Khai phá dữ liệu sinh viên đang theo học elearning tại viện đại học mở hà nội để dự báo tình trạng bỏ học

MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT vi DANH SÁCH CÁC BẢNG vii DANH SÁCH HÌNH VẼ, BIỂU ĐỒ viii LỜI MỞ ĐẦU CHƯƠNG 1: TỔNG QUÁT VỀ KHAI PHÁ DỮ LIỆU VÀ CÁC PHƯƠNG PHÁP CỦA NÓ 1.1 Giới thiệu 1.2 Kiến trúc hệ thống khai phá liệu 1.3 Các loại sở liệu phục vụ cho khai phá liệu 1.3.1 Cơ sở liệu quan hệ(Relational databases) 1.3.2 Cơ sở liệu giao tác(Transaction databases) 1.3.3 Cơ sở liệu không gian 1.3.4 Cơ sở liệu có yếu tố thời gian 1.3.5 Cơ sở liệu đa phương tiện(Multimedia database) 1.5 Nhiệm vụ khai phá liệu 1.5.1 Phân lớp(Classification) 1.5.2 Hồi quy(Regression) 1.5.3 Phân cụm(Clustering) 1.5.4 Tổng hợp(Summarization) 10 1.5.5 Mơ hình hóa dự phụ thuộc(Dependency Modeling) 10 1.5.6 Phát biến đổi độ lệch(change and deviationdectection)10 1.6 Phương pháp khai phá liệu 11 1.6.1 Các thành phần phương pháp khai phá liệu 11 1.6.2 Phương pháp suy diễn/ quy nạp 13 1.6.3 Phương pháp K-láng giềng gần 14 1.6.4 Phương pháp sử dụng định luật 14 iii 1.6.5 Phương pháp phát luật kết hợp 15 1.7 Lợi khai phá liệu so với phương pháp truyền thống 17 1.7.1 Học máy(Machine learning) 17 1.7.2 Phương pháp chuyên gia 18 1.7.3 Phát kiến khoa học 19 1.7.4 Phương pháp thống kê 19 1.8 Ứng dụng khai phá liệu 20 1.9 Một số nghiên cứu khai phá liệu giáo dục 21 1.10 Các thách thức việc nghiên cứu ứng dụng khai phá liệu 21 1.10.1 Các vấn đề sở liệu 21 1.10.2 Một số vấn đề khác 24 1.11 Kết luận 25 CHƯƠNG 2: PHÉP TOÁN OWA VÀ ỨNG DỤNG TRONG ĐÁNH GIÁ SINH VIÊN 26 2.1 Giới thiệu phép toán OWA 26 2.1.1 Định nghĩa 26 2.1.2 Một số tính chất phép tốn OWA 28 2.1.3 Các độ đo phép toán OWA 29 2.1.4 Hai mặt phép toán OWA 30 2.1.5 Phương pháp xác định trọng số 30 2.1.5.1 Học liệu từ mẫu 31 2.1.5.2 Phép toán ME-OWA 32 2.1.5.3 Sử dụng phép tốn ngơn ngữ 32 2.2 Ứng dụng phép toán OWA 33 2.2.1 Ứng dụng hỗ trợ định 33 2.2.2 Ứng dụng phân cụm 33 2.2.3 Ứng dụng truy hồi thông tin 33 2.3 Bài toán khai phá liệu sinh viên học Elearning 34 2.4 Đề xuất áp dụng phép toán OWA vào đánh giá kết học tập sinh viên elearning 34 iv 2.4.1 Đánh giá tiêu chí 34 2.4.2 Áp dụng tiêu chí vào đánh giá 37 2.5 Kết luận 38 CHƯƠNG 3: ỨNG DỤNG VỚI DỮ LIỆU SINH VIÊN ĐANG THEO HỌC ELEARNING TẠI VIỆN ĐẠI HỌC MỞ HÀ NỘI 39 3.1 Giới thiệu toán 39 3.2 Quy trình thực nghiệm 40 3.2.1 Mơ hình quy trình thực nghiệm 40 3.2.2 Thu thập liệu 41 3.2.2.1 Thu thập liệu sinh viên 41 3.2.2.2 Thu thập ý kiến chuyên gia theo đánh giá 46 3.2.3 Tính trọng số 47 3.3 Môi trường thực nghiệm 48 3.3.1 Cài đặt phần cứng 48 3.3.2 Cài đặt phần mềm 49 3.4 Kết thực nghiệm 49 3.4.1 Phép toán OWA 49 3.4.2 Đánh giá độ xác thực nghiệm 51 3.5 Kết luận 52 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 53 DANH MỤC TÀI LIỆU THAM KHẢO 55 v DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT STT Từ viêt tắt Ý nghĩa A, X A,X – Tập không gian vector a,x a,x – phần tử tập vector andness andness - Độ đo tính hội {‫ݔ‬௜ } Tập gồm phần tử ‫ݔ‬௜ CSDL Cơ sở liệu Disp Dispersion - Độ phân tán KPDL Khai phá liệu LMS LOWA 10 OWA 11 orness Độ đo tính tuyển 12 HTML HyperText Markup Language Learning Management System - Hệ thống quản lý học tập trực tuyến Linguistic Ordered Weighted Averaging – Tốn tử tích hợp ngơn ngữ Ordered Weighted Averaging – Tốn tử trung bình có xếp vi DANH SÁCH CÁC BẢNG Bảng 2.1 Các trường hợp đặc biệt phép toán OWA 28 Bảng 2.2 Biểu mẫu đánh giá tiêu chí 37 Bảng 3.1 Bảng thống kê ý kiến chuyên gia 47 Bảng 3.2 Bảng thông số phần cứng cho thực nghiệm 48 Bảng 3.3 Bảng thông số phần mềm cho thực nghiệm 49 vii DANH SÁCH HÌNH VẼ, BIỂU ĐỒ Hình 1.1 Sơ đồ bước khai phá liệu Hình 1.2 Kiến trúc hệ thống khai phá liệu Hình 3.1: Mơ hình quy trình thực nghiệm 40 Hình 3.2 Thơng tin xác thực hệ thống quản lý học tập gửi 42 Hình 3.3 Cấu hình Cookie vào chương trình Crawler 42 Hình 3.4 Dữ liệu nhật ký thao tác sinh viên 43 Hình 3.5 Cấu trúc HTML trang nhật ký 43 Hình 3.6 Cấu trúc HTML phân trang liệu nhật ký 44 Hình 3.7 Giao diện liệu điểm sinh viên 45 Hình 3.8 Bảng liệu sinh viên tính điểm tiêu chí 46 Hình 3.9 Kết sinh viên tính theo OWA 50 Hình 3.10 Danh sách sinh viên bỏ học tính theo OWA 50 Hình 3.11 Danh sách sinh viên bỏ học năm 2016 Viện Đại học mở Hà Nội 51 viii LỜI MỞ ĐẦU Bước sang kỷ 21, phát triển giáo dục đại học đặt yêu cầu lớn nhiều nước giới, có Việt Nam Đào tạo mở từ xa giải pháp toàn cầu, phương thức giáo dục có triển vọng kỷ 21 phương thức hỗ trợ việc xã hội học tập, công cụ để học tập suốt đời Phương pháp học tập dựa công nghệ ICT làm thay đổi ngành giáo dục giới từ tổ chức, quản lý đào tạo đến xây dựng giảng, hỗ trợ người học Mặc dù có cách tiếp cận khác nhau, hầu hết sở đào tạo mở từ xa có bước tiến đáng kể lĩnh vực Với việc ứng dụng công nghệ truyền thông thông tin đào tạo, phương thức e-learning mang lại ưu điểm như: Linh hoạt, dễ tiếp cận, thuận tiện hướng tới người học Người học học tập chủ động thời gian, nội dung học tập, khối lượng kiến thức mà họ muốn thu nhận, cách thức thu nhận kiến thức cho phù hợp với thân người mà đến trường lớp Đây phương thức đào tạo mang tính tồn cầu với phát triển Internet, khơng khoảng cách quốc gia, người học người dạy đến từ quốc gia giới Nội dung học tập phong phú đa dạng, dễ dàng cập nhật giúp người học tiếp cận tri thức mới, thường xuyên thu thập tri thức; Cho phép người học học hỏi lẫn nhau; Tiết kiệm chi phí, thời gian lại người học người dạy phải di chuyển đến trường lớp Ở Việt Nam, Viện Đại học Mở Hà Nội đơn vị đào tạo trực tuyến cấp đại học Viện có bề dày kinh nghiệm đào tạo từ xa, triển khai đào tạo từ xa từ năm 1994 với