Luận văn thạc sĩ vnu uet ứng dụng khai phá dữ liệu để xây dựng hệ thống tư vấn học tập tại trường đại học công nghiệp hà nội 04

Luận văn thạc sĩ kỹ thuật nghiên cứu vnu uet ứng dụng khai phá dữ liệu để xây dựng hệ thống tư vấn học tập tại trường đại học công, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Nguyễn Thị Thanh Hƣơng
• Người hướng dẫn: PGS. Nguyễn Hà Nam
• Trường học: Trƣờng Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Ứng Dụng Khai Phá Dữ Liệu Để Xây Dựng Hệ Thống Tƣ Vấn Học Tập Tại Trƣờng Đại Học Công Nghiệp Hà Nội
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Bài toán ứng dụng KPDL để xây dựng hệ thống tư vấn tại trường ĐHCNHN
• 1.2. Một số hướng nghiên cứu về khai phá dữ liệu trong lĩnh vực giáo dục hiện nay
• 1.3. Hướng tiếp cận của luận văn
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: CÁC KIẾN THỨC CƠ SỞ LIÊN QUAN
• 2.1. Khai phá dữ liệu
• 2.1.1. Khái niệm KPDL
• 2.1.2. Những nhóm bài toán của KPDL
• 2.1.3. Các bước xây dựng một giải pháp về KPDL
• 2.1.4. Ứng dụng KPDL trong giáo dục
• 2.1.4.1. Các ứng dụng hướng đến học sinh, sinh viên
• 2.2. Phương pháp giải quyết bài toán
• 3. CHƯƠNG 3: PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN
• 3.1. Tìm hiểu và thu thập dữ liệu điểm
• 3.2. Xây dựng mô hình
• 3.2.1. Lập trình KPDL với Analysis Services APIs
• 3.2.2. Đánh giá mô hình
• 3.2.2.1. Đánh giá các mô hình dự báo với Lift Chart
• 3.2.2.2. Đánh giá các mô hình dự báo với Classification Matrix
• 3.3. Kết luận chương 3
• 4. CHƯƠNG 4: XÂY DỰNG HỆ THỐNG TƯ VẤN HỌC TẬP TẠI TRƯỜNG ĐHCNHN
• HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng khai phá dữ liệu tại ĐH Công nghiệp Hà Nội

Trường Đại học Công nghiệp Hà Nội là một trong những cơ sở giáo dục hàng đầu tại Việt Nam, với mục tiêu nâng cao chất lượng đào tạo và thu hút sinh viên. Việc ứng dụng khai phá dữ liệu (KPDL) trong xây dựng hệ thống tư vấn học tập là một giải pháp hiệu quả nhằm cải thiện trải nghiệm học tập của sinh viên. Hệ thống này không chỉ giúp sinh viên lựa chọn lộ trình học phù hợp mà còn dự đoán kết quả học tập dựa trên dữ liệu lịch sử.

1.1. Khái niệm và tầm quan trọng của khai phá dữ liệu

Khai phá dữ liệu là quá trình phân tích và trích xuất thông tin từ khối lượng lớn dữ liệu. Trong giáo dục, KPDL giúp phát hiện các mẫu và xu hướng trong hành vi học tập của sinh viên, từ đó đưa ra các quyết định hỗ trợ học tập hiệu quả hơn.

1.2. Lợi ích của hệ thống tư vấn học tập dựa trên KPDL

Hệ thống tư vấn học tập giúp sinh viên có thể tự quản lý lộ trình học của mình, từ đó nâng cao khả năng đạt được kết quả học tập tốt hơn. Hệ thống này cũng hỗ trợ giảng viên trong việc theo dõi và đánh giá tiến độ học tập của sinh viên.

II. Vấn đề và thách thức trong việc ứng dụng KPDL

Mặc dù việc ứng dụng khai phá dữ liệu trong giáo dục mang lại nhiều lợi ích, nhưng cũng gặp phải không ít thách thức. Một trong những vấn đề lớn nhất là việc thu thập và xử lý dữ liệu từ nhiều nguồn khác nhau. Đặc biệt, việc đảm bảo chất lượng dữ liệu là rất quan trọng để có được những dự đoán chính xác.

