رویکرد داده کاوی و تحلیل وخوشه بندی رفتارآموزشی با الگوریتم k-means و Two-steps

توسعه روزافزون تکنولوژی های اطلاعاتی و ارتباطی باعث افزایش حجم دیتاست ها و ابعاد داده ها گردیده است به نحوی که نیاز به مدل های محاسباتی جدیدتر و پیشرفته تر که توانایی پردازش این قبیل داده ها را داشته باشند، روز به روز بیشتر احساس می شود. یکی از پردازش های مهم و کاربردی در زمینه تحلیل داده ها، خوشه بندی می باشد. خوشه بندی یک روش متداول در پردازش داده هاست. در نیم قرن اخیر الگوریتم خوشه بندی k-means به دلیل سادگی به پیاده سازی برای حل مسایل مختلف مورد استفاده قرار گرفته است. در این تحقیق با بکارگرفتن فرآیند داده کاوی از پایگاه داده موجود و گروه بندی اطلاعات آماری با استفاده از زمینه کاری خوشه بندی براساس مشخصه های ورودی، به استخراج نمایه سازهای توصیفی از خوشه ها پرداخته شده است و درنهایت ویژگی های دانشجویان و معیارهای موفقیت آموزشی تعیین می شوند. برای دسته بندی و خوشه بندی دانشجویان دو تکنیک پرکاربرد در خوشه بندی یعنی Two-steps , k-means بر روی پایگاه داده تحقیق اجرا خواهیم کرد و در نتیجه نتایج حاصل از هر دو تکنیک را به عنوان خروجی و نتایج تحقیق مورد ارزیابی قرار می دهیم