ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Oded:>مارك

Oded: Outlier Detection in Educational Data

المصدر: المجلة العراقية للعلوم الإحصائية
الناشر: جامعة الموصل - كلية علوم الحاسوب والرياضيات
المؤلف الرئيسي: Al Abd Alazeez, Ammar Thaher Yaseen (Author)
المجلد/العدد: ع33
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2021
الصفحات: 72 - 88
ISSN: 1680-855X
رقم MD: 1164386
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
البيانات التعليمية | البيانات المستمرة | الأنماط المخفية | الحالات الشاذة | الخوارزميات الرياضية
كلمات المؤلف المفتاحية:
Big Data | Data Stream Clustering Algorithms | Clustering Educational Data
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
LEADER 05816nam a2200229 4500
001 1907903
041 |a eng 
044 |b العراق 
100 |9 624041  |a Al Abd Alazeez, Ammar Thaher Yaseen   |e Author 
245 |a Oded:  |b Outlier Detection in Educational Data 
260 |b جامعة الموصل - كلية علوم الحاسوب والرياضيات  |c 2021 
300 |a 72 - 88 
336 |a بحوث ومقالات  |b Article 
520 |a عنقدة البيانات المستمرة هي واحدة من المهام المميزة لاكتشاف الأنماط المخفية في البيانات المستمرة. فهي تشير إلى عملية اكتشاف مجاميع جديدة في البيانات مستمرة الوصول والتي تغير من أنماطها باستمرار. خوارزميات عنقدة البيانات الحالية تفتقد الخطوات العامة الواضحة لتحميل مجاميع البيانات الجديدة. ولكن غالبية الحلول الموجودة الآن هي تحديث الخوارزميات التقليدية مع البيانات المستمرة. المسالة المهمة قيد الدراسة هي اقتراح حل يمكنه من تحسين كفاءة الطرق الموجودة وتقديم عناقيد صحيحة فضلا عن الحالات الشاذة. البيانات الواردة في سيل البيانات غالبا ما تحتوي على حالات شاذة، والتي من الممكن أن تحمل الأهمية نفسها التي تملكها العناقيد. وهكذا، انه من المرغوب لخوارزميات عنقدة البيانات المستمرة أنها تكون قادرة على اكتشاف الحالات الشاذة فضلا عن عناقيد البيانات. خوارزميات عنقدة البيانات يجب أن تكون قادرة على تقليل تأثير البيانات العشوائية والحالات الشاذة في البيانات المعطاة. هذه المقالة تقدم خوارزمية تنقيب جديدة لعنقدة البيانات المستمرة ومراقبة تطورها. على الرغم من أن اكتشاف الحالات الشاذة هو متوقع في البيانات المستمرة، التعريف الصريح لاكتشاف هذه الحالات غير واضح. الخوارزمية المقترحة قادرة على اكتشاف البيانات الشاذة وتحليل تطور العناقيد. العلاقة بين تحديد البيانات الشاذة وتوالي الأحداث الحقيقية تم دراستها بواسطة تطبيق الخوارزمية المقترحة في هذا البحث على البيانات التعليمية المستمرة. التجارب التي تم إجرائيا على هذه البيانات قادت إلى استنتاج أن اكتشاف الحالات الشاذة مرتبط مع التغييرات في عدد العناقيد والتي تشير إلى أحداث مهمة في عملية التعليم. هذا النوع من المراقبة الآنية ونتائجه ممكن أن يستخدم في أنظمة التعليم في مختلف الطرق. البيانات التعليمية المستمرة لجروبات برنامج الفايبر تم استخدامها في هذه الدراسة. 
520 |b Clustering data streams is one of the prominent tasks of discoverin g hidden patterns in data streams. It refers to the process of clustering newly arrived data into continuously and dynamically changing segmentation patterns. The current data stream clustering algorithms are lacking general clear steps for analysing new incoming data chunks. However, the majority of existing data stream solutions are adapting the clustering methods of static data to work with data stream setting. The main issue of concern is to propose a solution can improve the performance of existing approaches and present correct clusters and outliers. Data arriving in streams often contain outliers, which may have equal importance as clusters. Thus, it is desirable for data stream clustering algorithms to be able to detect the outliers as well as the clusters. The data stream clustering algorithms should be able to minimise the effects of noise and outliers data in a given dataset. This article presents a stream mining algorithm to cluster the data stream and monitor its evolution. Even though outlier detection is expected to be present in data streams, explicit outlier detection is rarely done in stream clustering algorithms. The proposed method is capable of explicit outlier detection and cluster evolution analysis. Relationship between outlier detection and the occurrence of physical events has been studied by applying the algorithm on the education data stream. Experiments led to the conclusion that the outlier detection accompanied by a change in the number of clusters indicates a significant education event. This kind of online monitoring and its results can be utilized in education systems in various ways. Viber education data streams produced by Viber groups are used to conduct this study. 
653 |a البيانات التعليمية  |a البيانات المستمرة  |a الأنماط المخفية  |a الحالات الشاذة  |a الخوارزميات الرياضية 
692 |b Big Data  |b Data Stream Clustering Algorithms  |b Clustering Educational Data 
773 |4 الاقتصاد  |6 Economics  |c 007  |e Iraqi Journal of Statistical Science  |f Al-maǧallaẗ al-ʻirāqiyyaẗ li-l-ʻulūm al-iḥsāʼiyyaẗ  |l 033  |m ع33  |o 1147  |s المجلة العراقية للعلوم الإحصائية  |v 000  |x 1680-855X 
856 |u 1147-000-033-007.pdf 
930 |d n  |p y  |q n 
995 |a EcoLink 
999 |c 1164386  |d 1164386 

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.