Дипломная работа на тему "ТЮМГУ | Прогнозирование результатов освоения дисциплины на основе цифрового следа студента"

Работа на тему: Прогнозирование результатов освоения дисциплины на основе цифрового следа студента
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программного обеспечения

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа
ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ОСВОЕНИЯ ДИСЦИПЛИНЫ НА ОСНОВЕ ЦИФРОВОГО СЛЕДА СТУДЕНТА

02.03.03 Математическое обеспечение и администрирование информационных систем

Тюмень 2022 год

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ 5
1.1 НАУЧНЫЕ ИССЛЕДОВАНИЯ В ОБЛАСТИ ПРОГНОЗИРОВАНИЯ УСПЕВАЕМОСТИ 5
1.2 ОПИСАНИЕ ДАННЫХ 6
1.3 ПОСТАНОВКА ЗАДАЧИ 8
ГЛАВА 2. ОБРАБОТКА И СТРУКТУРИРОВАНИЕ ДАННЫХ ДЛЯ РЕГРЕССИОННОГО АНАЛИЗА 9
2.1 ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ МАШИННОГО ОБУЧЕНИЯ 9
2.2 ОБОСНОВАНИЕ ВЫБОРА СПОСОБА РЕШЕНИЯ ЗАДАЧИ 9
2.3 СБОР И ОБРАБОТКА ДАННЫХ 10
2.4 ОБЗОР МОДЕЛИ ЛИНЕЙНОЙ РЕГРЕССИИ 15
2.5 МЕТРИКИ ДЛЯ ОЦЕНКИ РЕГРЕССИОННОЙ МОДЕЛИ 20
ГЛАВА 3. РАЗРАБОТКА ПРИЛОЖЕНИЯ 21
3.1 АРХИТЕКТУРА ПРИЛОЖЕНИЯ 21
3.2 ИСПОЛЬЗУЕМЫЕ ТЕХНОЛОГИИ 21
3.3 АЛГОРИТМЫ 22
3.4 СОСТАВЛЕНИЕ МОДЕЛЕЙ РЕГРЕССИИ 24
3.5 ПОЛЬЗОВАТЕЛЬСКИЙ ИНТЕРФЕЙС 25
3.6 ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ 28
ЗАКЛЮЧЕНИЕ 32
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 33
ПРИЛОЖЕНИЕ 1. МЕТОДЫ СБОРА ДАННЫХ 34
ПРИЛОЖЕНИЕ 2. ВЕКТОРИЗАЦИЯ ДАННЫХ 36
ПРИЛОЖЕНИЕ 3. ЗАПОЛНЕНИЕ ПРОПУСКОВ 37

ВВЕДЕНИЕ
В ходе учебного процесса как у студентов, так и у преподавателей возникает необходимость определить насколько успешно студент справляется с определенной дисциплиной. Требуется ли преподавателю дополнительно обратить внимание на определенного студента или же студенту приложить больше усилий для освоения дисциплины.
Очевидно, что оценить результативность студента в пределах одной дисциплины можно при помощи анализа данных о лабораторных и контрольных работах, а также данных полученных при помощи опросов на лекциях. Решением таких задач занимается машинное обучение.
Целью данной работы является разработка приложения для прогнозирования успеваемости студентов первого курса направления обучения математическое обеспечение и администрирование информационных систем в ходе изучении такой дисциплины как «Языки программирования».
Для достижения данной цели необходимо решить следующие задачи:
• Собрать данные о студентах первого курса направления математическое обеспечение и администрирование информационных систем.
• Изучить методы для заполнения пропусков в данных.
• Изучить методы машинного обучения для прогнозирования.
• Обучить регрессионные модели для каждой учебной недели.
• Разработать десктоп приложение для взаимодействия с пользователем.
Для успешной подготовки и защиты выпускной квалификационной работы использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Абраменкова И.В. Методы восстановления пропусков в массивах данных. / И.В. Абраменкова, В.В. Круглов - Программные продукты и системы журнала № 2. 2005. - С. 18-22.
2. Будаева А.А. Прогнозирование персональной успеваемости студентов в вузе. / XV ежегодная международная научно-техническая конференция «IT-Технологии: развитие и приложения». 2018. С. 9-16.
3. Гельман Э. Регрессия. Теория и практика. С примерами на R и Stan. / Э. Гельман, А. Вехтари, Д. Хилл - ДМК-Пресс, 2022. – 748 с.
4. Дрейпер Н. Прикладной регрессионный анализ. / Н. Дрейпер, Г. Смит - М.: Издательский дом «Вильямс», 2007. – 912 с.
5. Куржанский А. Б. Управление и наблюдение в условиях неопределенности. / А. Б. Куржанский - М.: Наука, 1977. - 392 с
6. Литтл Р. Дж. А. Статистический анализ данных с пропусками. / Р. Дж. А. Литтл, Д.Б. Рубин - Финансы и статистика. 1991. - 336 с.
7. Саркисян Р.С. Эконометрика. / Р.С. Саркисян - Знание-М, 2021. - 330 с.
8. Alan D Moore. Python GUI Programming with Tkinter. Develop responsive and powerful GUI applications with Tkinter. / Alan D Moore - Packt Publishing. 2018. - 452 с.
9. Ammar Almasri, Erbug Celebi, Rami S. Alkhawaldeh EMT: Ensemble Meta-Based Tree Model for Predicting Student Performance / Scientific Programming. 2019:[сайт]
10. Lubna Mahmoud Abu Zohair. Prediction of Student’s performance by modelling small dataset size / International Journal of Educational Technology in Higher Education. 2019.:[сайт]