文摘
管理信息系统是一种以信息为基础的,以人为本,社会化服务为目的。采用先进技术实现的管理教师、学生及其他相关人员,同时有效提高教学质量。本文首先分析了数据挖掘技术的概述。其次,分析了关联规则的相关算法。最后,本文介绍了大学教学质量评价系统的需求分析的基础上,科学计算的关联规则。根据需求分析的结果,确定系统模块和相应的子模块功能模块,最后,设计系统架构模型。实验结果表明,该模型是有用的提供信息管理的有效性。
1。介绍
的创新决策科学和现代管理理论的发展,科学计算基于关联规则挖掘正逐渐引入高校管理评价中的应用。这使大学管理者逐渐变化的工作方法从传统的经验管理方法到现代管理理论和方法。这种变化使大学管理者更有创造性。传统的经验管理方法只片面强调教育的特殊性,而忽视公共管理之间的共性和教育管理。该协议的工作集中在基于经验的管理方法。科学的管理方法允许经理把自己的经验和科学的方法来提高大学的管理。
2。数据挖掘概述
2.1。数据挖掘的定义
目前,数据挖掘技术在各个领域的广泛应用。这种技术可以有效地提取数据从市场所需要的企业,它可以形成一个数据集的数据。可以结构化或非结构化的数据集,和相应的结果可以得到处理和分析这些数据集。当然,当大学在市场上使用这种技术来挖掘数据,他们将不会只有我一个领域或行业的相关数据。他们通常涉及许多不同的区域,这些区域数据的融合这些不同区域的交集。数据挖掘和其他学科之间的关系如图1(1]。
2.2。数据挖掘的功能
数据挖掘的任务是找到从数据库中隐藏的和有意义的信息和知识。就其功能而言,通常分为以下类别:
2.2.1。概念描述
概念描述的目的是简要、全面描述数据库中的数据。统计我们知道实际上是一个最简单的概念描述。他们使用的数据量、平均值、广场不同,或联机分析处理(OLAP)技术进行多维分析和数据的查询操作,和使用柱状图、线图等直观的方式展示(2,3]。
2.2.2。相关分析
相关分析的核心意义是比较和关联数据在不同领域获得,然后获得一个高质量的结果通过寻找数据之间的联系。持续更新和扩展的数据库,管理和分析的内容越来越广泛,和所涉及的领域越来越广泛,这使得数据库吸引来自各行各业的人们的注意。关联分析发现引人注目的协会和连接与大量的业务事务数据库中,这样用户可以进行业务预测和决策。关联分析的主要方法是经典的先验的算法和FP树生长算法。
2.2.3。分类和预测
分类的主要目的是提取重要的数据,可以用来预测位置对象来获取概念模型,及相关人员将这些概念模型所得数据信息进行分类。当一个数据值的预测价值缺失或意想不到的,这是通常被称为一个预测。有很多申请分类和预测。
2.2.4。聚类分析
聚类分析是数据的对象。主要的思想是分析原始数据。原始数据指的是数据没有的描述性信息和数据没有任何分类模式。在那之后,数据分为不同类型的结构。与分类,聚类是将数据对象没有先验知识,它是方便和类似的信息一起作为分层调查信息和分组活动(4]。
2.2.5。离群值分析
一些数据库中的数据对象可能不遵循的行为或模式编译数据。这些数据对象被称为离群值。为了减少这些异常的影响,许多挖掘算法分离他们。然而,这些个人部分并不总是有用的,有时包含重要的信息。例如,当检测到欺诈,异常通常表明,欺诈行为更有可能和更有可能激发我们的兴趣5]。
3所示。数据挖掘的过程
数据挖掘是指处理和分析数据库实例和数据模式的建立或函数来描述的特点和数据之间的关系。数据挖掘的过程如图2。
4所示。数据挖掘的方法
4.1。神经网络算法
人工神经元的研究来自大脑神经元的理论。它是认识到复杂的神经系统是由大量神经元,形成一个复杂的组织结构。如果人体感觉外部刺激,它将立即作出相应反应。例如,如果一个人的手不小心戳破了一根针,他将他的手无意识地萎缩。神经网络的工作过程非常复杂,对用户透明。用户只能看到输入和输出和看不到神经元之间传递信息的过程。神经网络方法是一种数据挖掘算法,模拟人类神经系统(6]。
