Xây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng Tháp (tt)

Xây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng ThápXây dựng mô hình dự báo kết quả học tập của sinh viên đại học Đồng Tháp

HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG - TRẦN TUẤN ANH XÂY DỰNG MÔ HÌNH DỰ BÁO KẾT QUẢ HỌC TẬP CỦA SINH VIÊN TRƢỜNG ĐẠI HỌC ĐỒNG THÁP CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 60.48.01.04 TÓM TẮT LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS DƢƠNG MINH ĐỨC TP HỒ CHÍ MINH – NĂM 2016 Luận văn hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƢU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học : TS Dương Minh Đức (Ghi rõ học hàm, học vị) Phản biện 1: ……………………………………… Phản biện 2: ……………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Công nghệ Bưu Viễn thông Vào lúc: .giờ ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Công nghệ Bưu Viễn thông MỞ ĐẦU Hiện nay, đa số trường đại học cao đẳng nước ta chuyển từ đào tạo theo niên chế sang đào tạo theo tín 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 Việc lựa chọn môn học học kỳ (hay gọi chọn lộ trình học) để cho kết học tập cao việc khó khăn sinh viên Vì vậy, việc dự đoán kết học tập để tư vấn cho sinh viên lựa chọn lộ trình học phù hợp nhằm đạt kết học tập cao đặc biệt quan tâm Đó khó khăn chung không sinh viên, mà cố vấn học tập, giáo viên chủ nhiệm tổ chức quản lý trường Các giảng viên chuyên trách tiếp cận toàn liệu điểm sinh viên Ngay với cấp quản lý, cảm tính suy luận thủ công từ khối liệu lớn để đưa tư vấn tốt việc chọn lộ trình học cho sinh viên khả thi Tại Việt Nam, việc nghiên cứu khai phá liệu lĩnh vực giáo dục đào tạo chưa quan tâm mức Đã có số công trình công bố sử dụng hồ sơ cá nhân điểm đầu vào để dự báo kết học tập toàn khoá giai đoạn sinh viên, công trình nghiên cứu có sử dụng lộ trình học để dự đoán kết học tập Vì vậy, đề tài “Xây dựng công cụ dự đoán kết học tập sinh viên Đại học Đồng Tháp” sâu vào việc khai phá liệu từ thông tin cá nhân, điểm tuyển sinh đầu vào kết hợp với lộ trình học để dự đoán kết học tập sinh viên Đề tài tiến hành nghiên cứu kỹ thuật cho phép phân lớp, dự báo khai phá liệu, ứng dụng kỹ thuật để xây dựng mô hình dự đoán kết học tập sinh viên công cụ SQL Server Business Intelligence Development Studio Từ đó, đánh giá lựa chọn mô kỹ thuật cho kết dự đoán tốt để ứng dụng xây dựng chương trình dự đoán kết học tập cho sinh viên Kết dự đoán dùng để tư vấn cho sinh viên lựa chọn lộ trình học phù hợp để đạt kết học tập cao CHƢƠNG I - GIỚI THIỆU 1.1 Lý chọn đề tài Hiện nay, hầu hết trường Đại học chuyển từ hình thức đào tạo theo niên chế sang đào tạo theo học chế tín Đào tạo theo tín xem người học trung tâm trình đào tạo “Tín chỉ” đơn vị để đo khối lượng kiến thức đánh giá kết học tập sinh viên Đặc trưng hệ thống kiến thức cấu trúc thành học phần Lượng kiến thức dành cho sinh viên gồm hai khối bản: giáo dục đại cương giáo dục