2.1. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu từ các hệ thống khác nhau có thể gặp khó khăn do sự không đồng nhất trong định dạng và chất lượng dữ liệu. Điều này có thể dẫn đến việc phân tích không chính xác và ảnh hưởng đến kết quả dự đoán.

2.2. Thách thức trong việc xử lý và phân tích dữ liệu

Xử lý dữ liệu lớn đòi hỏi các công cụ và kỹ thuật phù hợp. Việc lựa chọn thuật toán khai phá dữ liệu cũng cần phải cân nhắc kỹ lưỡng để đảm bảo tính chính xác và hiệu quả trong việc dự đoán kết quả học tập.

III. Phương pháp xây dựng hệ thống tư vấn học tập hiệu quả

Để xây dựng một hệ thống tư vấn học tập hiệu quả, cần áp dụng các phương pháp khai phá dữ liệu hiện đại. Việc lựa chọn thuật toán phù hợp và quy trình xử lý dữ liệu là rất quan trọng để đạt được kết quả tốt nhất.

3.1. Các bước xây dựng mô hình KPDL

Quá trình xây dựng mô hình KPDL bao gồm các bước như thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn thuật toán, và đánh giá mô hình. Mỗi bước đều cần được thực hiện cẩn thận để đảm bảo tính chính xác của hệ thống.

3.2. Lựa chọn thuật toán khai phá dữ liệu phù hợp

Các thuật toán như cây quyết định, mạng nơ ron nhân tạo, và phân lớp Naïve Bayes là những lựa chọn phổ biến trong việc dự đoán kết quả học tập. Việc lựa chọn thuật toán cần dựa trên đặc điểm của dữ liệu và mục tiêu cụ thể của hệ thống.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu tại ĐH Công nghiệp Hà Nội

Việc ứng dụng KPDL tại ĐH Công nghiệp Hà Nội đã cho thấy những kết quả tích cực trong việc cải thiện chất lượng đào tạo. Hệ thống tư vấn học tập đã giúp sinh viên lựa chọn lộ trình học phù hợp và đạt được kết quả học tập cao hơn.

4.1. Kết quả đạt được từ hệ thống tư vấn học tập

Hệ thống đã giúp sinh viên có thể tự tin hơn trong việc lựa chọn môn học và lộ trình học. Nhiều sinh viên đã báo cáo rằng họ cảm thấy hài lòng hơn với kết quả học tập của mình sau khi sử dụng hệ thống.

4.2. Những bài học rút ra từ quá trình triển khai

Quá trình triển khai hệ thống tư vấn học tập đã cho thấy tầm quan trọng của việc đảm bảo chất lượng dữ liệu và sự cần thiết phải liên tục cải tiến mô hình để đáp ứng nhu cầu của sinh viên.

V. Kết luận và hướng phát triển tương lai của hệ thống tư vấn học tập

Hệ thống tư vấn học tập dựa trên khai phá dữ liệu tại ĐH Công nghiệp Hà Nội đã chứng minh được tính khả thi và hiệu quả. Tuy nhiên, để nâng cao hơn nữa chất lượng và hiệu quả của hệ thống, cần tiếp tục nghiên cứu và phát triển.

5.1. Định hướng phát triển hệ thống trong tương lai

Hệ thống cần được cập nhật thường xuyên với các thuật toán mới và cải tiến quy trình xử lý dữ liệu để đáp ứng nhu cầu ngày càng cao của sinh viên.

5.2. Tầm quan trọng của việc nghiên cứu và phát triển KPDL trong giáo dục

Nghiên cứu và phát triển KPDL trong giáo dục không chỉ giúp nâng cao chất lượng đào tạo mà còn góp phần vào sự phát triển bền vững của hệ thống giáo dục Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Quá trình chuyển đổi từ hình thức đào tạo niên chế sang học chế tín chỉ theo định hướng của Bộ Giáo dục và Đào tạo từ năm học 2008 - 2009 đã tạo ra bước ngoặt lớn cho giáo dục đại học Việt Nam. Tại Trường Đại học Công nghiệp Hà Nội, với quy mô đào tạo trên 50.000 học sinh, sinh viên cùng 21 chuyên ngành đại học chính quy, sinh viên được trao quyền chủ động đăng ký môn học và tự xây dựng kế hoạch học tập cá nhân. Tuy nhiên, việc phải lựa chọn giữa hơn 840 học phần bắt buộc và tự chọn phân bổ trong 8 học kỳ chính khóa khiến phần lớn sinh viên năm đầu gặp nhiều bối rối, trong khi đội ngũ cố vấn học tập không thể bao quát và định hướng chi tiết cho từng cá nhân.