4.2。遗传算法
遗传算法是一种算法基于生物遗传变异理论模型生物进化过程。算法的思想是首先确定研究对象,初始化人口和编码对象,然后随机生成多个十字路口和突变点小概率产生新个体,并添加新的个人原来的人口。当新本体孕育下一代,寻找一个人口高适应性。适应性可以计算一个适应性函数,它必须确定根据具体研究问题[7]。
4.3。决策树方法
从本质上说,决策树分类数据通过一些规则并完成信息的筛选通过这样一个过程。它可以更好的数据块和具有较强的适用性。本文使用决策树方法来评估高校的管理;以下是详细的阐述。
从香农的信息论可以知道大量的信息的一个事件的概率可以计算出所示
如果 ,为互不相容事件,它们之间只有一个出现;还有以下所示的平均信息量
在上面的公式中,对数的基础是任何值,可以被改变。但不同的值对应于不同的单位,通常可以采取2,指定下列条件;当 ,公式(3)得到:
决策树现在更详细地定义。假设样本集 , 是选择的训练样本的数量; 可分为 不同的类别。其中| 代表类的元素的数量(8]。通过这种方式,属于的概率在一组所示
属性的信息增益在设置是由 ,所示
如果没有单一的评估对象,评估矩阵需要建立,这些变量需要规范化。矩阵是由以下方程:
最优值和最差值是由
之间的区别是评估价值和最好的点,然后呢之间的区别是评估价值和最坏点;然后公式(10)和(11)得到:
通过计算公式,得到偏差度所示
在评价的过程中,有必要检查合理性,以便评估价值是可以纠正的。本文采用一致性测试方法,代表之间的比较矩阵评估值和试验值,代表评价价值,代表了测试值与计算
使用决策树的分类方法分为两个阶段:第一阶段的目的是获得相应的知识和获得的结果数据。的主要内容是使用数据训练集建立决策树,并创建一个决策树模型。第二步是使用生成的决策树模型对未知样本数据进行分类。数据样本分类决策树的根节点,分支下来一次,直到到达一定的叶点。在这个时候,叶点所代表的类是对象类。
决策树方法的主要内容是建立一个高精度、小规模的决策树。建设的决策树可以分两个阶段完成。第一步是建立一个决策树:这一步是建立决策树的过程中得到的数据样本集。一般来说,实际样本数据集具有一定的一般水平,它适用于历史和实际需要的数据集。第二阶段是决策树的剪枝:这个阶段主要是由前一个阶段修改决策树,幸存下来。它检查的初步规则出现在树的形成过程和影响精度的修剪树枝。这可以减少噪声数据对分类精度的影响。
决策树方法可以完成数据筛选分类数据。这个分类的过程更重要。但是这种方法有一些缺点在处理数据集。当处理模型中的树的二元分类问题的解决方案,有必要计算所有可能的基尼系数值的每个可能的维度,然后上铺一层深度和二叉树的叶子的树。二进制树此时创建的解决方案可以更好地分类数据。然而,当数据规模很大,在每个维度创建一个解决方案树包含所有值的模板需要时间和计算资源。研究人员提出了一个解决方案树加速算法模型基于特征值区间划分,可用于大规模数据集进行分类。
本文将决策树方法分为数据挖掘方法。决策树方法不仅是一个数据分类方法也是一种数据挖掘方法。决策树方法可以应用于教学系统,因为决定数量方法可以删除无用的信息从大量的数据和提取有用的信息。这是应用于教学系统后,系统可以删除有用的学习网站为学生和过滤低俗网站。
决策树方法是基于“树”方法模型,和决策树的结构可分为两个阶段。第一步是创建一个决策树:创建决策树的过程可以被描述的培训指导。一般来说,训练样本数据集是一个历史和综合数据集用于分析和处理数据根据实际需求。第二步是修剪决策树:修剪决策树分析的过程,改变前一步骤中创建的决策树。主要用于验证的过程中创建的初始规则构造决策树和数据在新样本集(称为测试数据集),它会删除分支影响预测的准确性。