chuyên môn Mỗi khối kiến thức có nhóm học phần: học phần bắt buộc kiến thức tiên bắt buộc sinh viên phải học thi đạt học tiếp sang học phần khác; nhóm học phần tự chọn gồm kiến thức cần thiết sinh viên chọn theo hướng dẫn nhà trường 1.2 Mục đích nghiên cứu - Nghiên cứu kỹ thuật khai phá liệu: định, Naïve Bayes, mạng nơ ron nhân tạo, luật kết hợp - Nghiên cứu kỹ hệ thống dự đoán kết học tập cho sinh viên đào tạo theo tín chỉ, xác định toán cụ thể xây dựng công cụ liệt kê tất lộ trình học cho ngành học gắn lộ trình học với sinh viên, thu thập, tiền xử lý xử lý liệu đào tạo phục vụ cho mục đích nghiên cứu luận văn 1.3 Đối tƣợng phạm vi nghiên cứu 1.4 Phƣơng pháp nghiên cứu - Phương pháp nghiên cứu lý luận - Phương pháp nghiên cứu thực tiễn 1.5 Ý nghĩa khoa học thực tiễn luận văn 1.6 Cấu trúc luận văn Luận văn gồm có phần mở đầu, kết luận 04 chương, cụ thể sau: Chƣơng I Giới thiệu Chƣơng II: Cơ sở lý thuyết liên quan Chƣơng III Giải pháp đề xuất xây dựng hệ thống Chƣơng IV Thực nghiệm, đánh giá CHƢƠNG II: CƠ SỞ LÝ THUYẾT 2.1 Khái niệm khai phá liệu 2.1.1 Định nghĩa khai phá liệu Khai phá liệu trình khảo sát phân tích khối lượng lớn liệu lưu trữ sở liệu, kho liệu…để từ trích xuất thông tin quan trọng, có giá trị tiềm ẩn bên 2.1.2 Những nhóm toán khai phá liệu 2.1.2.1 Phân loại 2.1.2.2 Phân cụm 2.1.2.3 Bài toán phân tích luật kết hợp 2.1.2.4 Hồi quy 2.1.2.5 Dự đoán 2.1.2.6 Phân tích chuỗi 2.1.2.7 Phân tích độ lệch 2.1.3 Những lợi thách thức khai phá liệu 2.1.3.1 Lợi 2.1.3.2 Thách thức 2.2 Các bƣớc xây dựng giải pháp khai phá liệu 2.2.1 Mô hình luồng liệu 2.2.2 Vòng đời hệ thống khai phá liệu 2.2.2.1 Bước 1: Xác định mục tiêu toán 2.2.2.2 Bước 2: Thu thập liệu 2.2.2.3 Bước 3: Làm liệu chuyển đổi liệu 2.2.2.4 Bước 4: Xây dựng mô hình 2.2.2.5 Bước 5: Đánhgiá mô hình, đánh giá mẫu 2.2.2.6 Bước 6: Báo cáo 2.2.2.7 Bước 7: Dự đoán 2.2.2.8 Bước 8: Tích hợp vào ứng dụng 2.2.2.9 Bước 9: Quản lý mô hình 2.3 Kiến trúc hệ thống khai phá liệu điển hình 2.4 Khai phá liệu lĩnh vực giáo dục 2.4.1 Tầm quan trọng khai phá liệu lĩnh vực giáo dục 2.4.2 Các ứng dụng khai phá liệu lĩnh vực giáo dục 2.4.2.1 Các ứng dụng hướng đến học sinh, sinh viên 2.4.2.2 Các ứng dụng hướng đến giáo viên 2.4.2.3 Các ứng dụng hướng đến nhà quản lý giáo dục 2.5 Một số kỹ thuật khai phá liệu phân lớp, dự báo 2.5.1 Cây định 2.5.1.1 Khái niệm Cây định cấu trúc biễu diễn dạng Trong đó, node (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) [6] 2.5.1.2 Biểu diễn định 2.5.1.3 Các bước xây dựng định 2.5.1.4 Cây định so với kỹ thuật khai phá khác 2.5.2 Phân lớp Naïve Bayes 2.5.2.1 Định nghĩa 2.5.2.2 Mô hình Phân lớp Naive Bayes (NBC) 2.5.2.3 Các bước thực thuật toán Naive Bayes  Bước 1: Huấn luyện Naive Bayes (dựa vào tập liệu), tính P(Ci) |  Bước 2: Phân lớp , ta cần tính xác suất thuộc phân lớp biết trước gán vào lớp có xác suất lớn theo công thức: ∏ | ) Để tránh trường hợp giá trị P(Xk|Ci) = mẫu DL huấn luyện