ nút gốc tới nút Kỹ thuật học máy dùng định gọi học định, hay gọi với tên ngắn gọn định Cây định (Decision Tree) phân cấp có cấu trúc dùng để phân lớp đối tượng dựa vào dãy luật (series of rules)[ CITATION Giang2 \l 1033 ] Các thuộc tính đối tượng (ngoại trừ thuộc tính phân lớp – Category attribute) thuộc kiểu liệu khác (Binary, Nominal, ordinal, quantitative values) thuộc tính phân lớp phải có kiểu liệu Binary Ordinal Tóm lại, cho liệu đối tượng gồm thuộc tính với lớp (classes) nó, định sinh luật để dự đoán lớp đối tượng chưa biết (unseen data) So với phương pháp KPDL khác, định hình thức mơ tả liệu tương đối đơn giản, trực quan, dễ hiểu người dùng lại hiệu nên sử dụng nhiều[ CITATION Giang3 \l 1033 ] Trong năm qua, nhiều mơ hình phân lớp liệu nhà khoa học nhiều lĩnh vực khác đề xuất mạng notron, mơ hình thống kê tuyến tính /bậc 2, định, mơ hình di truyền Trong số mơ hình đó, định đánh giá công cụ mạnh, phổ biến đặt biệt thích hợp cho DM nói chung cho phân lớp liệu nói riêng Có nhiều giải thuật sẵn dùng: CART (Breiman et al., 1984), C4.5 (Quinlan, 1993 2.2.2 Phân lớp Naïve Bayes Định lý Bayes cho phép tính xác suất xảy kiện ngẫu nhiên A biết kiện liên quan B xảy Xác suất ký hiệu P(A|B), đọc "xác suất A có B" Đại lượng gọi xác suất có điều kiện rút từ giá trị cho B phụ thuộc vào giá trị Theo định lí Bayes, xác suất xảy A biết B phụ thuộc vào yếu tố: Xác suất xảy A riêng nó, khơng quan tâm đến B, kí hiệu P(A) đọc xác suất A Đây gọi xác suất biên duyên hay xác suất tiên nghiệm (prior), "tiên nghiệm" theo nghĩa khơng quan tâm đến thông tin B Xác suất xảy B riêng nó, khơng quan tâm đến A, kí hiệu P(B) đọc "xác suất B" Đại lượng cịn gọi số chuẩn hóa (normalising constant), ln giống nhau, khơng phụ thuộc vào kiện A muốn biết Xác suất xảy B biết A xảy ra, kí hiệu P(B|A) đọc "xác suất B có A" Đại lượng gọi khả (likelihood) xảy B biết A xảy Chú ý không nhầm lẫn khả xảy A biết B xác suất xảy A biết B Từ dẫn tới: P ( A∨B ) P ( B )=P ( A ∩ B )=P ( A ) P ( B∨A ) Khi có n giả thuyết thì: P ( A i|B )= P(B∨ A i) P( Ai ) n ∑ P( B∨ A j ) P( A j ) j=1 Phương pháp Naive Bayes phù hợp tốn có u cầu chi phí xuất giá trị thuộc tính - Thiết kế hệ thống phân lớp thường dễ dàng so với phương pháp khác - Các thuộc tính tập mẫu học phải độc lập với điều kiện - Độ xác thuật tốn phân lớp phụ thuộc nhiều vào tập liệu học ban đầu 2.2.3 Mạng nơ ron nhân tạo Neural nhân tạo mô đơn giản neural sinh học Mỗi neural nhân tạo thực hai chức năng: chức tổng hợp đầu vào chức tạo đầu Mỗi neural có giá trị ngưỡng, chức đầu vào tổng có trọng số tín hiệu vào kết hợp với ngưỡng để tạo tín hiều đầu vào Chức tạo đầu thực hàm truyền đạt Hàm nhận tín hiệu đầu vào tạo tín hiệu đầu neural Mạng neural hệ thống gồm nhiều phần tử xử lý hoạt động song song Chức xác định cấu trúc mạng, độ lớn liên kết trình xử lý nút đơn vị tính tốn Microsoft Neural Network3 sử dụng mạng đa tầng bao gồm ba lớp tế bào thần kinh Các lớp lớp đầu vào, lớp ẩn lớp đầu Trong mạng Neural, neural nhận nhiều đầu vào sản xuất nhiều kết đầu Mỗi đầu hàm phi tuyến đơn giản tổng đầu vào cho neural CHƯƠNG XÂY DỰNG HỆ THỐNG TƯ VẤN HỌC TẬP Mơ hình Nạve Bayes cho kết dự đoán kết học tập sinh viên với độ xác cao nên mơ hình lựa chọn để xây dựng hệ thống tư vấn học tập Trong khuôn khổ luận văn, để giúp người dùng thấy