chuyên ngành đào tạo cung cấp nguồn nhân lực cho đất nước 120.000 người Viện bắt đầu triển khai đào tạo E-learning từ năm 2008, quy mơ đào tạo tăng nhanh, tính đến 30/6/2013 có gần 13.000 người theo học, 1577 người tốt nghiệp Viện đạt thành tích cao việc triển khai đào tạo E-learning phương pháp nên Viện phải đối mặt với nhiều thách thức số tỷ lệ sinh viên ngừng học khóa cao so với phương thức đào tạo quy Việc ngừng học có nhiều nguyên nhân: tự học, khó khăn, rào cản cơng nghệ, thời gian…Mà muốn xác định rõ cần có nghiên cứu cụ thể Đề tài đưa hướng tới mục đích ứng dụng kỹ thuật khai phá liệu dự báo tình trạng sinh viên bỏ học dựa hoạt động, thông tin sinh viên thu thập dựa hệ thông quản lý đào tạo trực tuyến(LMS) Từ để nhà quản lý giáo dục điều chỉnh, tư vấn, định hướng lại cho sinh viên nhằm giảm tỷ lệ bỏ học sinh viên theo học phương thức Luận văn trình bày theo cấu trúc thành: phần mở đầu, chương nội dung (3 chương) phần kết luận Chương Trình bày kiến thức tổng quan khai phá liệu, trình khám phá tri thức, kiến trúc hệ thống KPDL để từ có nhìn bao qt q trình khám phá xây dựng hệ thống KPDL Các phương pháp tiếp cận khai phá liệu Chương Trình bày phép tốn OWA phép tốn mở rộng LOWA Sử dụng LOWA để đưa đánh giá kết hoạt động sinh viên với liệu thu hệ thống quản lý học tập LMS Chương 3: Thực nghiệm chương trình ứng dụng dự báo tình trạng bỏ học sinh viên theo học phương thức trực tuyến trung tâm đào tạo ELearning, Viện Đại học Mở Hà Nội Cuối phần Tài liệu tham khảo Phụ lục CHƯƠNG 1: TỔNG QUÁT VỀ KHAI PHÁ DỮ LIỆU VÀ CÁC PHƯƠNG PHÁP CỦA NÓ 1.1 Giới thiệu Khai phá liệu q trình trích xuất, khai thác sử dụng liệu có giá trị tiềm ẩn bên lượng lớn liệu lưu trữ kho liệu sở liệu, … Ngoài thuật ngữ khai phá liệu, người ta dùng số thuật ngữ khác với ý nghĩa tương tự khai phá tri thức từ liệu, trích lọc liệu, phân tích liệu, phân tích mẫu Dựa thơng tin trích xuất, nhà nghiên cứu, quản lý chiến lược dễ dàng đưa định đánh giá vấn đề Xét thực tế khai phá liệu bước trình khai phá tri thức Sơ đồ bước khai phá liệu trình bày Hình 1.1 Hình 0.1 Sơ đồ bước khai phá liệu (Nguồn: Han and Kamber- Data mining: Concepts and Techniques) Quá trình khai phá tri thức từ CSDL chuỗi lặp gồm bước: Data cleaning (làm liệu): Loại bỏ nhiễu liệu khơng cần thiết Data integration (tích hợp liệu): Quá trình hợp liệu thành kho liệu (Data warehouse & Data Marts) sau làm tiền xử lý (Data cleaning & preprocessing) Data selection (chọn lựa liệu): Trích chọn liệu từ kho liệu sau chuyển đổi dạng thích hợp cho q trình khai thác tri thức Quá trình bao gồm việc xử lý với liệu nhiễu (noisy data), liệu không đầy đủ (incomplete data), v.v Data transformation (chuyển đổi liệu): Giai đoạn liệu chuyển đổi sang dạng phù hợp cho trình xử lý Data mining (khai phá liệu): Là giai đoạn quan trọng nhất, giai