-
题名基于大规模在线开放课程的学习者模型的设计与实现
被引量：7
- 1
-
-
作者
黄丹霞
刘欣欣
-
机构
华南理工大学计算机科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第A02期327-330,共4页
-
基金
广东省高等教育教学改革项目(GDJG20142052)
华南理工大学教研教改项目(Y1180781)
-
文摘
针对大规模在线开放课程(MOOC)学生对学习过程参与不足、缺乏个性化的学习指导等问题,提出利用智能教学系统的学习者模型的方法,构建MOOC学习者模型。首先针对MOOC平台收集的学习行为数据的特点,选取学习者特征;然后,基于贝叶斯网络构建知识跟踪模型,基于经验概率设置模型参数,并在模型中引入问题的难度;最后,定义学生态度积极性特征,基于分类算法构建学习态度跟踪模型。在MOOC数据集上对模型进行实验,对比了不同贝叶斯知识跟踪模型预测的准确率,当采用逻辑回归算法作为学生态度积极性分类算法时,可较准确地预测学习态度。实验结果表明,该学习者模型具备一定的对学生的知识水平和态度进行分析的能力。
-
关键词
大规模在线开放课程
智能教学系统
学习者模型
贝叶斯网络
分类算法
逻辑回归
-
Keywords
Massive Open Online Course(MOOC)
intelligent tutoring system
student model
bayesian network
classification algorithm
logistic regression
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名贝叶斯网络分类算法在状态监测设备可用性判断的应用
被引量：6
- 2
-
-
作者
王文烁
胡丹晖
黄俊杰
张坤
李云鹏
-
机构
国网湖北省电力公司电力科学研究院
国网富达科技发展有限责任公司
-
出处
《湖北电力》
2017年第9期35-38,共4页
-
文摘
利用贝叶斯网络分类算法技术对各厂家输变电设备状态监测装置的可靠性指标进行自动监控统计的初步方法,为系统主站可靠性功能开发提供参考依据。由于现场装置的组成结构以及现场应用条件十分复杂,因此通过系统主站不可能完全实现对装置可靠性的自动监控,仍需要提供人工确认,以及辅助判断的输入接口,给出最终的可靠性统计指标。
-
关键词
数据可用性计算
通信故障分析
设备缺陷
贝叶斯网络分类算法
状态监测
-
Keywords
calculation of data availability
analysis of communication failures
equipment defects
bayesian network classification algorithm
condition monitoring
-
分类号
TM711
[电气工程—电力系统及自动化]
-
-
题名一种贝叶斯网络分类器集群式参数学习的降噪算法
被引量：2
- 3
-
-
作者
王中锋
王志海
付彬
-
机构
北京交通大学计算机与信息技术学院
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2010年第4期508-515,共8页
-
基金
国家自然科学基金资助项目(No.60673089)
-
文摘
文中首先分析降噪集成算法采用的样本置信度度量函数的性质,阐述此函数不适合处理多类问题的根源.进而设计更有针对性的置信度度量函数,并基于此函数提出一种增强型降噪参数集成算法.从而使鉴别式贝叶斯网络参数学习算法不但有效地抑止噪声影响,而且避免分类器的过度拟合,进一步拓展采用集群式学习算法的鉴别式贝叶斯网络分类器在多类问题上的应用.最后,实验结果及其统计假设检验分析充分验证此算法比目前的集群式贝叶斯网络参数学习方法得到的分类器在性能上有较显著提高.
-
关键词
机器学习
贝叶斯网络
集群式学习
BOOSTING算法
分类算法
-
Keywords
Machine Learning, bayesian network, Ensemble Learning, Boosting algorithm,classification algorithm
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名属性值加权的一依赖估测器模型分类算法研究
被引量：2
- 4
-
-
作者
余良俊
甘胜丰
范正薇
-
机构
湖北第二师范学院计算机学院
湖北广播电视大学继续教育学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第11期315-320,共6页
-
基金
湖北省自然科学基金面上项目“属性值加权的贝叶斯网络分类算法研究”(2018CFC893)
湖北省中央引导地方科技发展专项立项项目“区域基础教育资源配置与优化关键技术的研究与应用”(2019ZYYD012)
+1 种基金
湖北省重点实验室开放基金项目“基于贝叶斯网络分类算法的岩爆预测研究”(KLIGIP-2018A05)
湖北省技术创新专项“土木工程智慧建造仿真交互软硬件系统”(2019AEE020)。
-
文摘
分类问题是数据挖掘和机器学习领域研究的重点问题,贝叶斯网络模型因其简单高效的特点而广泛应用于分类问题。一依赖估测器(ODE)模型作为半监督学习贝叶斯网络模型中的经典模型,受到研究人员的广泛关注。现有的ODE模型分类器在进行分类判别时,未考虑不同的属性节点作为根节点时对分类过程的贡献不同,为此,将ODE模型分类器与属性值加权方法相结合并提出MI-ODE算法。采用相互信息(MI)度量属性根节点的属性值与类变量之间的依赖关系并作为ODE模型的权值,对ODE分类器模型进行属性值加权平均。将MI-ODE算法应用于现实分类问题的36个标准数据集,结果表明,相比于NB算法、AODE算法与TAN算法,该算法的分类性能更优。
-
关键词
贝叶斯网络
一依赖估测器
分类算法
结构扩展
属性值加权
-
Keywords
bayesian network
One-Dependence Estimator(ODE)
classification algorithm
structure extension
attribute value weighting
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