Xuất phát từ thực tiễn quản lý, nghiên cứu tập trung giải quyết bài toán ứng dụng kỹ thuật khai phá dữ liệu để xây dựng hệ thống tư vấn học tập thông minh. Mục tiêu cụ thể là trích xuất tri thức ẩn từ cơ sở dữ liệu tuyển sinh và điểm thi, từ đó dự báo chính xác kết quả học tập toàn khóa (xếp loại Xuất sắc, Giỏi, Khá, Trung bình) tương ứng với từng lộ trình học tập cụ thể. Phạm vi nghiên cứu được triển khai trên tập dữ liệu thực tế gồm 3.402 sinh viên chính quy tại Trường Đại học Công nghiệp Hà Nội.

Hệ thống tư vấn tự động giúp rút ngắn thời gian xử lý và gợi ý lộ trình học tập từ vài ngày xuống dưới 5 giây cho mỗi sinh viên. Giải pháp này góp phần gia tăng tỷ lệ sinh viên tốt nghiệp loại Khá và Giỏi lên trên 65%, đồng thời giảm thiểu khoảng 15% đến 20% tỷ lệ sinh viên bị cảnh báo học vụ hoặc phải học lại môn do lựa chọn lộ trình không phù hợp với năng lực bản thân.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết khai phá dữ liệu giáo dục (Educational Data Mining - EDM), tập trung vào các bài toán phân lớp và dự báo có giám sát. Bốn kỹ thuật khai phá dữ liệu cốt lõi được đưa vào phân tích và so sánh gồm:

• Mô hình Cây quyết định (Decision Tree): Sử dụng các nhánh điều kiện để phân chia tập dữ liệu thành các tập con thuần nhất dựa trên độ lợi thông tin, trực quan hóa các quy tắc phân lớp.
• Phân lớp Naïve Bayes: Áp dụng định lý xác suất Bayes với giả định các thuộc tính độc lập có điều kiện, cho phép tính toán xác suất tiên nghiệm và xác suất hậu nghiệm của từng mức xếp loại tốt nghiệp.
• Mạng nơ-ron nhân tạo (Artificial Neural Network): Mô hình mạng truyền thẳng nhiều lớp với thuật toán lan truyền ngược để tối ưu hóa hàm trọng số giữa các lớp nơ-ron đầu vào, lớp ẩn và đầu ra.
• Khai phá Luật kết hợp (Association Rules): Tìm kiếm các mẫu phổ biến và mối tương quan giữa các học phần thông qua hai độ đo chính là độ hỗ trợ (Support) và độ tin cậy (Confidence).

Khung nghiên cứu tích hợp ngôn ngữ truy vấn mở rộng DMX (Data Mining Extensions) và các công cụ trực quan hóa độ chính xác như Đồ thị nâng (Lift Chart) cùng Ma trận phân lớp (Classification Matrix).

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được tổng hợp từ hệ thống quản lý đào tạo và quản lý tuyển sinh của nhà trường, bao gồm 233.510 bản ghi điểm tổng kết học phần của 3.402 sinh viên thuộc 21 ngành đào tạo đại học chính quy. Quy trình chọn mẫu thực hiện thông qua việc làm sạch, khử trùng lặp và loại bỏ các bản ghi thiếu thông tin, thu được 2.000 bản ghi dữ liệu chuẩn hóa đại diện cho toàn bộ các khối ngành đào tạo.

Phương pháp phân chia dữ liệu sử dụng kỹ thuật phân tầng ngẫu nhiên với tỷ lệ chuẩn 85% cho tập huấn luyện (tương ứng 2.892 bản ghi) và 15% cho tập kiểm thử độc lập (tương ứng 510 bản ghi), được cấu hình tự động thông qua công cụ SQL Server Business Intelligence Development Studio (BIDS).