khác biệt kết dự đốn mơ hình, hệ thống tư vấn có đưa thêm vào chức cho phép người dùng chọn mơ hình khác (trong 04 mơ hình xây dựng) để kiểm tra so sánh kết Hệ thống xây dựng ngôn ngữ Visual C#.NET với hệ quản trị CSDL MS SQL Server 2008 Windows Forms (việc xây dựng Web tương tự) Nếu ứng dụng triển khai thực tế nên xây dựng Web dễ dàng việc triển khai sử dụng hệ thống sinh viên giáo viên muốn sử dụng hệ thống nhà thông qua mạng internet, nhiên ứng dụng minh họa cho kết nghiên cứu luận văn nên hệ thống tư vấn xây dựng Windows Forms Hệ thống triển khai hỗ trợ tốt cho tân sinh viên lựa chọn lộ trình học phù hợp để đạt kết học tập cao Ngoài ra, hệ thống hỗ trợ giáo viên, nhà quản lý giáo dục việc định hướng cho sinh viên lựa chọn học phần xuất nhiều lộ trình để có kế hoạch mở lớp đầu tư cho học phần tốt nhằm cải thiện chất lượng đào tạo Sơ đồ hoạt động hệ thống: Để sử dụng hệ thống, người dùng nhập vào thông tin như: ngành học, điểm thi tuyển sinh, giới tính lựa chọn mơ hình sử dụng để dự báo (nếu khơng lựa chọn mặc định hệ thống sử dụng mơ hình Nạve Bayes) Trong phạm vi thử nghiệm, chương trình cho hiển thị kết dự đốn 03 mơ hình không lựa chọn Luật kết hợp, Neural Network Decision Tree để mang tính chất tham khảo đánh giá lại mơ hình dự đốn thực tế Tuy nhiên, phân tích trên, người dùng cần tin tưởng mơ hình Nạve Bayes đánh giá dự đốn kết học tập với độ xác tốt Ví dụ 1: Sử dụng hệ thống để đưa kết tư vấn học tập cho sinh viên nhập học với giá trị thuộc tính đầu vào sau: - Giới tính: Nữ - Ngành học: Kế toán - Điểm thi tuyển sinh đầu vào: 24 - Khối thi: A Sau chạy chương trình, kết tư vấn với mơ hình khác nhau: Hình 3.2: Kết tư vấn học tập với mơ hình Nạve Bayes Nhận xét kết quả: - 04 mơ hình đưa kết dự báo cho sinh viên với 12 lộ trình đưa tương ứng với ngành học sinh viên kết xếp loại trường ứng với lộ trình - Mơ hình Nạve Bayes cho kết lộ trình học giúp sinh viên đạt loại giỏi, có lộ trình khiến sinh viên đạt loại - 02 mơ hình Cây định Luật kết hợp cho dự báo 01 lộ trình giúp sinh viên đạt loại giỏi cịn 11 lộ trình cịn lại khiến sinh viên xếp loại - Mơ hình Neural Network cho 02 lộ trình giúp sinh viên đạt loại giỏi 10 lộ trình cịn lại đạt loại - Theo đánh giá mơ hình từ trước mơ hình Nạve Bayes cho kết dự báo tốt nên sinh viên cần lấy kết mơ hình để tham khảo Cũng theo cảm tính, sinh viên thi điểm đầu vào cao học sinh nữ, học ngành kế toán nên tỷ lệ sinh viên học đạt kết giỏi cao (sinh viên nữ thường chăm sinh viên nam ngành kế toán hợp với sinh viên nữ hơn) - Do kết dự đốn có tới lộ trình cho kết dự báo đạt loại Giỏi mà sinh viên phép chọn cho lộ trình để học nên lúc sinh viên cần tham khảo thêm cột “Xác suất dự đoán” “Trường hợp hỗ trợ” Nếu kết dự đoán, sinh viên nên chọn lộ trình có xác suất dự đốn trường hợp hỗ trợ cao Trên hệ thống, cần bấm vào cột tương ứng giá trị cột xếp theo thứ tự để sinh viên dễ dàng lựa chọn Hình 2: Kết tư vấn học tập với sinh viên nam Nhận xét kết quả: - Với mơ hình dự báo Nạve Bayes, hai sinh viên có thuộc tính đầu vào khác giới tính, cho kết tương đối khác Cụ thể, 24 lộ trình học, có tới 17 lộ trình giúp sinh viên nữ đạt loại giỏi, lộ trình đạt loại Cịn với sinh viên nam có lộ trình giúp sinh viên đạt loại giỏi 23 lộ trình cịn lại loại Để xem chi tiết lộ trình học, sinh viên cần bấm chuột vào