一种基于大数据分析的课程培训方法技术

本发明专利技术提出的一种基于大数据分析的课程培训方法，包括用于为给定学生生成个性化课程表的课程选择算法和课程评价方法，通过确定符合课程要求的课程表，并考虑学生的背景、兴趣和期望的学位时间，方便学生提供课程选择服务，在评价课程教学效果时与大数据信息融合，结合统计数据分析的方法，进行合并，实现课程教学效果的定量评价，通过课程教学，分析评价大数据的效果，从而提高课程的教学效果。

【技术实现步骤摘要】
一种基于大数据分析的课程培训方法
本专利技术涉及大数据分析领域，更具体地说，涉及一种基于大数据分析的课程培训方法。
技术介绍
随着我国高等教育改革的深入，高等教育已经成为推动社会生产力变化的重要场所，加速高等教育的改革，有利于传统教学模式的改革和人员培训质量的提高，有利于我国结构的长远调整。虽然高等教育课程体系的建设取得了一些成就，但与欧洲和美国等发达国家相比，仍有一定的差距，尤其是在高等教育的发展、实施、评价等关键环节上还不成熟。另外，在校学生在进行选课时，通常是根据院校建议或同学学长的经验，很少参考自身的兴趣或者自身的发展规划，导致在接受课程教育时有很多的不适应。虽然某些课程包含在人才培训项目中，但它只是一个单独的课程，没有融入或融入相关课程，在进行后续相关课程学习时会存在关联系弱，不利于相关知识体系的构成。另外，在课程的教学中，需要对大量课程进行自动筛选和识别，评估课程的质量，提高课程的教学效果。在评价课程教学效果时，需要考虑在线课程课件质量、教学水平、教学针对性和多媒体课件等多种因素，高校和学生对课程的评价基本以行政或个人主观感觉为主导本文档来自技高网...

【技术保护点】
1.一种基于大数据分析的课程培训方法，其特征在于，包括用于为给定学生生成个性化课程表的课程选择算法和课程评价方法；/n其中课程选择算法由四个阶段组成：1)数据收集；2)课程表创建；3)课程表举例；4)课程表展示；/n课程选择算法采集相关数据，对数据进行分析，得出决策变量、约束条件和目标函数，进行整数线性规划运算；课程选择算法使用凝聚层次聚类法，从所有学生聚类开始，迭代合并最接近的聚类，当目标学生的聚类足够大时，聚类停止；在聚类之前，定义学生之间和聚类之间距离的度量，每个学生都被表示为目标学生所修课程的向量，定义目标专业的学生总数为m，目标学生所修课程的数量为n；设hi为第i个学生的长度n的向量...

【技术特征摘要】
1.一种基于大数据分析的课程培训方法，其特征在于，包括用于为给定学生生成个性化课程表的课程选择算法和课程评价方法；
其中课程选择算法由四个阶段组成：1)数据收集；2)课程表创建；3)课程表举例；4)课程表展示；
课程选择算法采集相关数据，对数据进行分析，得出决策变量、约束条件和目标函数，进行整数线性规划运算；课程选择算法使用凝聚层次聚类法，从所有学生聚类开始，迭代合并最接近的聚类，当目标学生的聚类足够大时，聚类停止；在聚类之前，定义学生之间和聚类之间距离的度量，每个学生都被表示为目标学生所修课程的向量，定义目标专业的学生总数为m，目标学生所修课程的数量为n；设hi为第i个学生的长度n的向量，H为包含的课程历史向量集，hi,g表示学生i对课程g的成绩，其中g∈[1，n]；对于两个学生向量之间的欧几里德距离如公式所示：



把聚类方法转换为算术平均的无加权对群方法，两个簇之间的距离是每个簇中向量之间的平均距离；给定两组学生向量C1和C2，它们之间的距离定义为：



其中(||)表示向量的长度，distance(a，b)是所选的距离度量；将目标学生引入一个聚类，在该聚类中，学生分布较少，因此稍微相似；当目标学生的聚类的大小变得足够大时，提取该聚类中的同类学生；
课程表或每学期的学时数最初由目标学生所在院校设定如下：minCrt：t∈T学期的最小学时数，其中T是所有学期的时间顺序集；maxCrt：t学期的最大学时数；学生提供的参数定义如下：minCrs,t：学生s∈S的最小学时数，其中S是所有学生的无序集；学期t∈T的最小学时数，其中T是所有学期的时间顺序集；maxCrs,t：学生s在t学期的最大学时数；maxSemesterss：学生s选择的最大学期数；由于学生不能逾越学校限制，满足以下条件：
minCrt≤minCrs，t≤maxCrs，t≤maxCrt(3)
让totalCreditst为目标学生在t学期的总学时，其值在最小和最大院校和学生参数范围内；为了使课程表在制度上有效，满足以下条件：



为了使课程表优先有效，满足以下条件：



课程选择算法内的课程表创建过程包括以下三个阶段：a)选课，b)学期选择，c)课程单元选择；
其中a)选课阶段：课程的选择需要满足所有课程的学分要求，由能够满足它的课程和这些课程应用的学分阈值组成；课程要求满足的最佳解决方案是一组课程，使总学时最小化，同时遵守所有约束条件；
创建决策变量是为了表示使用特定课程i来满足特定需求j的决策；课程需求满足的所有决策变量集定义为：
X＝{xi，j：xi，j∈{0，1}，j∈R，i∈j.courses}(6)
其中R是目标学生的要求集，j.courses是能够满足j的所有课程集；整个集合X是从需求R中产生的，这些需求R由院校提供；
每个需求的学时阈值创建约束；需求阈值之和的最终约束为最终目标函数F(x)提供了一个下限：



其中ui是课程i的学分值；通过收集目标函数、决策变量和约束条件，形成整数线性规划求解；这个满意阶段的结果是一套课程Cs，保证满足学生的课程要求；
其中b)学期选择阶段：学期选择阶段将每门课程安排在尽可能早的学期，以期缩短获得学位的时间；对于每学期，课程选择算法将迭代下一个优先的课程列表，并放置课...

【专利技术属性】
技术研发人员：侯方博，
申请(专利权)人：吉林农业科技学院，
类型：发明
国别省市：吉林;22