4.4。贝叶斯方法
贝叶斯网络是一种概率推理方法,该方法可以有效地推断和处理不完整和不确定数据。它还可以有效地处理不完整和嘈杂的数据集和解决数据的不一致和自由。贝叶斯分类是一个统计分类方法,可以预测类成员的概率。它使用抽样特性的值来计算样本落入一个特定类别的概率,然后,它分配样本最可能的类别。贝叶斯分类显示精度高和速度当应用到大型数据库(9]。
4.5。基于粗糙集的方法
作为一个方便的计算方法,原始列不需要额外的信息。例如,在统计和模糊隶属度的概率分布列可以简化数据和获取知识基础上提供的信息数据。它可以克服传统方法的缺陷处理不确定信息,它可以结合来获得更准确的结果,可以改善处理不确定和不完整的信息的能力。原来的设置方法首先分离的价值通过评估信息系统的属性,然后将每个属性分为等价类,然后使用等价关系将减去的属性信息系统,最后获得的最小决策的关系。目前关系数据库管理系统和新的数据仓库管理系统已经为原始数据挖掘奠定了坚实的基础。
5。关联规则挖掘算法及其在教学管理中的应用评价
5.1。关联规则矿业相关算法
5.1.1。先验的算法
先验的算法挖掘关联规则的算法。它使用两级采矿的概念,它是基于多个扫描事务数据库的执行。在第一遍历,计算频率的数据项集的所有元素1和迭代执行以下步骤:连接的结果 - - - - - -遍历,返回长度 ,并设置 频繁的物品被保留。在每次遍历结束,如果发现没有频率组中创建这个遍历,停止。因此,先验的算法必须通过一组事务 次,是最长的频率集的元素(10]。先验的算法的算法思想简单,易于实现。它使用一个递归统计算法来生成一个连续的元素集,大大减少了连续元素集的大小,这可以获得良好的性能。但先天算法也有明显的缺点。首先,一些交易物品的先验的算法可以判断在第一次扫描,不需要再次扫描,但结果是多次扫描,大大降低了算法的效率。在扫描操作,必须重新分析数据库为每个迭代。当计算候选集的支持,一个完整的扫描总是从一开始执行的事务数据库,这将导致多个重复扫描。传统的先验的算法生成大量的候选集,当解决频繁2-item集,这就增加了算法的计算复杂度。此外,先天算法创建大量的连续集。由于大量的数据,设置可以创建更多的候选人的名字。 When there are 1000 frequent 1-itemsets ,候选人2-itemsets的数量将超过100万,这是一个指数级增长。这些高要求机器的运行时间和运行空间,这使得算法的执行效率很低(11]。
然而,先天算法仍有一些缺点需要改进。细节如下:(1)先天的一些事务项算法可以判断在第一次扫描,不需要再次扫描,但结果是多次扫描。这大大减少了算法的效率。为了应对这一问题,研究人员提出了一种改进的方法,具体地说:当先验的算法生成 - - - - - -项频繁项集,删除一些不频繁项集,这样就不会再次结合成候选人删除一些特殊的交易记录。计数问题不再被认为是在生成( )- - -项频繁项集(2)传统的先验的算法总是从一开始就执行一个完整的扫描事务数据库的在计算候选集的支持,这将导致多个重复扫描。因此,研究人员提出了一个动态模式计算DIC算法,它集标记划分数据库。它插入一个新的候选集生成每次无论起点,当扫描一组候选人之后,它停止扫描,直到遇到一个位置候选集已经存在。因此,该算法扫描数据库倍比先天的算法(3)传统的先验的算法生成许多候选集当解决2-itemsets频繁,这就增加了算法的计算复杂度。因此,研究人员提出了一个设计马力算法压缩候选集。分解设计马力算法解决了频繁项集的事务数据库构建一个哈希表。该算法大大减少了候选集的数量增加的迭代,从而有效地减少了算法的计算复杂度