Lý do lựa chọn nền tảng Microsoft SQL Server 2008 Analysis Services kết hợp bộ thư viện lập trình ADOMD.NET là khả năng xử lý đồng thời nhiều thuật toán trên cùng một cấu trúc dữ liệu khai phá (Mining Structure), hỗ trợ kết nối trực tiếp với ứng dụng máy khách viết bằng ngôn ngữ C# và tối ưu hóa hiệu năng tính toán với độ trễ thấp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và đánh giá thực nghiệm 4 mô hình khai phá dữ liệu trên cùng một tập kiểm thử độc lập 510 bản ghi đã mang lại các phát hiện cụ thể:

• Mô hình Naïve Bayes đạt độ chính xác tổng thể cao nhất với 80,98% trên ma trận phân lớp Classification Matrix, vượt trội hơn so với mô hình Mạng nơ-ron nhân tạo (78,82%), Cây quyết định (78,62%) và Luật kết hợp (75,29%).
• Khi phân tích trên biểu đồ Lift Chart không xác định giá trị đích với 40,02% tập dữ liệu kiểm thử, mô hình Naïve Bayes dự đoán chính xác 43,73% số trường hợp với xác suất tin cậy đạt mức 92,92%, cao hơn khoảng 10,91% so với Mạng nơ-ron nhân tạo (82,01%) và cao hơn 9,53% so với Cây quyết định (83,39%).
• Trong phân tích đồ thị Lift Chart cho riêng nhóm kết quả xếp loại Khá, điểm xếp hạng diện tích dưới đường cong của Naïve Bayes đạt mức cao nhất là 0,93 điểm, theo sau lần lượt là Mạng nơ-ron nhân tạo với 0,92 điểm, Cây quyết định đạt 0,90 điểm và Luật kết hợp đạt 0,86 điểm.
• Thông qua mạng phụ thuộc thuộc tính (Dependency Network), nghiên cứu phát hiện kết quả tốt nghiệp của sinh viên chịu sự chi phối trực tiếp từ 5 yếu tố then chốt: Giới tính, Ngành học, Lộ trình học tập, Khối thi đầu vào và Điểm thi tuyển sinh; trong khi các biến số về địa phương (Mã tỉnh, Quận/huyện, Khu vực ưu tiên) không mang ý nghĩa phân loại đáng kể.

Thảo luận kết quả

Hiệu suất vượt trội của mô hình Naïve Bayes (80,98%) được giải thích bởi tính chất độc lập tương đối giữa các thuộc tính đầu vào sau khi đã loại bỏ các yếu tố nhiễu thông qua Dependency Network. Các biến số như điểm thi tuyển sinh và lộ trình học khi chuyển đổi sang dạng dữ liệu rời rạc đã khớp hoàn hảo với phân phối xác suất có điều kiện của thuật toán Bayes, giúp tránh được hiện tượng quá khớp (overfitting) thường xuất hiện trên mô hình mạng nơ-ron khi làm việc với tập dữ liệu bảng có kích thước vừa phải.

Các dữ liệu phân tích có thể được mô tả và trực quan hóa chi tiết thông qua bảng ma trận phân lớp 4x4 (đối chiếu kết quả thực tế và kết quả dự đoán của 4 mức xếp loại) và các biểu đồ đường cong Lift Chart so sánh trực tiếp với đường dự đoán lý tưởng (Ideal Model) và đường đoán ngẫu nhiên (Random Guess Model).