thỏa mãn tử số, ta làm trơn cách thêm số mẫu ảo: Khi đó: Công thức tính P(Ci) làm trơn Laplace: 10 Hình 2.8: Mô hình học không giám sát [4] 2.5.4 Khai phá luật kết hợp 2.5.4.1 Luật kết hợp 2.5.4.2 Thuật toán khai phá luật kết hợp 2.6 Khai phá liệu với hệ quản trị CSDL Microsft SQL Server 2.6.1 Giới thiệu chung Dưới hình ảnh tổng quan khai phá liệu với hệ quản trị CSDL SQL Server: Hình 2.9: Hình ảnh tổng quan khai phá liệu với SQL 2008 [5] 11 2.6.2 Ngôn ngữ truy vấn khai phá liệu DMX (Data Mining Extensions) 2.6.3 Bộ công cụ SQL Server Business Intelligence Development Studio 2.6.4 Lập trình khai phá liệu với Analysis Services APIs 2.7 Kết luận chƣơng Trong chương 2, em trình bày kiến thức tổng quan khai phá liệu: định nghĩa khai phá liệu, nhóm toán thường áp dụng kỹ thuật khai phá liệu lợi thế, thách thức khai phá liệu Các bước xây dựng giải pháp khai phá liệu kiến trúc hệ thống khai phá liệu điển hình em trình bày cụ thể chương Tiếp đến, em trình bày chi tiết kỹ thuật khai phá liệu với hệ quản trị CSDL SQL Server 2008 thông qua việc sử dụng công cụ BIDS Microsoft ngôn ngữ truy vấn khai phá liệu DMX kỹ thuật lập trình khai phá liệu máy client với Analysis Services APIs 12 Đây kỹ thuật mà em sử dụng để xây dựng hệ thống dự đoán kết học tập chương luận văn CHƢƠNG III: MÔ HÌNH ĐỀ XUẤT 3.1 Giải pháp dự đoán kết học tập sinh viên Như trình bày chương 1, toán dự đoán kết học tập sinh viên theo lộ trình học gồm hai bước: Bƣớc 1: Liệt kê toàn lộ trình học sinh viên theo ngành học mà sinh viên chọn Bƣớc 2: Dự đoán 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 13 3.1.1 Liệt kê lộ trình học sinh viên 3.2 Xây dựng sở liệu cho hệ thống Quy trình xử lý liệu đầu vào: Dữ liệu đầu vào (hồ sơ sinh viên, kết học tập, từ database phòng đào tạo) Tiền xử lý (loại bỏ mẫu bị thiếu liệu, trùng lắp) Quy ước mã ngành học môn học Hình 3.1: Quy trình xử lý liệu đầu vào 3.3 Xây dựng hệ thống dự đoán kết học tập 3.3.1 Xây dựng mô hình Hình 3.5: Sự phụ thuộc thuộc tính dự đoán vào thuộc tính khác 3.3.2.1 Đánh giá mô hình dự báo với Lift Chart 3.3.2.2 Đánh giá mô hình dự báo với Classification Matrix 14 CHƢƠNG IV: THỰC NGHIỆM VÀ ĐÁNH GIÁ 4.1 Thực nghiệm, đánh giá hệ thống Ví dụ 1: Sử dụng hệ thống để đưa kết học tập dự đoán 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 dự đoán kết với mô hình khác nhau: 15 Hình 4.1: Kết dự đoán kết học tập với mô hình Naïve Bayes Hình 4.2: Kết dự đoán kết học tập với mô hình Cây định 16 Hình 4.3: Kết dự đoán kết học tập với mô hình Luật kết hợp Hình 4.4: Kết dự đoán kết học tập với mô hình Neural Network Đánh giá kết quả: - 04 mô 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 - Mô hình Naïve Bayes cho kết lộ trình học giúp sinh viên đạt loại giỏi, có lộ trình khiến sinh viên đạt loại 17 - 02 mô hình Cây định Luật kết hợp cho dự báo 01 lộ trình giúp sinh viên đạt loại giỏi 11 lộ trình lại khiến sinh viên xếp loại - Mô hình Neural Network cho 02 