本文详细先验的算法进行了分析。该算法可广泛应用,它也有许多优点。Aprioi算法使用一个逐层迭代搜索法。该算法简单明了。它不需要复杂的理论推导,并容易实现。该算法适用于关联规则挖掘在事务数据库中,也适合罕见的数据集。根据先前的研究,该算法只适用于关联规则挖掘罕见的数据集,数据集,不到一个频率和长度。
Aprioi算法主要由两个过程:连接和修剪。在连接中,假设在项目集中项目按照字母顺序排列的。l1和l2 Lk-1中的任何两个项集;l1和l2可以连接的条件 ,结果itemset由连接l1 (1]和l2 [2)是 。修剪主要是扫描数据库,以确定每个候选人的支持计数 。
5.1.2中。FP增长算法
FP增长算法是一种有效的检索算法在大型数据库中频繁项集。这个算法并不生成一个乏味的过程生成候选集当探索频繁元素集,但使用“分而治之”的方法。首先,它压缩数据库提供频繁的元素为频繁模式树(FP树),同时保留信息相关的元素集。然后,它将压缩数据库划分为一组条件的数据库,每个条件的数据库与一个频繁项,分别和每个条件数据库检索。
FP增长算法压缩数据库,并提供了一组重复重复模型中的元素树。通过检查两个数据库,数据库是压缩成一个复杂的频率模式树树(CE)降序根据其平均值,和频繁的模式是通过挖掘频繁模式树。然而,仍然有性能瓶颈在算法构建复杂模型树。FP增长算法的特点是,它只需要扫描数据库两次不创建候选算法。与先天的算法相比,FP增长这个算法的性能大大改善,但FP增长算法也有不足问题,并需要更多的研究来改善它。
然而,FP增长算法仍然有一些需要改进的缺点。细节如下:(1)从本文的内容,我们知道FP增长算法压缩事务数据库中的所有记录到一个树(FP树)。更多的数据内容,用FP增长算法内容越大,对于大型数据库,是不现实的构建一个基于内存的FP树。因此,研究人员提出了一个数据库的并行处理的方法,通过将数据库数据,每一个分割点是单独开采,最后,结果合并(2)根据文章的内容,FP增长算法性能瓶颈的过程中挖掘频繁模式。因此,研究人员提出了一种改进的FP增长算法和分布式并行实现。他们改善了FP增长算法和修剪完成基于频繁模式树的封闭模式itemset策略减少搜索空间,提高挖掘算法的效率(3)根据这一段的内容,FP增长算法是一种经典的关联规则挖掘算法,但其存在查询效率很低。挖掘频繁的FP树时,它需要反复遍历FP树。针对上述缺点,使用二维表的方法结合哈希表技术提出了改进传统的FP增长算法。改进算法缩短了运行时间,支持越小,这种优势越明显(4)根据文章的内容,FP增长算法需要扫描数据库两次压缩数据库频繁项集的频繁模式树。如果是一个小的数据库,计算量不大,但对于一个大型数据库,两次扫描所需的时间很长,和FP增长算法也需要大量的记忆。因此,研究人员提出了一种改进的FP树的频繁项集挖掘算法。通过数据库的测试数据和比较分析与传统的FP增长算法,可以看出改进的FP增长算法可以节省大量内存的使用
FP增长算法是一种有效的检索算法在大型数据库中频繁项集。在这个过程中,该算法采用“分而治之”的方法。然后,分而治之的方法的具体步骤如下:首先,扫描整个数据库找到1-itemsets频繁,然后排序的排序顺序代言的数量。使用频繁的1-itemsets创建一个基于频繁项头和协会1-itemsets FP树中的第二步。点表1-itemsets和排序和重置整个数据库的事务。其次,FP树组成的“零”作为根点,所以整个数据库分为多个条件数据库(投影数据库类型),每个数据库与一个频繁项集,并且每个条件数据库已被敌军布上了地雷。
5.1.3。分区算法
