阵列11（2021）100064教学绩效Raed A.卡西姆·S说。Mwitondib，*阿拉伯联合酋长国b英国谢菲尔德哈勒姆大学商学院技术工程学院&A R T I C L E I N F O关键词：关联规则大数据CHEDS数 据 挖 掘 数据科学实习跨学科教育学扩展聚类SILPASMA算法可持续发展目标A B S T R A C T我们提出了一种跨学科的数据聚类方法，该方法基于最初为可持续发展目标的大数据建模（BDMSDG）开发的算法它的应用环境将机器学习技术的机制与基础教学领域知识相结合，统一了数据科学家和教育家在历史数据中搜索潜在有用信息的叙述。从最初的结构掩蔽，从两到五个集群的识别集的多个样本的结果，揭示了三个明确的集群的一致数量。我们从技术和软的角度提出并讨论结果，以促进跨学科和支持决策。我们解释了本文的发现如何不仅呈现了持续的聚类优化的连续性，而且还为旨在提高学生成绩的跨学科讨论提供了一个有趣的1. 介绍联合国可持续发展目标[1]将优质教育确定为实现可持续发展、提高生活质量、创新和创造力的基础。对教育部门的投资和教学创新是有据可查的，特别是在发达国家。然而，尽管有各种证据表明它对我们的生计产生了影响，但我们仍然看到世界各地在成就和表现方面存在巨大差距和差异。本文提出了一种跨学科的大数据建模方法，基于为机器学习技术设计的算法本文的主要动机是为教育工作者和研究人员拓展途径，以实现在跨学科背景下发现和分析这些因素的统一努力。 它试图通过跟踪隐藏在多个数据属性中的不可识别和潜在有用的信息来解决上述挑战。与Miguis等人[2]不同，Brooks等人[3]和Hua Leong和Marshall [4]，其中重点是静态群体的动态分割，本文采用大数据建模方法来跟踪11年（2005-2016）期间大学生表现的潜在触发因素（对19个变量的3639次观察）。这项工作遵循阿拉伯联合酋长国（阿联酋）教育部（MoE）学术认证委员会（CAA）的国家指导方针，该委员会有权向全国各地的教育机构颁发许可证、认证课程并授予学位和其他学术奖项指导上述过程的标准和机构必须满足的标准在机构许可和计划认证标准中有具体规定[5]。SILPA中明确规定[5]提供医学和其他健康相关学科、教育、工程等专业领域课程的机构必须提供通过工作经验学习的机会，如实习或实习。实习提供了一个结构化的实践学习经验，学生在学术上受到监督，并经历了严格的过程，以补充他们的理论学习。 在大学学位水平，实习通常是必需的，作为专业课程的一部分，因此，* 通讯作者。电子邮件地址：k. shu.ac.uk（K.S. Mwitondi）。https://doi.org/10.1016/j.array.2021.100064接收日期：2021年2月22日;接受日期：2021年4月12日2021年4月22日在线提供2590-0056/©2021作者。爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/journals/array/2590-0056/open-access-journalR.A.说，K.S. 姆维通迪阵列11（2021）1000642为学生提供机会，以实现他们所学到的理论，同时受到监督，以确保他们在正确的轨道上。 研究表明，通过实习，学生通过接触现实生活中的实验学习经验和机会，为他们的知识增加了更多的价值。本文的组织如下。第一部分介绍了本文的研究背景、研究动机、研究目的、研究对象和相关文献综述第2节详细介绍了方法-数据描述和建模技术，第3节介绍了实施、分析、结果和一般性讨论。最后，在第四节中，对本文进行了总结，指出了未来研究的新方向.1.1. 动机获得高质量的教育是全世界所有学习者、机构和国家的理想梦想Pumilia [6]，Meusburger [7]。联合国将优质教育确定为创造可持续发展的基础，从而自然提高生活质量、创新和创造力。在当今时代，我们产生的数据超过了我们可以处理的数据，这个问题既是挑战也是机遇。在一个典型的学术环境中，成千上万的多边人口统计学学生学习不同级别的多个模块，底层和结果数据属性是大数据的高度相关来源[8，9]。什么类型的数据，有多少数据，变化有多快，是研究人员必须经常处理的问题本文的一个主要动机是扩大教育家和研究人员的途径，以实现统一的努力，发现和分析这些因素在跨学科的背景下。预计这项工作将有助于为MoE收集重要教育数据的高等教育数据和统计中心的工作CHEDS [10]在机构和国家层面上制定高等教育政策和规划时做出基于证据的决策这有助教育界在竞争日益激烈的高等教育世界中增强实力和排名报告和分析将有助于促进学生的学习经验和课程设计。