lộ trình giúp sinh viên đạt loại giỏi 10 lộ trình lại đạt loại - Theo đánh giá mô hình từ trước mô hình Naïve Bayes cho kết dự báo tốt nên sinh viên cần lấy kết mô 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 đoán 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 đoán trường hợp hỗ trợ cao Trên hệ thống, cần bấm vào cột tương 18 ứng giá trị cột xếp theo thứ tự để sinh viên dễ dàng lựa chọn Ví dụ 2: Sử dụng hệ thống để đưa kết học tập dự đoán cho hai sinh viên ngành với điểm thi giới tính khác sau: - Giới tính: Nữ, Nam - Ngành học: Ngôn ngữ Anh - Điểm thi tuyển sinh đầu vào: 22 - Khối thi: D1 - Mô hình dự đoán: Naïve Bayes Sau chạy chương trình, kết dự đoán với mô hình khác nhau: Hình 4.5: Kết dự đoán học tập với sinh viên nam 19 Hình 4.6: Kết dự đoán học tập với sinh viên nữ Đánh giá kết quả: - Với mô hình dự báo Naïve 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 Còn với sinh viên nam có lộ trình giúp sinh viên đạt loại giỏi 23 lộ trình lại loại Để xem chi tiết lộ trình học, sinh viên cần bấm chuột vào hàng tương ứng bảng kết dự đoán 20 Lộ trình hiển thị theo định dạng giới thiệu mục 3.1: Hình 4.7: 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 mô hình dự đoán kết học tập Việc xây dựng mô hình liệu sinh viên qua nhiều khóa học giúp mô 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 mô hình tiến hành chạy lại mô hình 21 4.2 Kết luận chƣơng Trong chương 4, em tiến hành số thực nghiệm hệ thống xây dựng Qua ví dụ thực tế cho thấy hệ thống hoạt động ổn định, cho kết nhanh cho phép hiển thị chi tiết lộ trình học cho sinh viên lựa chọn Theo phân tích cảm tính, kết hệ thống phù hợp với suy luận cảm tính Trường hợp có nhiều lộ trình học có kết học tập cao nhất, hệ thống đưa thêm hai độ đo xác suất dự báo số trường hợp hỗ trợ Sinh viên lựa chọn lộ trình mà hai độ đo đạt kết cao tỷ lệ dự báo đạt độ xác KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau thời gian nghiên cứu làm việc nghiêm túc, luận văn đạt số kết sau đây: - Nghiên cứu sở lý thuyết khai phá liệu, tập trung vào kỹ thuật khai phá liệu áp dụng cho mô hình dự báo như: định, Naïve Bayes, luật kết hợp mạng nơ ron nhân tạo 22 - Nghiên cứu công cụ khai phá liệu BIDS Microsoft, ngôn ngữ truy vấn khai phá liệu DMX kỹ thuật lập trình khai phá liệu với Analysis Services APIs hệ quản trị sở liệu Microsoft SQL Server - Tìm hiểu mô hình đào tạo theo tín chỉ, khó khăn sinh viên việc lựa chọn môn học đề xuất toán tư vấn cho sinh viên lộ trình học phù hợp để sinh viên đạt kết cao thông qua việc xây dựng lộ trình học tương ứng với ngành mà sinh viên theo học, dự đoán kết học tập theo lộ trình lựa chọn lộ trình cho kết cao - Tiến hành thu thập tiền xử lý liệu, thu 233.510 ghi điểm tổng kết học phần liệu cá nhân, tuyển sinh điểm tổng kết toàn khóa cho 3402 sinh viên thuộc 21 ngành học với 840 học phần (môn học), từ xây dựng CSDL hệ quản trị SQL Server 2008, phục vụ cho việc phát triển hệ thống