该算法只需要遍历一组事务两次。算法首先将事务组划分为多个块,每个块都可以被加载到内存中。在第一遍历,所有模块被加载到内存,和先天是用来发现数据项频率集的集合范围内的每一块。因为搜索是有限的一个街区,这些数据项频率集不是最后一组频率的数据项。这些集合相结合获得的频率集的超集一组数据项。在第二遍历,为每个数据项设置在第一遍历,获得实际的计算支持。如果小于支持指定的用户,数据项集删除。在第二遍历结束时,获得的数据项频率集的集合。
5.1.4。卡玛算法
一些现有的关联规则需要用户输入的最小信任和最小支持之前运行挖掘算法。算法需要运行几次,以确定最低的信心和最小支持过高或过低。卡玛算法向用户提供反馈在操作。用户可以随时调整最低支持基于反馈信息。如果用户满意输出,该算法可以在任何时间停止12]。
6。关联规则挖掘算法在教学评价中的应用
在教学评价方面,教学评价是教育的一个重要组成部分。保证指导教育,培养高素质人才,帮助社会教育成就的充分利用,并促进教育的健康发展。传统教学评价主要是实现参照相关评价指标体系和调查问卷,它更关注评价的结果。使用它作为教师晋升的依据和评估。将关联规则应用于教学评价数据将挖出一些有用的数据,这将指导教学过程,为管理者的决策提供支持。
6.1。应用关联规则挖掘算法在学生课程
随着学校继续扩大招生规模,教学的规模还在继续扩大,专业的扩张加速,数据的数量也呈几何级数增加。管理员和授课教师很难找到以前的课程和后续课程之间的关系直接根据学生的测试成绩的分布等,然后做出决定和修改教学计划在此基础上。
这里用的是数据挖掘的相关分析,主要使用关联规则分析课程的合理性。例如,根据关联规则的分析,课程和课程需要的设置课程。无论学生是无法理解和接受某一课程,市场是否需要这门课,和是否有特殊要求一定的课程,做出合理的安排,有利于提高学生成绩和就业。还可以设置是否课程,当然有一个上下文安排根据关联规则的挖掘模式,调整教学计划,促进学生的学习。它也可以在此基础上,来评判当然不应该包办的课程。这可以避免负面影响的一起安排两门课程,使学生无法掌握。这样,课程之间的关系中包含大量数据可以有效地发现,和课程和课程之间的关系可以通过数据库的数据挖掘发现的学生成绩管理系统。
6.2。研究评价大学教学管理信息化
6.2.1。信息化教学管理设计
信息化教育的设计是基于学习理论、教育理论和通信理论提高学生学业成绩的过程和方法。它可以充分和适当地使用各种各样的策略和方法来开发现代信息技术和信息教育的设计。它可以组织学习过程中所有的链接和元素科学和合理。信息化教育计划被称为大学的核心教师信息化教学能力,也是理论依据和实践指南在信息化条件下开展教育活动。与此同时,大学教师需要了解一定的教育过程。
6.2.2。信息化教学管理的实现
教育思想的影响下在信息时代,信息化学习活动的具体实现是大学教师教学的一个重要组成部分。信息化学习的实现是一个广泛的,专业的,灵活的活动。因此,除了传统的教学功能,也提出了要求,大学教师的教育技术、教学设备,和专业的实验设备。相关人员应该使用技术的能力,引导大学生用技术来实践,这样他们就可以有效地管理教学和学习过程,以及语言表达能力,如组织课堂的能力,并且能够写在黑板上。在信息化学习的实现,特别需要强调的是,在信息化环境下,有必要培养大学生的创新潜力,发展和对合作学习的理解,大学教师探究学习的能力。
6.2.3。信息化教学管理的评价
信息化学习评价是其中一个最强大的工具为大学教师自我完善和专业发展。这是一个最有效的方法来理解教学的有效性,学生获得的知识。有必要全面评估设定的学习目标的各个方面老师和学生正确诊断和及时学习过程中的问题。教师应充分利用的结果反馈。评估的信息化教学是教师信息化教学能力的一个重要组成部分的信息时代。在这之前,教育评价的概念经历了重大变化。由于传统的教学评价方法的局限性,大学教师做不到这一点。有很少或没有注意教育评价过程。因此,有必要提倡多个学习评估和个人学习评估。