đoạn nhiều thuật toán khác sử dụng cách phù hợp để trích xuất thơng tin có ích mẫu điển hình liệu Pattern evaluation (đánh giá mẫu): Ở giai đoạn này, mẫu liệu chiết xuất, mẫu liệu hữu ích, đơi bị sai lệch Vì vậy, cần phải ưu tiên tiêu chuẩn đánh giá để chiết xuất tri thức cần thiết Knowledge presentation (biểu diễn tri thức): Quá trình sử dụng kĩ thuật biểu diễn thể trực quan cho người dùng Mục tiêu chung khai phá liệu thường đưa mô tả dự đốn Các tốn điển hình thường xuất khai phá liệu là: Mơ tả khái niệm: Tìm đặc trưng tính chất khái niệm Quan hệ kết hợp: Là tốn tìm mối quan hệ kết hợp tập liệu, quan hệ biến liệu Phân cụm: Là tốn nhóm liệu thành cụm để phát mẫu phân bố liệu Phân lớp: Là toán dự báo, phát lớp phụ thuộc vào đặc trưng lớp Hồi quy: Dự đốn giá trị biến phụ thuộc vào giá trị tập hợp biến độc lập session xác thực Sau đó, việc tìm hiểu cấu trúc HTML trang liệu sinh viên để lấy nội dung liệu có ích chứa thẻ siêu liên kết đến trang Khi đăng nhập xong, hệ thống trả thơng tin xác thực Hình 4.1 Hình 3.2 Thơng tin xác thực hệ thống quản lý học tập gửi Trong thông tin hệ thống gửi về, Cookie thông tin quan trọng để xác thực Chương trình Crawler cần cấu hình thơng tin lần chạy Hình 3.3 Cấu hình Cookie vào chương trình Crawler Tiếp theo, dựa vào tiêu chí để xác định lấy liệu từ hệ thống quản lý học tập LMS Tác giả cần lấy liệu thao tác hệ thống nên tìm hiểu vào phần nhật ký lưu Hình 3.4 Dữ liệu nhật ký thao tác sinh viên Hình 4.3 giao diện nhật ký hệ thống quản lý học tập LMS, thông tin cần thu thập hiển thị Giao diện giao diện người dùng nên chương trình Crawler khơng thể hiểu cần lấy thông tin Tác giả cần phân tích cấu trúc trang HTML để cấp thơng tin liệu cho chương trình Crawler chạy Hình 3.5 Cấu trúc HTML trang nhật ký Ngồi ra, tác giả cần phải cung cấp thêm thơng tin liệu phân trang để chương trình Crawler chạy tới trang lấy hết liệu trang truy cập Hình 3.6 Cấu trúc HTML phân trang liệu nhật ký Mỗi tiêu chí, tác giả cần lấy liệu khác nên cần phải phân tích cấu trúc HTML nhiều trang liệu để lấy thông tin sinh viên mà cần đánh giá Ví dụ tiêu chí điểm tổng kết tác giả cần lấy nhiều liệu giao diện điểm dành cho cán quản lý Hình 3.7 Giao diện liệu điểm sinh viên Từ liệu thu thập ta chỉnh sửa, chấm điểm sinh viên theo tiêu chí Ta cần mã sinh viên điểm tiêu chí Ta liệu 500 sinh viên tính điểm theo tiêu chí hình 3.8 Hình 3.8 Bảng liệu sinh viên tính điểm tiêu chí 3.2.2.2 Thu thập ý kiến chuyên gia theo đánh giá Tác giả gửi mẫu đánh giá để thu thập ý kiến 10 thầy, cô xem chuyên gia đánh giá tiêu chí theo mức: - Rất quan trọng – - Khá quan trọng – - Trung bình – - Ít quan trọng – - Không quan trọng –1 Bảng 3.1 Bảng thống kê ý kiến chuyên gia Tiêu chí đánh giá Tần suất đăng nhập Điểm tổng kết cuối kỳ Tham gia học tập diễn đàn Tham gia hoạt động ngoại