УДК 378.146

Россия, МГТУ им. Н.Э. Баумана

walentina.belous@gmail.com

asdomnikoff@mail.ru

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 литературы

1.     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.