1.2. 研究目的和目标本文的目的是强调在跨学科背景下将机器学习技术应用于现实生活中的强大途径 它旨在解决优化大型数据集中自然出现的模式的问题-在集成的通用算法中应用聚类技术来检测和建模潜在相关的教育绩效数据属性。其目标如下：目标1至3侧重于工作的技术方面，而4和5则侧重于基础领域知识。1. 收集学生各学科表现的多个数据属性，并进行数据清理、数据整理和初步探索性分析，以深入了解数据。2. 根据选定的关键属性（专业化、学习水平、性别及其对绩效的潜在影响），探索内在模式迹象的初始数据3.基于标准聚类算法的机制，评估一种新算法的性能。4. 强调教育工作者、数据科学家和其他研究人员在让政策制定者、发展利益攸关方和公众参与使用生成的数据时应遵循的途径。5. 与不同学科的同事分享研究成果，为统一科学研究作出贡献。1.3. 初步研究Attwell和Pumilia [6]强调了在跨学科分析和共享结果方面锻造教学能力的必要性 他们特别重申在高等教育中使用开放源材料，主要是为了使学者和学习者能够方便地获得数据、信息和知识。多年来，对教学、学习和评估方面的数据驱动调查吸引了许多研究者和专业人士的兴趣，尤其是教育学家和数据分析师。本文着眼于这两个归巢到一个共同的跨学科的问题和解决方案。 前者寻求加强学习过程，后者主要侧重于为加强学习而部署的工具和技术。从表面上看，这两个可以被视为分别代表软技能和技术技能，但它们一起形成了一个跨学科的结构，学习过程可以在此基础上蓬勃发展。 近年来，跨学科作为一种学习方法得到了广泛的推广。例如Aikat et al.[12]，看到了研究生教育的学科间差距，因为它“.. 他们认为，缺乏跨学科的教学法剥夺了学生以数据为导向的方法，可以帮助他们“......将科学数据转化为应对当今关键挑战的新解决方案。因此，他们提出了一种以数据为中心的研究生教育教学法，将教育家和数据科学家的努力统一起来。本文受到上述叙述的强烈影响[6，12]，尽管它们之间存在十年的在学生数据属性中搜索潜在有用信息时，我们将采用他们的叙述。2. 方法我们提出的研究方法作为一个项目的集合，涉及到知识发展的时空背景下的因果关系&。下文所述的方法侧重于深入了解抽样学生的学习结构，使用可识别的属性作为驱动因素，通过无监督学习概念。其最初的想法来自[8，9]的预测建模，其中它已被应用于绘制和提供有关社会SDG集群的知识2.1. 数据源从阿拉伯联合酋长国的一所大学数据库中获得了3639个学生对19个变量的观察结果，时间跨度为2005年至2016年。表1中总结的最终数据属性是费力的数据准备和清理过程的结果，涉及4366个观察结果。2.2. 执行战略实施策略由模型优化驱动，通过采样-测量-评估（SMA）算法1[8，9，13]协调数据变异性。该算法可以适用于无监督和有监督的建模场景，并且在典型的无监督学习中，目标是根据同质性（异质性）的一些度量来聚类数据对象，重点是参数估计和似然性。实施从EX探索性数据分析（EDA）开始，以Fisher相关性呈现表1中的数据R.A.说，K.S. 姆维通迪阵列11（2021）1000643|{z}|{z}n2b-i2ð Þ.ΣðÞ ¼p1联系我们- j ¼2g2K1 2;j1C各种各样的方法，其中最常见的方法是大都市-表1选定学生代码变量类型描述IST机构性质学生所在的大学注册学习东德性别 二元制学生性别NTA国籍 字符学生的原籍国CPS校园特色大学校园，学生学习TYP类型字符已开始并继续或从别处LVL水平字符学习水平，如文凭，第一分布（4）第（4）款x;y~D算法1SMA-抽样、测量、评估1：SMA手术第二章：集合X1/4/2xi;j]：可解释的数据源第三章：LearnF基于选定的学习模型x;y~D学位或研究生SPC专业化特征广泛的专业化与学生专业MJR主要 角色学生的专业领域PCD ProgramCreditsNumeric上的积分总数成绩单计算至毕业RCP RegCreditsPrev数字积分注册开始日期上一个春季学期PVC PrevCreditsComplete数字积分已成功完成，上一个春季学期已登记于本学年CMC累计 积分数值累计积分超过学期CGP CumulativeGPA数字累积GPA开始至最后一次登记QES资格退出分数合格奖励的百分比分数-即，高中生GPAINT InternSectorCharacter行业，行业实习机构BSG BeforeSemGPA数字记录的GPA实习ISG