教育数据挖掘技术与应用

本书结合案例，深入浅出地讲解了复杂的数据分析技术，选用教育领域的数据进行预处理、降维、预测、聚类、关联分析、时间序列分析和社会网络分析，并结合微视频讲解案例操作，形成立体化教材。本书在内容设计上具有实践性，在表现形式上具有富媒体性，便于读者理解和掌握

本教材首先深入剖析教育数据的特征，提出教育数据挖掘技术的目标和应用前景，梳理教育领域常用的数据挖掘技术，揭示教育数据挖掘的本质。随后，从教育数据采集与预处理、教育数据降维、分类与预测、关联分析、聚类分析、滞后序列分析、社会网络分析等方面介绍教育数据挖掘的原理和实践。 本教材不仅阐释了决策树、人工神经网络、支持向量机、朴素贝叶斯分类器、二项Logistic回归、Apriori关联分析、K-Means聚类、层次聚类、滞后序列分析、社会网络分析等数据挖掘方法与技术的基本原理，也利用SPSS Modeler、GSEQ、UCINET、Gephi等软件，结合案例和实践操作对这些方法与技术的应用进行了全面的介绍。

"丁继红，博士，副教授，致力于教育大数据挖掘与学习分析等研究，主持国家自然科学基金项目、浙江省哲学社会科学规划课题等共5项，以第一作者身份发表SSCI/SCI、CSSCI论文共10余篇，获得浙江省教育科学研究优秀成果二等奖1项。主讲“教育数据挖掘技术与应用”“大数据技术原理及教育应用”“教育大数据高级分析与应用”等课程，获得首届中国职业技术师范院校教学技能大赛二等奖。 "

第1章 教育数据挖掘概述
1.1 数据挖掘及其要解决的问题
1.2 教育数据的来源和特点
1.3 教育数据分类
1.4 教育数据挖掘的目标和价值
1.5 教育数据挖掘技术概述
本章小节
第2章 教育数据采集和预处理
2.1 教育数据采集
2.2 初始数据存在的杂乱性
2.3 数据清洗
2.4 数据集成
2.5 数据变换
2.6 数据规约
2.7 教育数据预处理应用案例
本章小节
第3章 教育数据降维
3.1 数据降维概述
3.2 两种数据降维方法
3.3 特征选择数据降维方法
3.4 特征提取数据降维方法
3.5 特征选择数据降维方法在教育数据中的应用案例
3.6 特征提取数据降维方法在教育数据中的应用案例1
3.7 特征提取数据降维方法在教育数据中的应用案例2
本章小节
第4章 决策树、人工神经网络和支持向量机
4.1 分类预测概述
4.2 决策树
4.3 C5.0算法及其应用
4.4 决策树应用案例
4.5 人工神经网络
4.6 神经网络应用案例
4.7 支持向量机
4.8 支持向量机应用案例
本章小节
第5章 朴素贝叶斯分类器、贝叶斯网络和二项Logistic回归
5.1 贝叶斯概率和贝叶斯定理
5.2 朴素贝叶斯分类器
5.3 朴素贝叶斯分类应用案例
5.4 贝叶斯网络
5.5 贝叶斯网络应用案例
5.6 二项Logistic回归分析
5.7 二项Logistic回归分析应用案例
本章小节
第6章 关联分析
6.1 关联分析概述
6.2 Apriori算法
6.3 经典应用案例——购物篮关联分析
6.4 教育应用案例——学习行为关联分析
本章小节
第7章 聚类分析
7.1 聚类分析概述
7.2 K-Means聚类及应用
7.3 层次聚类及其应用
7.4 两步聚类及其应用
7.5 Kohonen网络聚类
本章小节
第8章 滞后序列分析
8.1 行为序列分析和滞后序列分析概述
8.2 滞后序列分析工具
8.3 基于滞后序列分析法的学习行为分析流程
8.4 基于滞后序列分析法的学习行为分析应用
8.5 基于滞后序列分析法的学习行为分析应用案例
本章小节
第9章 社会网络分析
9.1 社会网络分析概述
9.2 社会网络分析过程和方法
9.3 UCINET
9.4 Gephi
本章小节