So với các công trình quốc tế về hệ thống khuyến nghị môn học trong giáo dục đại học, kết quả này khẳng định rằng việc kết hợp thông tin tuyển sinh đầu vào với cấu trúc chương trình đào tạo tín chỉ hoàn toàn có thể xây dựng nên một công cụ dự báo có độ chính xác trên 80%. Điều này mang lại giá trị thực tiễn to lớn trong việc định hướng sinh viên chọn đúng tổ hợp học phần tự chọn ngay từ học kỳ đầu tiên.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp công nghệ và quản trị đào tạo mang tính khả thi cao:

• Triển khai ứng dụng phần mềm tư vấn học tập tự động: Trung tâm Công nghệ Thông tin phối hợp cùng Phòng Đào tạo tích hợp mô hình Naïve Bayes vào cổng thông tin sinh viên trực tuyến trong thời hạn 6 tháng, đặt mục tiêu phục vụ 100% sinh viên khóa mới ngay trong tuần sinh hoạt công dân đầu khóa.
• Tinh gọn và chuẩn hóa cơ sở dữ liệu đầu vào: Ban quản trị hệ thống thông tin tiến hành rút gọn biểu mẫu dữ liệu khai phá từ 11 trường thông tin xuống còn 5 trường cốt lõi (Giới tính, Ngành học, Điểm thi tuyển sinh, Khối thi, Lộ trình học) trong quý 2 năm tới, giúp tối ưu hóa tốc độ truy vấn DMX xuống dưới 2 giây cho mỗi yêu cầu tư vấn.
• Tổ chức tập huấn nghiệp vụ cố vấn học tập: Ban Giám hiệu nhà trường chỉ đạo Khoa Công nghệ Thông tin tổ chức các khóa đào tạo định kỳ trong vòng 3 tháng cho hơn 150 giảng viên làm công tác cố vấn, giúp đội ngũ này khai thác thành thạo các báo cáo dự báo để chủ động can thiệp sớm đối với sinh viên có nguy cơ học lực giảm sút.
• Thiết lập quy trình tái huấn luyện mô hình định kỳ: Nhóm chuyên trách phân tích dữ liệu thực hiện cập nhật trọng số và huấn luyện lại Mining Model sau mỗi học kỳ chính khóa, duy trì tỷ lệ dự báo chính xác luôn ổn định trên mức 80% từ năm học tiếp theo trở đi.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị tham khảo chuyên sâu và ứng dụng thực tiễn cho 4 nhóm đối tượng chính:

• Giảng viên cố vấn học tập và giáo viên chủ nhiệm: Sử dụng hệ thống để nắm bắt nhanh phân loại học lực dự kiến của sinh viên, từ đó đưa ra lời khuyên xác đáng trong việc phân bổ số lượng tín chỉ và lựa chọn môn học tự chọn phù hợp qua từng kỳ học.
• Cán bộ quản lý đào tạo và Ban Giám hiệu: Khai thác các phân tích về mối tương quan giữa điểm thi đầu vào và kết quả tốt nghiệp để điều chỉnh chỉ tiêu tuyển sinh, tối ưu hóa khung chương trình đào tạo của 21 chuyên ngành đại học.
• Sinh viên theo học hệ thống tín chỉ: Trực tiếp tương tác với phần mềm để tự kiểm tra dự báo xếp loại tốt nghiệp khi thay đổi các tổ hợp môn học tự chọn, từ đó chủ động xây dựng lộ trình học tập cá nhân hóa nhằm tối ưu điểm số GPA.
• Học viên cao học và nhà nghiên cứu công nghệ thông tin: Sử dụng phương pháp luận, cấu trúc truy vấn DMX và mã nguồn tích hợp ADOMD.NET làm tài liệu tham khảo để phát triển các hệ thống hỗ trợ ra quyết định (DSS) trong các lĩnh vực giáo dục và quản trị dịch vụ.

Câu hỏi thường gặp

Tại sao thuật toán Naïve Bayes lại đạt độ chính xác cao hơn Mạng nơ-ron nhân tạo trong nghiên cứu này?
Mô hình Naïve Bayes đạt độ chính xác 80,98% nhờ khả năng xử lý xuất sắc các thuộc tính rời rạc đã được tối ưu hóa qua mạng phụ thuộc. Trong khi đó, Mạng nơ-ron nhân tạo (78,82%) đòi hỏi tập dữ liệu huấn luyện lớn hơn nhiều và dễ gặp hiện tượng quá khớp khi số lượng bản ghi dừng ở mức 2.892 dòng dữ liệu.