dự đoán kết học tập - Xây dựng mô hình dự đoán kết học tập với 04 thuật toán đề xuất định, luật kết hợp, mạng nơ ron nhân tạo Naive Bayes Qua đánh giá mức độ xác mô hình cho thấy mô hình 23 Naive Bayes cho mức độ dự báo xác cao (80,98%), sau đến Neural Network (78,82%), Decision Tree (78,62%) thấp Cây định (75,29%) - Từ đánh giá trên, em xây dựng hệ thống dự đoán kết học tập với đầu vào thông tin cá nhân sinh viên như: ngành học, điểm thi tuyển sinh, giới tính, sử dụng mô hình dự báo Naive Bayes Hệ thống hoạt động ổn định, cho kết nhanh hiển thị kết dự đoán 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 mô hình kết thúc năm học với khóa tốt nghiệp, qua giúp hệ thống ngày đạt độ xác cao khách quan Kiến nghị 24 Để hệ thống triển khai rộng rãi, thời gian tới em phát triển hệ thống web Do phần liệu thu thập hạn chế nên độ xác mô hình chưa thực cao, mô hình Naïve Bayes cho kết tốt đạt 80,98% Trong thời gian tới em tiếp tục cập nhật mô hình với liệu khóa trường để kết dự đoán cải thiện Do thời gian thực luận văn không nhiều nên chắn tránh khỏi thiếu sót Em mong nhận góp ý thầy, cô giáo bạn đọc để luận văn hoàn thiện Xin chân thành cảm ơn! [...]... định 16 Hình 4.3: Kết quả dự đoán kết quả học tập với mô hình Luật kết hợp Hình 4.4: Kết quả dự đoán kết quả học tập với mô hình Neural Network Đánh giá kết quả: - 04 mô hình đều đưa ra kết quả dự báo cho sinh viên với 12 lộ trình đưa ra tương ứng với ngành học của sinh viên và kết quả xếp loại ra trường ứng với từng lộ trình - Mô hình Naïve Bayes cho kết quả là 9 lộ trình học đều giúp sinh viên đạt... để đưa ra kết quả học tập dự đoán cho một sinh viên mới nhập học với các giá trị thuộc tính đầu vào như sau: - Giới tính: Nữ - Ngành học: Kế toán - Điểm thi tuyển sinh đầu vào: 24 - Khối thi: A Sau khi chạy chương trình, kết quả dự đoán kết quả với các mô hình khác nhau: 15 Hình 4.1: Kết quả dự đoán kết quả học tập với mô hình Naïve Bayes Hình 4.2: Kết quả dự đoán kết quả học tập với mô hình Cây quyết... của sinh viên Như đã trình bày trong chương 1, bài toán dự đoán kết quả học tập của sinh viên theo lộ trình học gồm hai bước: Bƣớc 1: Liệt kê toàn bộ lộ trình học có thể của một sinh viên theo ngành học mà sinh viên đó đã chọn Bƣớc 2: Dự đoán kết quả học tập cuối khóa của sinh viên theo tất cả các lộ trình ở trên Chọn ra lộ trình với kết quả dự đoán cho ra kết quả học tập tốt nhất để tư vấn cho sinh viên. .. trình học, sinh viên chỉ cần bấm chuột vào hàng tương ứng trên bảng kết quả dự đoán 20 Lộ trình hiển thị theo đúng định dạng đã giới thiệu ở mục 3.1: Hình 4.7: Xem chi tiết một lộ trình học Sau mỗi năm học, nhà trường lại có một khóa sinh viên ra trường, và dữ liệu của các sinh viên này lại có thể được sử dụng để xây dựng mô hình dự đoán kết quả học tập Việc xây dựng mô hình trên dữ liệu sinh viên. .. đã xây dựng hệ thống dự đoán kết quả học tập với đầu vào là các thông tin cá nhân của sinh viên như: ngành học, điểm