khóa Tham gia học tập lớp học trực tuyến Thành tích khen thưởng Vi phạm quy chế học tập quy chế khác Chấp hành nội quy nhà trường Ý kiến chuyên gia Chuyên gia 5 3 Chuyên gia 4 Chuyên gia 5 2 Chuyên gia 5 3 Chuyên gia 5 Chuyên gia 4 5 Chuyên gia 5 3 Chuyên gia 5 2 Chuyên gia 5 3 Chuyên gia 10 5 3.2.3 Tính trọng số Từ bảng 4.1 ta có tập liệu đầu vào gồm 10 tham số, gồm thành phần với ܽ௝,௜ thành phần thứ i thứ j Bước 1: Tính ‫ݐ݋ܿ݃݊݋ݐ‬௜ tổng giá trị lớn thứ i tất tham số ܽ௝,௜ với i= n j = n ܶ‫ݐ݋ܿ݃݊݋‬௜ = ∑ଵ଴ ௝ୀଵ ܽ௝,௜ ܶ‫ݐ݋ܿ݃݊݋‬ଵ = ∑ଵ଴ ௝ୀଵ ܽ௝,ଵ = 5+4+ 3+ 4+ 4+ 4+4+5+2+3+5 = 46, ܶ‫ݐ݋ܿ݃݊݋‬ଶ = ∑ଵ଴ ௝ୀଵ ܽ௝,ଶ = 30, ܶ‫ݐ݋ܿ݃݊݋‬ଷ = ∑ଵ଴ ௝ୀଵ ܽ௝,ଷ = 48, 47 ܶ‫ݐ݋ܿ݃݊݋‬ସ = ∑ଵ଴ ௝ୀଵ ܽ௝,ସ = 22, ܶ‫ݐ݋ܿ݃݊݋‬ହ = ∑ଵ଴ ௝ୀଵ ܽ௝,ହ = 50, ܶ‫∑ = ଺ݐ݋ܿ݃݊݋‬ଵ଴ ௝ୀଵ ܽ௝,଺ = 22, ܶ‫∑ = ଻ݐ݋ܿ݃݊݋‬ଵ଴ ௝ୀଵ ܽ௝,଻ = 23, ܶ‫∑ = ଼ݐ݋ܿ݃݊݋‬ଵ଴ ௝ୀଵ ܽ௝,଼ = 27 Bước 2:Tính tong tổng tất giá trị tham số đầu vào ta có: ଼ Tong = ∑ଵ଴ ௝ୀଵ ∑௜ୀଵ ܽ௝,௜ Ta tính được: tong = 268 Bước 3: Trọng số thành phần thứ i xác định sau: ‫ݓ‬௜ = ௧௢௡௚௖௢௧೔ ௧௢௡௚ Ta tính được: w = ( 0.17, 0.11, 0.18, 0.08, 0.19, 0.08, 0.09, 0.1) Bước 4: Sau tính trọng số ta xếp theo thứ tự giảm dần W = ( 0.19, 0.18, 0.17, 0.11, 0.1, 0.09, 0.08, 0.08) 3.3 Môi trường thực nghiệm 3.3.1 Cài đặt phần cứng Cấu hình phần cứng hệ thống máy tính tối thiểu: Bảng 3.2 Bảng thơng số phần cứng cho thực nghiệm STT Thành phần Thông số kỹ thuật CPU 1.0 Ghz RAM ≥ GB Ổ cứng Dung lượng trống tối thiểu 10GB 48 3.3.2 Cài đặt phần mềm Cấu hình phần mềm thực nghiệm Bảng 3.3 Bảng thông số phần mềm cho thực nghiệm STT Thành phần Thông số kỹ thuật Hệ điều hành Ngơn ngữ lập trình Chương trình chạy Window trở lên java eclipse 3.4 Kết thực nghiệm 3.4.1 Phép toán OWA Input: Bảng liệu sinh viên tính điểm theo tiêu chí W = ( 0.19, 0.18, 0.17, 0.11, 0.1, 0.09, 0.08, 0.08) Output: Kết ௡ ܲ = ෍ ‫ݓ‬௜ ‫݌‬ఙሺ௜ሻ ௜ୀଵ Ví dụ: sinh viên A (7, 5, 6, 3,7, 8, 9, 4) W = ( 0.19, 0.18, 0.17, 0.11, 0.1, 0.09, 0.08, 0.08) Ta xếp tập điểm sinh viên A theo thứ tự giảm dần ta A(9, 8, 7, 7, 6, 5, 4, 3) Theo cơng thức ta có: ܲ஺ = 0.19x9+ 0.18x8 + 0.17x7 + 0.11x7 + 0.1x6 + 0.09x5 + 0.08x4 + 0.08x3 = 6.72 Sau tính kết 500 sinh viên ta liệu kết cho hình 3.9 49 Hình 3.9 Kết sinh viên tính theo OWA Vì kết sinh viên có điểm số thấp khả bỏ học cao nên luận văn đưa tiêu chuẩn kết sinh viên < sinh viên bỏ học Ta danh sách bỏ học sinh hình 3.10 Hình 3.10 Danh sách sinh viên bỏ học tính theo OWA 3.4.2 Đánh giá độ xác thực nghiệm Từ liệu thu thập ta tìm danh sách sinh viên bỏ học gồm 26 sinh viên hình 3.11 Hình 3.11 Danh sách sinh viên bỏ học năm 2016 Viện Đại học mở Hà Nội So sánh danh sách bỏ học hình 3.10 với 3.11 thực nghiệm tìm 12 sinh viên bỏ học có danh sách bỏ học Viện Từ ta tính độ xác thực nghiệm là: X = (12/ 26)x 100% = 46% 3.5 Kết luận Luận văn xây dựng chương trình ứng dụng nhằm dự báo khả bỏ học sinh viên học theo