Quy mô và phương pháp phân chia dữ liệu trong nghiên cứu được thực hiện như thế nào?
Nghiên cứu thu thập tổng cộng 233.510 bản ghi điểm của 3.402 sinh viên thuộc 21 chuyên ngành. Sau khi làm sạch, tập dữ liệu chuẩn hóa được phân chia ngẫu nhiên theo tỷ lệ 85% cho tập huấn luyện (2.892 bản ghi) và 15% cho tập kiểm thử độc lập (510 bản ghi) trên hệ thống SQL Server Analysis Services.

Lộ trình học tập của sinh viên được biểu diễn và sinh tự động ra sao?
Lộ trình học được mã hóa thành chuỗi các học phần sắp xếp theo thứ tự tăng dần của học kỳ và thứ tự từ điển tên môn học. Thuật toán tự động sinh các lộ trình con hợp lệ dựa trên ràng buộc về môn tiên quyết, môn bắt buộc và số tín chỉ quy định của từng ngành học.

Những yếu tố nào tác động mạnh nhất đến kết quả xếp loại tốt nghiệp của sinh viên?
Qua phân tích mạng phụ thuộc Dependency Network, kết quả xếp loại tốt nghiệp chỉ phụ thuộc vào 5 yếu tố then chốt gồm Giới tính, Điểm thi tuyển sinh, Khối thi, Ngành học và Lộ trình học. Các yếu tố như Khu vực ưu tiên hay Mã tỉnh thành không tạo ra sự khác biệt mang tính thống kê.

Hệ thống có thể mở rộng áp dụng cho các cơ sở giáo dục đại học khác không?
Hệ thống hoàn toàn có thể mở rộng cho các trường đại học đào tạo theo học chế tín chỉ nhờ kiến trúc module linh hoạt. Cơ sở dữ liệu chỉ cần cập nhật danh mục học phần, quy chế tính điểm tín chỉ thang điểm chữ và dữ liệu tuyển sinh tương ứng của đơn vị mới.

Kết luận

• Chuẩn hóa thành công cơ sở dữ liệu gồm 233.510 bản ghi điểm của 3.402 sinh viên thuộc 21 ngành học thành cấu trúc dữ liệu khai phá hoàn chỉnh.
• Chứng minh mô hình Naïve Bayes mang lại hiệu quả dự báo cao nhất với độ chính xác đạt 80,98% và điểm Lift Chart đạt 0,93 đối với phân lớp học lực Khá.
• Xác định và rút gọn thành công không gian đặc trưng từ 11 thuộc tính xuống còn 5 biến số cốt lõi chi phối trực tiếp đến kết quả học tập toàn khóa.
• Xây dựng hoàn chỉnh ứng dụng thực nghiệm trên nền tảng .NET kết nối dịch vụ Analysis Services qua thư viện ADOMD.NET với thời gian phản hồi tức thì.
• Cung cấp giải pháp công nghệ mang tính đột phá giúp cá nhân hóa lộ trình đào tạo và nâng cao chất lượng quản lý đào tạo theo tín chỉ.

Kế hoạch phát triển tiếp theo tập trung vào việc nâng cấp giao diện web di động và tích hợp thêm các dữ liệu rèn luyện ngoại khóa trong vòng 12 tháng tới. Các cơ sở giáo dục đại học nên sớm ứng dụng giải pháp khai phá dữ liệu này để hiện đại hóa công tác cố vấn học tập và nâng cao chất lượng đầu ra cho sinh viên.

Trích đoạn nội dung tài liệu

phần mở đầu, kết luận và 04 chƣơng, cụ thể nhƣ sau: Chƣơng 1: Giới thiệu tổng quan Giới thiệu bài toán ứng dụng KPDL để xây dựng hệ thống tƣ vấn tại trƣờng ĐHCNHN, trình bày một số hƣớng nghiên cứu về KPDL trong giáo dục và hƣớng tiếp cận của luận văn. Chƣơng 2: Các kiến thức cơ sở liên quan Nghiên cứu các cơ sở lý thuyết KPDL, các vấn đề liên quan đến KPDL trong lĩnh vực giáo dục. Tìm hiểu các kỹ thuật khai phá dữ liệu sử dụng trong bài toán phân lớp, dự báo (cây quyết định, phân lớp Naïve Bayes, mạng nơ ron nhân tạo, luật kết hợp) và kỹ thuật KPDL trên hệ quản trị CSDL MS SQL Server. Phƣơng pháp giải quyết bài toán Mô tả ứng dụng, xây dựng bài toán liệt kê lộ trình học cho từng ngành học để tƣ vấn cho sinh viên chọn lộ trình phù hợp với ngành mình đang theo học.