hàng tương ứng bảng kết dự đoán Lộ trình hiển thị theo định dạng giới thiệu mục 3.1: Hình 3.3: Xem chi tiết lộ trình học Sau năm học, nhà trường lại có khóa sinh viên trường, liệu sinh viên lại sử dụng để xây dựng mơ hình tư vấn học tập Việc xây dựng mơ hình liệu sinh viên qua nhiều khóa học giúp mơ hình đạt độ xác cao khách quan Để thực việc này, người quản trị hệ thống cần bấm nút “Xây dựng CSDL” phần mềm để hệ thống cập nhật thêm liệu cho mơ hình tiến hành chạy lại mơ hình CHƯƠNG KẾT LUẬN Sau thời gian nghiên cứu làm việc nghiêm túc, từ việc nghiên cứu yêu cầu cấp thiết đặt công tác quản lý vào đào tạo trường ĐHCNHN, luận văn đạt số kết sau đây: - Xây dựng hệ thống tư vấn học tập với đầu vào thông tin cá nhân sinh viên như: ngành học, điểm thi tuyển sinh, giới tính, sử dụng mơ hình dự báo Naive Bayes Hệ thống hoạt động ổn định, cho kết nhanh hiển thị kết dự đốn cho tất lộ trình học tập sinh viên (sắp xếp theo thứ tự từ cao xuống thấp), giúp sinh viên dễ dàng lựa chọn cho lộ trình học phù hợp Các độ đo xác suất dự báo số trường hợp hỗ trợ đưa vào để gợi ý sinh viên lựa chọn tốt (trong trường hợp có nhiều lộ trình cho kết học tập cao nhất) Lộ trình xem chi tiết theo tên môn học kỳ học (sắp xếp theo thứ tự tăng dần học kỳ) - Hệ thống có chức cho phép người quản trị cập nhật sở liệu cập nhật lại mơ hình kết thúc năm học với khóa tốt nghiệp, qua giúp hệ thống ngày đạt độ xác cao khách quan - Với việc triển khai hệ thống thử nghiệm cho thấy khả ứng dụng kết việc dự đoán kết học tập sinh viên Hệ thống không hỗ trợ cho sinh viên mà hỗ trợ cho giáo viên chủ nhiệm, khoa chuyên ngành, phòng đào tạo quan tâm + Đối với sinh viên: giúp lựa chọn lộ trình học phù hợp với điều kiện lực thân để đạt kết học tập tối ưu + Đối với cố vấn học tập: tư vấn cho sinh viên việc chọn lộ trình học phù hợp + Đối với khoa chuyên ngành phòng đào tạo: hỗ trợ việc đánh giá chất lượng cho lộ trình học nhằm nâng cao, cải thiện việc xây dựng lộ trình học để phù hợp với điều kiện lực sinh viên MỤC LỤC CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Bài toán ứng dụng KPDL để xây dựng hệ thống tư vấn 1.2 Một số hướng nghiên cứu khai phá liệu giáo dục 1.3 Hướng tiếp cận luận văn CHƯƠNG 2.1 CÁC KIẾN THỨC CƠ SỞ LIÊN QUAN Khai phá liệu 2.1.1 Khái niệm KPDL 2.1.2 Ứng dụng KPDL giáo dục 2.1.2.1 Tư vấn lựa chọn ngành học 2.1.2.2 Tư vấn lựa chọn môn học 2.1.2.3 Tư vấn lựa chọn lộ trình học .5 2.2 Một số kỹ thuật KPDL phân lớp, dự báo .5 2.2.1 Cây định 2.2.2 Phân lớp Naïve Bayes 2.2.3 Mạng nơ ron nhân tạo CHƯƠNG XÂY DỰNG HỆ THỐNG TƯ VẤN HỌC TẬP .7 CHƯƠNG KẾT LUẬN .12 Thuật toán phân lớp Nạve Bayes Thuật tốn phân lớp Mạng nơ ron Công cụ hỗ trợ Khai phá liệu Microsoft ... cao, cải thiện việc xây dựng lộ trình học để phù hợp với điều kiện lực sinh viên MỤC LỤC CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Bài toán ứng dụng KPDL để xây dựng hệ thống tư vấn 1.2 Một số... xây dựng Web tư? ?ng tự) Nếu ứng dụng triển khai thực tế nên xây dựng Web dễ dàng việc triển khai sử dụng hệ thống sinh viên giáo viên muốn sử dụng hệ thống nhà thông qua mạng internet, nhiên ứng. .. CHƯƠNG XÂY DỰNG HỆ THỐNG TƯ VẤN HỌC TẬP Mơ hình Nạve Bayes cho kết dự đoán kết học tập sinh viên với độ xác cao nên mơ hình lựa chọn để xây dựng hệ thống tư vấn học tập Trong khuôn khổ luận văn, để