بهبود شبکه ی عصبی تابع پایه ی شعاعی جهت مدلسازی و پیش بینی دانش کاربران در محیط یادگیری الکترونیکی
عنوان مقاله: بهبود شبکه ی عصبی تابع پایه ی شعاعی جهت مدلسازی و پیش بینی دانش کاربران در محیط یادگیری الکترونیکی
شناسه ملی مقاله: SENACONF02_186
منتشر شده در دومین کنگره سراسری فناوریهای نوین ایران با هدف دستیابی به توسعه پایدار در سال 1394
شناسه ملی مقاله: SENACONF02_186
منتشر شده در دومین کنگره سراسری فناوریهای نوین ایران با هدف دستیابی به توسعه پایدار در سال 1394
مشخصات نویسندگان مقاله:
نرگس پروانه - دانشگاه آزاد اسلامی واحد علوم و تحقیقات لرستان
خلاصه مقاله:
نرگس پروانه - دانشگاه آزاد اسلامی واحد علوم و تحقیقات لرستان
گستردگی تحولات در فن اوری اطلاعات، موجب پدید آمدن نوع جدیدی از یادگیری به نام یادگیری الکترونیکی شده است. در این تحقیق به شناسایی سطح دانش یادگیرندگان با استفاده از رویکرد داده کاوی پرداخته شد. به منظور ایجاد مدل پیشنهادی از شبکه عصبی RBF بهبود یافته استفاده شد. به منظور بهبود این شبکه عصبی از الگوریتم آموزش سه مرحله ای استفاده شد که در مرحله اول از ترکیبی از الگوریتم بهینه سازی گروه ذرات و k میانگین، در مرحله دوم از الگوریتم نزدیک ترین k همسایه و در فاز سوم از الگوریتم تندترین کاهش استفاده شد. سپس در ادامه ایجاد مدل به بررسی مشخصه های یادگیرندگان پرداخته شد و چهار مشخصه مناسب به منظور پیش بینی متغیر کلاس که همان سطح دانش یادگیرندگان بود ایجاد شد. در نهایت به منظور ارزیابی مدل ارائه شده ، داده های آموزش دوره های مجازی در مجتمع فنی تهران در نظر گرفته شدند. نتایج حاصل از دوره موفقیت و رضایت تحصیلی یادگیرندگان دوره ی با مدل پیشنهادی در مجتمع فنی تهران را نشان می دهد.
کلمات کلیدی: یادگیری الکترونیکی ، داده کاوی ، الگورتیم بهینه سازی گروه ذرات ، شبکه عصبی تابع پایه ی شعاعی ، الگوریتم K میانگین
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/399676/