thi tuyển sinh, giới tính, sử dụng mô hình dự báo Naive Bayes Hệ thống hoạt động ổn định, cho kết quả nhanh và hiển thị kết quả dự đoán cho tất cả các lộ trình học tập của sinh viên (sắp xếp theo thứ tự từ cao xuống thấp), giúp sinh viên có thể dễ dàng lựa chọn cho mình lộ trình học. .. sinh viên cần lấy kết quả của mô hình này để tham khảo chính Cũng theo cảm tính, vì sinh viên thi điểm đầu vào cao và là học sinh nữ, học ngành kế toán nên tỷ lệ sinh viên này học đạt kết quả giỏi là cao (sinh viên nữ thường chăm chỉ hơn sinh viên nam và ngành kế toán hợp với sinh viên nữ hơn) - Do trong kết quả dự đoán có tới 9 lộ trình cho ra kết quả dự báo đạt loại Giỏi mà sinh viên chỉ được phép chọn... hai sinh viên cùng ngành với điểm thi như nhau nhưng giới tính khác nhau như sau: - Giới tính: Nữ, Nam - Ngành học: Ngôn ngữ Anh - Điểm thi tuyển sinh đầu vào: 22 - Khối thi: D1 - Mô hình dự đoán: Naïve Bayes Sau khi chạy chương trình, kết quả dự đoán với các mô hình khác nhau: Hình 4.5: Kết quả dự đoán học tập với sinh viên nam 19 Hình 4.6: Kết quả dự đoán học tập với sinh viên nữ Đánh giá kết quả: -... (loại bỏ những mẫu bị thiếu dữ liệu, trùng lắp) Quy ước mã ngành học môn học Hình 3.1: Quy trình xử lý dữ liệu đầu vào 3.3 Xây dựng hệ thống dự đoán kết quả học tập 3.3.1 Xây dựng các mô hình Hình 3.5: Sự phụ thuộc của thuộc tính dự đoán vào các thuộc tính khác 3.3.2.1 Đánh giá các mô hình dự báo với Lift Chart 3.3.2.2 Đánh giá các mô hình dự báo với Classification Matrix 14 CHƢƠNG IV: THỰC NGHIỆM VÀ ĐÁNH... sinh viên đạt loại khá 17 - 02 mô hình Cây quyết định và Luật kết hợp đều cho dự báo là 01 lộ trình giúp sinh viên đạt loại giỏi còn 11 lộ trình còn lại khiến sinh viên chỉ xếp loại khá - Mô hình Neural Network cho 02 lộ trình giúp sinh viên đạt loại giỏi và 10 lộ trình còn lại đạt loại khá - Theo đánh giá mô hình từ trước thì mô hình Naïve Bayes cho kết quả dự báo tốt nhất nên sinh viên cần lấy kết. .. lộ trình học tương ứng với ngành mà sinh viên theo học, dự đoán kết quả học tập theo từng lộ trình và lựa chọn lộ trình cho kết quả cao nhất - Tiến hành thu thập và tiền xử lý dữ liệu, thu được 233.510 bản ghi về điểm tổng kết các học phần và dữ liệu cá nhân, tuyển sinh và điểm tổng kết toàn khóa cho 3402 sinh viên thuộc 21 ngành học với 840 học phần (môn học) , từ đó xây dựng CSDL trên hệ quản trị ... kết dự đoán kết với mô hình khác nhau: 15 Hình 4.1: Kết dự đoán kết học tập với mô hình Naïve Bayes Hình 4.2: Kết dự đoán kết học tập với mô hình Cây định 16 Hình 4.3: Kết dự đoán kết học tập. .. dự báo kết học tập toàn khoá giai đoạn sinh viên, công trình nghiên cứu có sử dụng lộ trình học để dự đoán kết học tập Vì vậy, đề tài Xây dựng công cụ dự đoán kết học tập sinh viên Đại học Đồng. .. với mô hình Luật kết hợp Hình 4.4: Kết dự đoán kết học tập với mô hình Neural Network Đánh giá kết quả: - 04 mô hình đưa kết dự báo cho sinh viên với 12 lộ trình đưa tương ứng với ngành học sinh