7所示。设计基于关联规则挖掘的教学管理评价体系的科学计算
7.1。大数据分析平台的体系结构
存储的数据的范围很广。在数据挖掘中,选择模糊问题将影响数据挖掘的实际价值。因此,在设计系统时,系统的功能需求和各种功能模块应该澄清。操作过程的管理信息系统,计算机的有序管理和自动处理可以减少人力和物力的浪费。通过这种方式,可以实现无纸化办公,可以简化复杂的工作。这也可以解放管理人员,让他们专注于其他相关的任务,从而提高工作效率和质量。相关人员必须充分保证准确性,及时性,数据的一致性,以确保准确性、完整性和动力的各种信息资源提供的实时系统。这使高校获得质量保证管理机关而言,物流教育和教学(13]。
整体管理水平直接依赖于数据收集和处理的水平在一定程度上,但是大学数据管理的复杂性和清晰和合理分工紧密相连。如今,准确和有效的数据管理方法是必不可少的。提高管理透明度和不同部门之间的合作需要相同或不同的部门在不同的司法管辖区。员工在线实时交互以实现共同目标或执行自己的任务。管理需求是这个系统的核心,所以本系统的目标是实现密钥管理功能相对完整的功能。
7.2。可行性分析
7.2.1。时机可行性
在时间和可行性方面,开发的系统的准备工作就足够了。通过许多国内大学的调查,我们有一个更全面的了解优点和缺点的大学大学使用的管理信息系统。系统的详细设计。如果成功开发的系统,它可以使大学信息管理更加标准化和严格,这将带来更高效的业务处理和智能数据分析和处理的学院和大学,和提高大学的数据分析和处理的效率14]。
目前,外国的管理信息系统已经发展相对较好。许多企业和科研机构已经使用数据挖掘技术和其他相关技术,分析其内部数据通过专门的数据分析公司为了获得有用的信息。相比之下,国内管理信息系统仍处于发展阶段,并处于起步阶段的数据关联规则挖掘分析和有用。在这种情况下,中国高校信息化管理应充分适应发展的需要,和有关人员应该加快信息化进程为了进一步改善。
7.2.2。经济可行性
评估开发项目的经济效益是经济可行性分析的主要目的。基于现有的大学管理信息系统,该系统使得很多改进和相关的改进,如处理不同部门和协会之间的数据的一致性。发展的规则分析模块,可以获得高等教育发展基金的一种经济形式。一旦系统开发和实现,它可以提高工作的质量和效率,并协助学院和大学的信息管理。因此,开发管理信息系统在经济上是可行的采矿和大学的技术符合联邦法规。
7.3。系统功能
教学管理和教学操作参与教学质量评价体系包括专家、教师、学生和教学管理人员。教学质量评价的活动流程图如图3。
在分析系统需求时,有必要考虑功能性需求和非功能性需求。所谓的功能需求的描述服务,系统将提供如何应对输入,在特定情况下系统的行为。非功能性需求是没有直接关系的类型的需求系统的特定功能(15]。系统管理用例图4还包括评估管理、教师管理、管理员管理、课程管理、班级管理、密码管理、和其他功能详细描述如图5。
7.4。系统体系结构设计模型
基于BS三层网络模型的应用方法:三层BS架构如图6。
8。结论
本文设计一个信息化教学管理系统,集成了关联规则挖掘算法。关联规则挖掘算法可以实现矿业的目的所需的信息从大量的数据通过一定的关联规则。这种方法可以用于开采的信息实现信息化教学的学院和大学。管理提供了一个科学有效的基础。本文使用该方法挖掘所需的信息从数据库中实施教学管理实现信息化教学管理。未来的研究将继续测试这个系统的操作性能和其他功能性能,验证该系统的实用性,并扩展该系统的适用范围。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由南京林业大学研究生院。