| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Izglītības datu datizraces metožu analīze studenta snieguma prognozēšanai virtuālās mācību vidēs |
| Nosaukums angļu valodā |
Analysis of Educational Data Mining Methods for the Prediction of the Students Performance in Virtual Learning Environments |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Sintija Petroviča |
| Recenzents |
Jānis Amoliņš |
| Anotācija |
Bakalaura darbs - moderno risinājumu izpēte (1. tips).
Bakalaura darbs fokusējas uz datizraci, precīzāk izglītības datu datizraci, kas ir starpdisciplināra joma, kurā uzmanība tiek pievērsta izglītībai un no izglītības procesa iegūstamajiem datiem. Darba mērķis ir izpētīt metodes, kas tiek izmantotas studentu snieguma prognozēšanai virtuālās mācību vidēs. Darba ietvaros tiek veikta izglītības datu datizraces metožu un to algoritmu izpēte un apkopošana. Tiek secināts, ka visplašāk tiek izmantoti klasifikācijas algoritmi, no tiem visizplatītākie ir lēmumu koki un naivā Beijesa algoritms. Darba praktiskajā daļā tika veikta piecu algoritmu (lēmumu koks C4.5., naivā Beijesa algoritms, gadījuma mežs, vairākslāņu perceptrons, AdaBoost) salīdzināšana divās dažādās vidēs (Scikit-learn un WEKA), izmantojot divas dažādas datu kopas, no kurām tika izveidotas arī to balansētās versijas. Var secināt, ka vides izvēle būtiski neietekmē algoritmu veiktspēju. Visaugstākos rezultātus gan nebalansētās, gan balansētās datu kopās uzrādīja gadījuma meža algoritms un vairākslāņu perceptrons, zemākos – naivā Beijesa algoritms.
Darba pamattekstā ir 58 lappuses, 17 attēli, 5 tabulas, 85 informācijas avoti un 3 pielikumi. |
| Atslēgas vārdi |
MAŠĪNMĀCĪŠANĀS, IZGLĪTĪBAS DATU DATIZRACE, KLASIFIKĀCIJA, SCIKIT, WEKA |
| Atslēgas vārdi angļu valodā |
MACHINE LEARNING, EDUCATIONAL DATA MINING, CLASSIFICATION, SCIKIT, WEKA |
| Valoda |
lv |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
29.05.2022 18:37:12 |
