Другие журналы
|
электронный научно-технический журналИНЖЕНЕРНЫЙ ВЕСТНИКИздатель: Общероссийская общественная организация "Академия инженерных наук им. А.М. Прохорова".
77-48211/656610 Интеллектуальный анализ данных в электронных обучающих системах
Инженерный вестник # 12, декабрь 2013
Файл статьи:
Белоус_Р.pdf
(683.78Кб)
УДК 378.146 Россия, МГТУ им. Н.Э. Баумана
Обсуждаются проблемы, связанные с широким распространением электронных обучающих систем. Показано, что современные системы e-learning не имеют полноценных обратных связей между обучаемым и средствами обучения. Такая связь может быть организована на основе скрытой информации, которая хранится в многочисленных текстовых источниках и базах обучающей системы. Описывается технология извлечения скрытых данных, Рассматриваются наиболее популярные модели документов и меры близости, которые используются для кластеризации документом единой тематики. Список литературы1. Arjen van Ooyen. Theoretical aspects of pattern analysis. Режим доступа http://anc.ed.ac.uk/arjen/ (дата обращения: 20.07.2013). 2. Attributes Eui-Hong, Han George Karypis, Vipin Kumar. Min-Apriori: An Algorithm for Finding Association Rules in Data with Continuous Mining Association Rules. Режим доступа http://www-users.cs.umn.edu/~karypis/ (дата обращения: 20.07.2013). 3. Castro Félix, Vellido Alfredo, Nebot Àngela, Mugica Francisco Applying Data Mining Techniques to e-Learning Problems. Режим доступа http://sci2s.ugr.es/keel/pdf/specific/capitulo/ApplyingDataMiningTechniques.pdf/ (дата обращения: 20.07.2013) 4. Chaomei Chen. Structuring and Visualising the WWW by Generalised Similarity Analysis. Режим доступа http://www.cs.bris.ac.uk/~chen/ (дата обращения: 20.07.2013). 5. Data mining in e-learning / Romero C., Ventura S. // Witpress Boston, 2006. – 304. 6. Diday, E., Simon, J. C. Clustering analysis // In: Digital Pattern Recognition, K. S. Fu, Ed. Springer-Verlag, Secaucus, NJ. p. 47–94. 7. Douglass R. Cutting, David R. Karger, Jan O. Pedersen, John W. Tukey. Scatter/Gather: A Clustering algorithm. Режимдоступа http://www.sims.berkeley.edu/~hearst/ (датаобращения: 20.07.2013). 8. Douglass R. Cutting, David R. Karger, Jan O. Pedersen. Scatter/Gather: A Cluster-based Approach to Browsing Large Document Collections. Режим доступа http://www.dsi.unive.it/~smm/docs/ (дата обращения: 20.07.2013). 9. Fern, X.Z., Brodley, C.E. Clustering ensembles for high dimensional data clustering // In Proc. International Conference on Machine Learning, 2003. p. 186-193. 10. Fred, A., Jain, A.K. Combining multiple clusterings using evidence accumulation // IEEE Tran. on Pattern Analysis and Machine Intelligence, 2005. v. 27. p. 835-850. 11. Gowda, K. C., Krishna, G. Agglomerative clustering using the concept of mutual nearest neighborhood // Pattern Recognition, 1977. v. 10. p. 105–112. 12. Jain A. K., Murty M. N., Flynn P. J. Data clustering: a review // ACM Computing Surveys, 1999. v. 31, n 3. p. 264-323. 13. Michael Steinbach, George Karypis, Vipin Kumar. A Comparison of Document Clustering Techniques. Режим доступа http://www-users.cs.umn.edu/~karypis/ (дата обращения: 20.07.2013). 14. Michalski R., Stepp R., Diday E. Automated construction of classifications: conceptual clustering versus numerical taxonomy // IEEE Trans. Pattern Anal. Mach. Intell. PAMI-5, 1983. v. 5. p. 396–409. 15. Minos N. Garofalakis, Rajeev Rastogi, Kyuseok Shim. Data Mining and the Web: Past, Present and Future. Режим доступа http://www.bell-labs.com/user/rastogi/ (дата обращения: 20.07.2013). 16. Rakesh Agrawal, Ramakrishnan Srikant. Fast Algorithms for Mining Association Rules. Режим доступа http://www.almaden.ibm.com/cs/people/ragrawal/ (дата обращения: 20.07.2013). 17. Rasmussen E. Clustering algorithms/ Режим доступа http://www.dli2.nsf.gov/ (дата обращения: 20.07.2013). 18. Salton G, Wong A, Yang C. A Vector Space Model for Automatic Indexing. // Communications of the ACM, v 18(11): p 613-620, 1975. 19. Strehl A., Ghosh J. Clustering ensembles - a knowledge reuse framework for combining multiple partitions // The Journal of Machine Learning Research, 2002. v. 3. p. 583-617. 20. Wai-chiu Wong, Ada Wai-chee. Increment Document Clustering for Web Page Classification. Режим доступа http://www.cs.cuhk.hk/~adafu/ (дата обращения: 20.07.2013). 21. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. – 450 с. 22. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. – 559 с. 23. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. – 128 с. 24. Жамбю М. Иерархический кластер-анализ и соответствия: Пер. с фр. М.: Финансы и статистика, 1988. – 342 с. 25. Журавлѐв Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. – 159 с. 26. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд. Института математики, 1999. – 270 с. 27. Классификация и кластер. / Под ред. Дж. Вэн Райзина. М.: Мир, 1980, – 390 с. Публикации с ключевыми словами: анализ данных, электронное обучение, кластер, кластеризация, модель документа, алгоритм кластеризации, мера близости, функция расстояния Публикации со словами: анализ данных, электронное обучение, кластер, кластеризация, модель документа, алгоритм кластеризации, мера близости, функция расстояния Смотри также:
Тематические рубрики: Поделиться:
|
|
|||||||||||||||||||
|