InSemGPA数字记录在学期GPA四：将迭代次数设置为一个较大的数字K第五章：初始化：Θtr：θtr：θ：训练参数6：初始化：Θts：Θts：：测试参数第七章：初始化：比较参数8：初始化：s为½xv;τ]的百分比;例如1%九：str：从X提取的训练样本xv;τ]xi;j]10点整：sts：从X½xi;j]中提取的供试品xv;τ]xl6i;j]十一日：fori：1/41→Kdo：设置K为大，并搜索最优值12：当s≤½xν的50%;τ]将样本量变化至X的最接近整数50%13：培训取样：str←X14：检测取样：sts←X15：用当前参数拟合训练和测试模型Ltr;tsΦ：tr;ts16：更新训练参数：Θtr：←θtr17：更新测试参数：Θts：←θts第18章：一夜情Φ：trwithΦ：ts：Plotting orotherwise 19：更新比较参数：： cp←Φ：tr;ts20：评估：P=D;POP≥B;POP=1惠E½D;POP-B;POP]<$E½Δ]≥0第21章：结束二十二：端ASG AfterSemGPA实习后数字第23章：输出最好的模型24：结束程序Lctr;ts基于E½Δ]≥0形式如下Pnby-y2我-我SSESSTjjejj2y0y-η yPne2nyy2012SMA算法还迎合关联规则，其可用于调查表1中的数据属性之间的关联和数据聚类，用于调查变量之间的变化和数据聚类。自然形成的自然结构。估计数可以在η2¼Pi1/4-1/4-1/4-P（一）方程（1）在多元回归场景中成立，其中，拟合值和平均值之间的偏差由由于线性关系的偏差[14]。我们可以用聚类分析[15]和[16]根据这种类型的相似性措施对学生进行分组。 也就是说，给定数据X[i;j]，并且假设k个不同的聚类，即， 对于每个向量j <$1;2;...;ckg;每个都有一个指定的质心，对于每个向量j<$1;2;...10;我们可以获得从vj2X到集合fx1;x2;...xkg中每个剩余点的最近质心的距离，如下所示Djx1; x2;1≤l≤k其中xkX和d：是所采用的距离测量，并且聚类目标将是最小化从X中的每个数据点到最近质心的距离之和也就是说，C的最优划分需要识别k个向量x*; x*;Hastings算法，基于Markov Chain Monte蒙特卡洛（MCMC）模拟技术[17]，允许从概率分布，只要密度函数可以被评估。2.3. 分析顺序执行过程是一系列逻辑步骤。我们部署了EX 探索性数据分析（EDA），以提供对学生数据属性的一般行为的理想情况下，EDA应该通过理解数据可视化和其他摘要的分析和结果的解释来指导。 基于EDA的数据洞察，我们采用无监督建模，通过部署基于有限传播聚类（APC）算法的算法1来实现，如最初在[ 18 ]中描述和[ 19 ]中说明的。它的原始思想是合并数据集群，直到满意的SIM水平实现了相似性（或相异性）这种类型的集群合并仅求解方程（3）中的连续优化函数。fx;xming2Rnfx1;x2;最小化将取决于C中的初始值，因此，如果我们让zi<$1;2;计算μE x和δμk μyKC z给定标记数据，EDA输出提供对数据特别是属性与目标变量的关系通常，SMA然后学习等式（4）中的模型，其中D是基础如果数据集具有不小于算法规定的初始数量的固有聚类，则可能，因此是EDA的基本原理。此外，应该可以从数据中重复提取样本然后可以合并成一个集群Frey和Dueck [18]。描述合并的聚类作为最大化平均相似性水平的样本 通过反复的抽样和验证，我们将更好地了解集群形成的影响因素。 在接下来的阐述中，我们描述了通过算法1部署的传播聚类的机制[8，9]。如果我们让其中i<$1;2;...; n和j <$1; 2 ;...; p（5）是源数据集，假设k个不同的我R.A.说，K.S. 姆维通迪阵列11（2021）10006442nzns2nzns- 基于指示符变量zi1; 2;...; n z和s i 1 ; 2 ;...; n s重复地提取样本根据某些相似性的度量对学生进行分组的初始步骤。3.1. 图形数据可视化exempz;sargmaxPj2C½z[s]Di;j（六）图中的两个面板。 1提供对现有频率的基本见解i2C½z[s]nzns根据三个关键属性-专业化、学习水平和性别-确定数据结构最受欢迎的课程是法律、教育和其中Di;j是具有对应于所述相似性矩阵的索引的相似性矩阵X两个样本中的第i和第j项相似性度量的选择取决于应用程序和用户定义。然后合并目标计算为工商管理学士和文凭水平。 女性在三个最受欢迎的课程中占很大比例。她们在教育方面占主导地位，在工商管理方面占有一席之地，在法律入学人数中占34%以上。