大数据技术在高校中的应用研究PDF电子书下载

第一章 大数据和数据挖掘基础知识 1

1.1 大数据和数据挖掘的基本概念 1

1.1.1 大数据的基本概念 1

1.1.2 对大数据和数据挖掘的理解 2

1.1.3 大数据时代的数据挖掘 2

1.1.4 大数据挖掘对象 3

1.1.5 数据挖掘的过程 5

1.2 大数据的相关技术和工具 6

1.2.1 大数据存储 6

1.2.2 流式数据中间件 8

1.2.3 MapReduce并行运算模型 10

1.2.4 数据仓库实施的关键环节和技术 11

1.2.5 数据仓库类型 13

1.2.6 数据仓库和数据挖掘的关系 14

1.3 OLAP和数据挖掘 15

1.3.1 OLAP概述 15

1.3.2 OLAP的特点 16

1.3.3 OLAP的基本分析动作 17

1.3.4 OLAP工具简介 18

1.3.5 OLAP与OLTP的比较 20

1.3.6 OLAP与数据挖掘的关系 20

1.4 大数据挖掘的研究现状 21

1.5 数据挖掘的相关技术和工具 22

1.5.1 数据挖掘的主要算法 23

1.5.2 数据挖掘工具 23

1.5.3 集群管理 26

第二章 数据挖掘的应用 28

2.1 数据挖掘的主要应用领域 28

2.2 数据挖掘在高校中的应用 32

第三章 关联规则在高校教务中的应用研究 36

3.1 关联规则简介 36

3.2 关联规则算法介绍 37

3.2.1 关联规则的形式化描述 37

3.2.2 Apriori算法简介及实例说明 37

3.2.3 FP-growth算法介绍 43

3.3 数据挖掘在学生成绩分析中的应用 47

3.3.1 应用背景 47

3.3.2 强关联规则的定义 48

3.3.3 关联规则挖掘的基本步骤及算法选择 49

3.3.4 数据收集和预处理 49

3.3.5 数据挖掘工具Analysis Services简介 51

3.3.6 实现步骤 55

3.3.7 挖掘结果分析 59

3.4 关联规则在高校贫困生认定中的应用 62

3.4.1 问题分析 62

3.4.2 经济困难学生认定标准 63

3.4.3 数据分析及处理 64

3.4.4 关联规则挖掘 70

3.4.5 结果分析 71

3.5 关联规则在高校科研评价中的应用 73

3.5.1 科研评价背景 73

3.5.2 高校科研评价体系中存在的问题 74

3.5.3 高校科研评价及现状 76

3.5.4 高校科研评价体系的构建原则和构建方法 78

3.5.5 挖掘对象 79

3.5.6 多维Apriori算法设计 80

3.5.7 挖掘过程及小结 85

3.6 数据挖掘在高校学生心理问题中的应用研究 96

3.6.1 问题的提出 96

3.6.2 大学生心理问题特点及测试手段 97

3.6.3 数据挖掘技术的引入及数据准备 98

3.6.4 Apriori算法在学生心理问题中的应用 101

3.6.5 实验结果分析 105

第四章 决策树在高校中的应用研究 107

4.1 决策树算法介绍 107

4.2 国内外研究现状 110

4.3 决策树算法研究发展方向 113

4.4 决策树基本算法简介 114

4.4.1 ID3算法介绍 114

4.4.2 C4.5算法简介 118

4.4.3 决策树分类方法的优点 119

4.5 决策树算法在学生素质分析中的应用 119

4.5.1 学生素质分析与决策树分类 119

4.5.2 数据预处理 120

4.5.3 用算法构建决策树 121

4.5.4 规则提取与应用 123

4.6 决策树算法在高校学生流失分析中的应用 125

4.6.1 应用背景及决策树解决方法 125

4.6.2 小结 127

4.7 决策树分类技术在高校教学信息挖掘中的应用 127

4.7.1 实施方案 128

4.7.2 教学信息挖掘系统应具有的特点 130

4.7.3 数据预处理及示例说明 132

4.7.4 数据分类挖掘 138

4.7.5 挖掘结果分析与小结 142

4.8 决策树技术在高校学生综合测评中的应用研究 143

4.8.1 研究背景及意义 143

4.8.2 高校学生综合素质测评模型 147

4.8.3 决策树分类在学生综合测评中的应用 152

4.8.4 小结 157

第五章 人工神经网络在高校中的应用研究 158

5.1 人工神经网络发展历史 158

5.2 B-P神经网络基础知识 159

5.3 基于B-P神经网络的考试成绩综合评价方法研究 162

5.3.1 应用背景及研究意义 162

5.3.2 解决问题的步骤及方法 166

5.3.3 仿真实验 171

5.3.4 小结 174

5.4 神经网络算法在大学生综合素质评价中的应用 176

5.4.1 研究背景及意义 176

5.4.2 神经网络算法应用步骤 180

5.4.3 小结 185

第六章 聚类技术在高校中的应用研究 186

6.1 聚类技术及常用算法介绍 186

6.2 基于聚类技术的远程教育学生分类研究 192

6.2.1 应用背景 192

6.2.2 建模 193

6.2.3 STING算法简介 202

6.2.4 数据采集及属性的选择 204

6.2.5 利用STING算法建模的实验结果 206

6.2.6 聚类效果评价及实际意义 209

6.3 聚类技术在教学评价中的应用研究 212

6.3.1 问题背景 212

6.3.2 数据预处理 213

6.3.3 创建数据集市和数据立方体 215

6.3.4 聚类挖掘 217

6.4 聚类技术在高校科研中的应用研究 219

6.4.1 课题背景 219

6.4.2 数据源 219

6.4.3 科研项目信息多维数据模型设计与OLAP实现 220

6.4.4 K-means聚类在科研项目信息数据挖掘中的应用 224

6.4.5 小结 228

第七章 贝叶斯网络在高校中的应用研究 229

7.1 贝叶斯网络的发展史 229

7.2 贝叶斯网络基础知识 230

7.3 贝叶斯网络分类在教育考试中的应用研究 240

7.3.1 研究背景 240

7.3.2 朴素贝叶斯分类器 242

7.3.3 贝叶斯网络应用步骤 248

7.4 贝叶斯网络在高校Web信息过滤中的研究 253

7.4.1 研究背景及意义 253

7.4.2 国内外研究现状 255

7.4.3 Web文本预处理 258

7.4.4 中文分词算法设计 262

7.4.5 贝叶斯过滤模型的P（dx｜Cj）估计模型 264

7.4.6 贝叶斯算法在实际过滤中的应用 265

7.4.7 模型设计及实验结果 269

第八章 大数据技术现状与展望 277

8.1 网络大数据现状 277

8.2 网络大数据面临的问题 278

8.3 数据挖掘的研究热点 282

8.4 大数据挖掘的发展趋势 284

8.5 大数据技术推动高校发展的对策建议 287

参考文献 292