phương pháp eLearning trung tâm đào tạo ELearning, Viện Đại học Mở Hà Nội Dựa vào trình học tập sinh viên, tác giả liệt kê tiêu chí đánh giá gửi cho chuyên gia để lấy ý kiến Luận văn lấy chương trình Crawler liệu có sẵn mạng để thu thập liệu hệ thống quản lý học tập LMS Các tiêu chí đánh giá tác giả thu thập theo cách khác Cuối cùng, tác giả áp dụng phép toán OWA với liệu để dự đoán sinh viên tham gia học theo phương pháp eLearning có nguy bỏ học 52 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Bài toán khai phá liệu khơng tốn nghiên cứu nhiều ứng dụng khai phá liệu đóng vai trò quan trọng đời sống Khai phá liệu nhằm tính chất ẩn, mối tương quan tiềm ẩn quan trọng tập liệu Luận văn nghiên cứu phép toán OWA áp dụng vào việc đánh giá sinh viên học theo phương pháp eLearning Luận văn nhận nhiều quan tâm, đóng góp thầy, cô trường Sau thời gian thực hiện, luận văn đạt số kết như: Luận văn trình bày số khái niệm, vấn đề chung khai phá liệu, liệt kê số phương pháp kỹ thuật thông dụng khai phá liệu Luận văn trình bày toán khai phá liệu với liệu thu thập từ hệ thống quản lý học tập LMS sinh viên theo học phương thức trực tuyến Trung tâm Đào tạo E-learning, Viện Đại học Mở Hà Nội, nhằm dự báo khả bỏ học sinh viên Luận văn tập trung vào tìm hiểu phép toán OWA để kết nhập ý kiến đánh giá theo tiêu chí đối tượng đánh giá, ứng dụng phương pháp nêu vào tập liệu sinh viên elearning Viện Đại học Mở Hà Nội Tìm sinh viên bỏ học có so sánh với danh sách sinh viên bỏ học năm 2016 Tuy nhiên, luận văn số hạn chế Do thời gian nghiên cứu ngắn nên lượng kiến thức tác giả nhiều thiếu sót liệu thu thập liên quan đến vấn đề thông tin cá nhân cần bảo mật trung tâm elearning bận nên liệu thu thập chưa nhiều độ xác khơng cao.Luận vănmong nhận ý kiến đóng góp thầy để luận văn hồn thiện để chương trình áp dụng dự báo khả bỏ học sinh viên Viện Đại học Mở Hà Nội 53 Trong thời gian tới, luận văn cập nhật thêm kiến thức để hoàn thiện chương trình Dữ liệu học tập sinh viên cần thu thập đầy đủ nhằm đánh giá sinh viên với trình tham gia học sinh viên Qua đó, tác giả muốn đóng góp nhiều phát triển Viện Đại học Mở Hà Nội 54 DANH MỤC TÀI LIỆU THAM KHẢO Danh mục tài liệu tiếng Việt [1] Nguyễn Thanh Bình (2007), “Khai phá liệu: Khái niệm kĩ thuật”, Huế [2] Bùi Công Cường (10/1999), “Logic mờ ứng dụng đa dạng nó”, Viện Tốn học Hà Nội, Preprint 99/35, Hà Nội [3] Bùi Công Cường(8/2000), “Kiến thức cở sở hệ mờ”, Trường Thu “Hệ mờ ứng dụng”, lần thứ nhất, Hà Nội [4] Nguyễn Hà Nam, Nguyễn Trí Thành, Hà Quang Thụy(2013) Giáo trình Khai phá liệu NXB ĐHQGHN Danh mục tài liệu tiếng Anh [5] J.R.Chang, T.H.Ho, C.H.Cheng, A.P.Chen (2006), "Dynamic fuzzy OWA model for group multiple criteria decision making", Soft Computing, pp.543554 [6] D.P Filev and R.R Yager (1998), “ On the issue of obtaining