Studentų iškrentamumo prognozės sistema
Vinogradova-Zinkevič, Irina | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Medvedev, Viktor | Darbo gynimo komisijos narys / Thesis Defence Board Member |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Darbo tikslas - sukurti, remiantis studentų duomenų rinkiniu, mašininio mokymo pagrindu veikiantį studentų iškritimo iš universiteto prognozavimo modelį. Darbe buvo ištirti veiksniai, lemiantys studentų studijų nutraukimą, ir pritaikyti duomenų gavybos bei mašininio mokymo metodai, skirti šiems veiksniams identifikuoti. Darbo metu atlikta literatūros analizė, susijusi su švietimo duomenų gavyba, studentų iškrentamumo faktoriais ir prognozės metodais. Suprogramuotas ir apmokytas studentų iškrentamumo modelis, naudojant statistinę analizę ir tokias klasifikavimo priemones kaip neuroniniai tinklai, atraminių vektorių klasifikatoriai, atsitiktinio miško ir artimiausių kaimynų metodai. Modelio tikslumas ir veiksmingumas įvertinti per eksperimentinę validaciją. Remiantis tyrimo rezultatais, identifikuoti studentų iškritimo veiksniai ir klasifikatorių prognozavimo tikslumas. Darbą sudaro įvadas, literatūros ir prognozavimo metodų apžvalga, duomenų ir duomenų gavybos analizė, siūlomo būdo aprašymas ir realizacija, išvados ir literatūros sąrašas. Darbo apimtis - 75 puslapiai be priedų, 61 paveiksliukas, 37 lentelės, 3 Python ir 1 R kodas.
Objective of the study - To create a machine learning-based model for predicting student dropout from university, utilizing a dataset of student data. The study investigated factors influencing student attrition and applied data mining and machine learning methods to identify these factors. A literature review related to educational data mining, student dropout factors, and forecasting methods was conducted during the study. A student dropout model was programmed and trained using statistical analysis and classification tools such as neural networks, support vector machines, random forest, and nearest neighbor methods. The accuracy and effectiveness of the model were assessed through experimental validation. Based on the research findings, the factors influencing student dropout and the accuracy of the classifiers were identified.Content of the work includes an introduction, a review of literature and forecasting methods, data analysis and data mining, a description and implementation of the proposed approach, conclusions, and a bibliography.Extent of the work - 75 pages excluding appendices, 61 figures, 37 tables, 3 Python codes, and 1 R code.