System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及职业培训管理,具体为基于人工智能的职业培训管理平台。
技术介绍
1、职业培训管理平台将课程的相关信息录入系统,学生根据自身的需求去访问和下载资源;学生也可将自身的成绩输入到系统中,培训老师可以根据学生的成绩给出相关的指导方案,然而,传统的职业培训管理平台在反馈方面会出现一些问题。
2、一方面,学生在学习时对自身的学习情况无法充分理解,导致在选择课程时与实际课程所需不符,降低学生学习效率;
3、另一方面,老师在根据学生的成绩给出相关方案时,在学生人数众多的情况下往往需要大量的人力资源,也可能会由于老师判断失误导致给出错误的指导方案。
技术实现思路
1、本专利技术的目的在于提供基于人工智能的职业培训管理平台,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:基于人工智能的职业培训管理平台,其包括数据收集和整理模块、特征工程模块、模型生成模块和自动化评估和反馈模块,其中:
3、所述数据收集和整理模块用于收集历史学生数据,并整理数据中的特征列和标签列,将整理好的数据发送给特征工程模块;
4、所述特征工程模块接收数据收集和整理模块发送的学生数据,将历史学生数据中的特征列和标签列转换为数值类型并进行标准化处理,将处理好的学生数据发送给模型生成模块;
5、所述模型生成模块根据特征工程模块发送的历史学生数据中的特征列和标签列利用神经网络算法进行有监督的模型训练,将训练好的模型发送给
6、所述自动化评估和反馈模块根据实时学生数据利用训练好的模型对学生进行标签列中数值的预测,并根据预测结果数值的大小对学生制定不同的指导方案。
7、作为本技术方案的进一步改进,所述数据收集和整理模块包括数据收集单元和数据整理单元,所述数据收集单元用于收集学生数据,通过平台数据库、问卷调查和学习平台的api接口来获取学生的个人信息和学习历史;所述数据整理单元用于整理数据的特征列和标签列。
8、作为本技术方案的进一步改进,所述特征工程模块包括特征转换单元和特征标准化单元,所述特征转换单元接收数据整理单元整理过后的数据,并数据转换为适合模型输入的类型;所述特征标准化单元接收特征转换单元转换后的数据,并将数据进行标准化处理。
9、作为本技术方案的进一步改进,所述模型生成模块包括数据划分单元、模型训练单元、模型评估单元和模型调优单元,所述数据划分单元接收特征标准化单元标准化后的数据,用于将数据集划分为训练集和验证集,将训练集发送给模型训练单元,将验证集发送给模型评估单元;所述模型训练单元使用神经网络算法根据训练集进行模型训练,并将训练好的模型发送给模型评估单元;所述模型评估单元接收数据划分单元和模型训练单元分别发送的验证集和模型,用于计算模型在验证集上的准确率;所述模型调优单元根据模型评估单元计算的准确率的大小来对模型进行调优,并将调优后准确率合格的模型发送给自动化评估和反馈模块中的评估单元。
10、作为本技术方案的进一步改进,所述自动化评估和反馈模块包括评估单元和反馈单元,所述评估单元接收模型调优单元训练好的模型,并根据系统接收的实时学生数据利用训练好的模型进行学习成绩和课程推荐程度的预测;所述反馈单元接收评估单元预测的结果。
11、作为本技术方案的进一步改进,所述数据收集单元收集学生的个人信息和学习历史,其中学生的个人信息包括性别、年龄、学历和专业,学习历史包括完成课程数量、完成课程进度、总学习时长、作业完成情况、平均成绩、课程推荐程度和最终成绩;所述数据整理单元将数据中的性别、年龄、学历、专业、完成课程数量、完成课程进度、总学习时长、作业完成情况和平均成绩作为数据集中的特征列,将课程推荐程度和最终成绩作为数据集中的标签列。
12、作为本技术方案的进一步改进,所述特征转换单元用于将特征值转换为数值类型,具体包括:
13、性别、学历和专业:创建一个对应的一维数组,数组长度为标签类别数量,在每个数组中,只有对应的标签位置上的值为1,否则为0;
14、课程推荐程度:创建一个对应的一维数组,数组长度为标签类别数量,在每个数组中,课程类别对应的位置上的值为推荐程度;
15、完成课程进度:计算学生过去一个月内的课程进度平均值,即把一个月每天的课程进度相加除以当月的天数得出课程进度平均值;
16、作业完成情况:统计过去一个月内作业未完成数量和已完成数量,计算过去一个月完成作业数量的概率,即已完成数量除以未完成数量与已完成数量的总和。
17、作为本技术方案的进一步改进,所述模型训练单元根据训练集中的数据利用神经网络算法进行模型训练,具体包括:
18、模型由输入层、隐藏层、分支层和输出层组成,输入层将特征作为输入,将其连接到隐藏层,其中的一个分支层用于学习成绩预测任务的特定分支层,另一个分支层用于课程推荐程度预测任务的特定分支层,分支层接收隐藏层的输出作为输入,并通过自身的全连接神经元和激活函数进行处理,预测学习成绩和课程推荐程度;
19、前向传播:神经网络将输入数据从输入层传递到输出层,其中的输出由激活函数和各层之间的权重来计算;
20、损失计算:在前向传播之后,将神经网络得到的预测结果与对应的尺寸等级进行比较,计算出一个损失函数的数值,其中损失函数衡量了预测结果与实际标签之间的差异;
21、反向传播:利用损失函数将误差反向传递回网络中,计算每个参数对于损失的贡献,通过链式法则,从输出层向输入层反向计算梯度,并根据梯度的方向更新每个参数的值,以最小化损失函数,最后根据计算得到的梯度信息,更新神经网络中的参数。
22、作为本技术方案的进一步改进,所述反馈单元根据预测的学习成绩和课程推荐程度采取不同的培训方案,具体包括:
23、根据课程推荐程度的结果数组,将相关课程的推荐程度发送给学生,学生根据各个课程的推荐程度选择自己合适的课程;
24、当预测学生成绩<60,帮助学生分解学习目标和阶段性任务,建立学习的结构和规划;提供学习策略和学习技巧的培训,通过记忆和笔记方法和专注力训练方法帮助他们提高学习效果;定期安排辅导或个人指导,了解学生在学习过程中的困惑和挑战;
25、当60≤预测结果分数<90,提供额外的学习资源,通过补充教材、案例研究和线下课程帮助他们填补知识和技能上的差距;提供学习策略和时间管理技巧的指导,提高学习效率和自主学习能力;定期安排辅导或讨论会,对学生的学习进行跟踪和指导,解答问题和提供反馈;
26、当预测结果分数≥90,推荐参加专业的研讨会、工作坊或竞赛活动,加深对相关领域的了解和应用;提供机会参与实践项目或实习,实践和巩固所学的知识和技能。
27、与现有技术相比,本专利技术的有益效果是:
28、1、该基于人工智能的职业培训管理平台的原理是利用数据收集技术对学生的相关本文档来自技高网...