OWA weights”, Fuzzy Sets and Systems, v.94, pp 157- 169 [7] W Frawley, Gregory Piatetsky- Shapiro and C Matheus (1992), “Knowledge Discovery in Databases: An overview”, Al Magazine Volume 13, Number [8] F.Herrera, E.Herrera Viedma and J.L.Verdegay (1995), “A sequential selection process in group decision making with a linguistic assessements approach”, Information Sciences 85, pp.223- 239 [9] Han and Kamber (March 2006): Data mining – concepts and Techniques, 2nd ed [10] Dinh Tuan Long, Nguyen Van Thanh and Nguyen Duc Thanh (May 27- 28, 2016), “LOWA operator in application on online student assessment”,Proceedings of the International Mobile Learning Festival 2016: Mobile Learning, Emerging Learning Design & Learning 2.0, Bangkok, Kingdom of Thailand 55 [11] C Romero and S Ventura (2007), “Educational Data Mining: A Survey from 1995 to 2005,” Expert Syst Appl., vol 33, no 1, pp 135–146 [12] C Romero and S Ventura (2010), “Educational Data Mining: A Review of the State of the Art,” IEEE Trans Syst., Man, Cybern C, Appl Rev., vol 40, no 6, pp 601–618, Nov [13] Yager, R R (1988), "On ordered weighted averaging aggregation operators in multicriteria decision making," IEEE Transactions on Systems, Man and Cybernetics 18, pp 183–190 [14] Yager, R R and Kacprzyk (1997), J., The Ordered Weighted Averaging Operators: Theory and Applications, Kluwer: Norwell, MA [15] Yager, R R (1993), “Families of OWA operators”, Fuzzy sets and Systems 59, pp 125- 148 [16] L Zadeh (1983), “A computational approach to fuzzy quantifiers in natural language”, Comput Math, Appls 9, pp 149- 184 [17] L.Canós, V Liern (2008), “Soft computing-based aggregation methods for human resource management”, European Journal of Operation Research 189, p.669- 681, 2008 [18] José M Merigó, Anna M Gil-Lafuente (2012), “Decision-making techniques with similarity measures and OWA operators”, SORT 36 January-June 2012, p 81-102 [19] M O'Hagan (1988), “Aggregating template or rule antecedents in real-time expert systems with fuzzy set logic”, Proc 22nd Annual IEEE Asilomar Conf on Signals, Systems, Computers, Pacific Grove, CA, pp 81-689 Danh mục tài liệu Internet [20] http://thuatngu.org/khai-pha-du-lieu-data-mining-la-gi/ 56 ... tạo ELearning, Viện Đại học Mở Hà Nội Cuối phần Tài liệu tham khảo Phụ lục CHƯƠNG 1: TỔNG QUÁT VỀ KHAI PHÁ DỮ LIỆU VÀ CÁC PHƯƠNG PHÁP CỦA NÓ 1.1 Giới thiệu Khai phá liệu q trình trích xuất, khai. .. chương trình bày tóm tắt phương pháp khai phá liệu phổ biến, thành phần chủ yếu kiến trúc khai phá liệu thành tựu thách thức khai phá liệu, phương pháp tiếp cận khai phá liệu 25 ... Sử dụng LOWA để đưa đánh giá kết hoạt động sinh viên với liệu thu hệ thống quản lý học tập LMS Chương 3: Thực nghiệm chương trình ứng dụng dự báo tình trạng bỏ học sinh viên theo học phương thức