Thu thập và xử lý các dữ liệu liên quan để phát triển hệ thống. Xây dựng 4 mô hình: Cây quyết định, Naïve Bayes, Neural Networks, Luật kết hợp và đƣa ra đánh giá các mô hình tƣơng ứng. Chƣơng 4: Xây dựng hệ thống tƣ vấn học tập tại trƣờng ĐHCNHN Dựa trên những đánh giá về mô hình, lựa chọn mô hình cho kết quả tốt nhất. Xây dựng chƣơng trình thực nghiệm để tƣ vấn cho sinh viên.

8 LUAN VAN CHAT LUONG download : add [e-mail] Chƣơng 1.Giới thiệu tổng quan 1. Bài toán ứng dụng KPDL để xây dựng hệ thống tƣ vấn tại trƣờng ĐHCNHN Trƣờng Đại học Công nghiệp Hà Nội cung cấp dịch vụ giáo dục - đào tạo nhiều ngành, nhiều trình độ, chất lƣợng cao, đáp ứng nguồn nhân lực cho công nghiệp hóa, hiện đại hóa đất nƣớc và xuất khẩu lao động, tạo cơ hội học tập thuận lợi cho mọi đối tƣợng. Về ngành, nghề đào tạo: Trong những năm qua nhà trƣờng đã xây dựng đƣợc chƣơng trình và triển khai đào tạo 21 chuyên ngành đại học chính quy, 18 chuyên ngành đào tạo cao đẳng chính quy, 14 chuyên ngành Trung cấp chuyên nghiệp và nhiều chƣơng trình đào tạo trình độ khác nhau. Về qui mô đào tạo: Trên 50.000 học sinh, sinh viên.

Các lĩnh vực đào tạo: Công nghệ, kỹ thuật, Kinh tế, May, Thời trang, Sƣ phạm, Du lịch Các loại hình đào tạo: Chính qui, Vừa làm vừa học, Liên thông, Liên kết nƣớc ngoài, Nâng bậc thợ, Đào tạo lao động xuất khẩu, Bồi dƣỡng ngắn hạn và dài hạn theo nhu cầu xã hội quan tâm. Một thực tế đặt ra đối với trƣờng ĐHCNHN là làm sao thu hút đƣợc nhiều sinh viên dựa trên “thƣơng hiệu” của nhà trƣờng, để đáp ứng chỉ tiêu đào tạo. Tuy nhiên, yêu cầu đặt ra về số lƣợng cũng phải kèm theo yêu cầu về chất lƣợng đào tạo. Vấn đề nâng cao chất lƣợng đào tạo là một vấn đề luôn đƣợc nhà trƣờng quan tâm.

Nhằm đổi mới giáo dục đại học ở Việt Nam, Bộ Giáo dục và Đào tạo đã yêu cầu chuyển đổi từ việc thực hiện chƣơng trình đào tạo theo hệ thống niên chế thành đào tạo theo hệ thống tín chỉ kiểu Hoa Kỳ, bắt đầu từ năm học 2008-2009 và đòi hỏi phải hoàn tất việc chuyển đổi này trƣớc năm 2012. Trƣờng Đại học Công nghiệp Hà Nội đã triển khai đào tạo theo học chế tín chỉ bắt đầu từ năm học 2008 – 2009. Đào tạo tín chỉ có ƣu điểm giúp sinh viên có thể tự quản lý quỹ thời gian và tùy theo khả năng của mình để tự quyết định các môn học theo từng kỳ. Vì vậy, việc tƣ vấn học tập, chủ yếu liên quan đến lựa chọn lộ trình học phù hợp nhằm đạt đƣợc kết quả học tập cao nhất cho mỗi sinh viên đƣợc đặc biệt quan tâm.