【技术保护点】
1.基于人工智能的职业培训管理平台,其特征在于:包括数据收集和整理模块(100)、特征工程模块(200)、模型生成模块(300)和自动化评估和反馈模块(400),其中:
2.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述数据收集和整理模块(100)包括数据收集单元(101)和数据整理单元(102),所述数据收集单元(101)用于收集学生数据,通过平台数据库、问卷调查和学习平台的API接口来获取学生的个人信息和学习历史;所述数据整理单元(102)用于整理数据的特征列和标签列。
3.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述特征工程模块(200)包括特征转换单元(201)和特征标准化单元(202),所述特征转换单元(201)接收数据整理单元(102)整理过后的数据,并将数据转换为数值类型;所述特征标准化单元(202)接收特征转换单元(201)转换后的数据,并将数据进行标准化处理。
4.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述模型生成模块(300)包括数据划分单元(301)、
5.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述自动化评估和反馈模块(400)包括评估单元(401)和反馈单元(402),所述评估单元(401)接收模型调优单元(304)训练好的模型,并根据系统接收的实时学生数据利用训练好的模型进行学习成绩和课程推荐程度的预测;所述反馈单元(402)接收评估单元(401)预测的结果。
6.根据权利要求2所述的基于人工智能的职业培训管理平台,其特征在于:所述数据收集单元(101)收集学生的个人信息和学习历史,其中学生的个人信息包括性别、年龄、学历和专业,学习历史包括完成课程数量、完成课程进度、总学习时长、作业完成情况、平均成绩、课程推荐程度和最终成绩;所述数据整理单元(102)将数据中的性别、年龄、学历、专业、完成课程数量、完成课程进度、总学习时长、作业完成情况和平均成绩作为数据集中的特征列,将课程推荐程度和最终成绩作为数据集中的标签列。
7.根据权利要求3所述的基于人工智能的职业培训管理平台,其特征在于:所述特征转换单元(201)用于将特征值转换为数值类型,具体包括:
8.根据权利要求4所述的基于人工智能的职业培训管理平台,其特征在于:所述模型训练单元(302)根据训练集中的数据利用神经网络算法进行模型训练,具体包括:
9.根据权利要求5所述的基于人工智能的职业培训管理平台,其特征在于:所述反馈单元(402)根据预测的学习成绩和课程推荐程度采取不同的培训方案,具体包括:
...【技术特征摘要】
1.基于人工智能的职业培训管理平台,其特征在于:包括数据收集和整理模块(100)、特征工程模块(200)、模型生成模块(300)和自动化评估和反馈模块(400),其中:
2.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述数据收集和整理模块(100)包括数据收集单元(101)和数据整理单元(102),所述数据收集单元(101)用于收集学生数据,通过平台数据库、问卷调查和学习平台的api接口来获取学生的个人信息和学习历史;所述数据整理单元(102)用于整理数据的特征列和标签列。
3.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述特征工程模块(200)包括特征转换单元(201)和特征标准化单元(202),所述特征转换单元(201)接收数据整理单元(102)整理过后的数据,并将数据转换为数值类型;所述特征标准化单元(202)接收特征转换单元(201)转换后的数据,并将数据进行标准化处理。
4.根据权利要求1所述的基于人工智能的职业培训管理平台,其特征在于:所述模型生成模块(300)包括数据划分单元(301)、模型训练单元(302)、模型评估单元(303)和模型调优单元(304),所述数据划分单元(301)接收特征标准化单元(202)标准化后的数据,用于将数据集划分为训练集和验证集,将训练集发送给模型训练单元(302),将验证集发送给模型评估单元(303);所述模型训练单元(302)使用神经网络算法根据训练集进行模型训练,并将训练好的模型发送给模型评估单元(303);所述模型评估单元(303)接收数据划分单元(301)和模型训练单元(302)分别发送的验证集和模型,用于计算模型在验证集上的准确...
【专利技术属性】
技术研发人员:付鹏,刘斌,黄骁,吕品,李浩翔,
申请(专利权)人:北京华普亿方科技集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。