除了关键绩效指标，我们还将使用基线objz;s1Pρ2zDexemptizz;sρPν2sDexemptizz;sνnsPρ2zDexemptizz;sρnsPν2sDexemptizz;sν（七）3. 执行、分析和结果执行过程是一系列逻辑步骤。从探索性数据分析（EDA）的见解指导了算法1的应用，该算法基于最初在[18]中描述并在[19]中说明的EDA在确定研究问题和目标方面起着至关重要的作用我们在此采用它，以上统计数据是我们分析的重点图中的六个面板。 2提供了平均成绩（GPA）指标的基本分布模式，它们通常提供了关于聚类数量的粗略概念，从而突出了无监督建模的路径。我们的实施策略是由两个图中的结构驱动的。 1和2.Fig. 1. 原始学生数据中的基础分布。R.A.说，K.S. 姆维通迪阵列11（2021）1000645图二. 实习前、学期内和实习后的平均绩点记录的直方图和方框图图中的六个面板。 2展示了前实习生和后实习生学期之间的整体GPA分布，似乎相当相似。由于我们的兴趣是检测自然产生的结构，我们可以检查不同带宽的分布图3表明，只有在非常低的带宽，我们可以检测到潜在的结构化在每一个GPA类别更明显的前学期比其他两个。学期前、学期内和学期后的平均GPA3.11和2.84，分别表明在图3.11和2.84中的左上图中的伪簇或掩蔽。 3. 在接下来的论述中，我们将从法律、教育和工商管理这三个主导学科的密度方面进行进一步的探讨图三. 在不同带宽下绘制的三个GPA等级的密度。R.A.说，K.S. 姆维通迪阵列11（2021）10006463.2. 无监督建模Affinity传播聚类算法为GPA数据生成了大量重叠的聚类。 图 4显示了两个，三个，四个和五个集群，他们都表示分离不是基于平均GPA。因此，我们仔细研究数据，以建立集群形成的基础见图4。 从左上R.A.说，K.S. 姆维通迪阵列11（2021）1000647表2a根据选定的属性显示了每个检测到的聚类中第一列中的行，对于两个集群组中的集群1和2，编码为C12，C22，对于五个集群组中的集群1到5，编码为C15到C55其余列表示来自专业化和性别属性的数据。表2b显示了每个选定类别的平均GPA水平这些统计数据可能是有用的，因为课程的选择，专业化和表现取决于各种因素包括教学和交付的质量，课程组织和一般管理以及学生收到的评估和反馈[20]。这些统计数据可以帮助阿联酋[10]做出基于证据的决策，以指导和指导各级高等教育的政策和规划。表2表2a及表2b所载各选定类别的抽样入学比例及平均成绩.一总线Adm.教育法女性男性C120.2160.2330.4580.5410.458C220.1870.2570.4580.5540.445C130.2140.2450.4510.5350.464C230.2080.2370.4630.5510.448C330.1680.2620.4630.5660.433C140.2110.2540.4520.5600.439C240.2150.2330.4590.5480.451C340.1660.2720.4540.5640.435C440.2010.2340.4680.5220.477C150.2060.2520.4770.5450.454C250.2000.2100.5050.4860.513C350.1670.2680.4600.5560.443C450.2130.2320.4610.5520.447C550.2070.2680.4110.5800.419B总线Adm.教育法女性男性C123.5533.5643.5513.5613.550C222.5212.4932.5052.5002.508C132.9302.8892.9152.9052.921C233.6623.6553.6403.6503.652C332.1392.1872.1882.1922.173C142.8692.8352.8582.8492.861C243.6273.6393.6213.6293.627C342.0852.1612.1342.1512.126C442.8772.8602.8632.8492.878C152.8592.8132.8212.8122.843C252.9032.8672.8772.8472.901C352.0442.1172.1002.1082.095C453.6573.6693.6433.6523.656C552.8562.8302.8582.8432.855R.A.说，K.S. 姆维通迪阵列11（2021）1000648图5中的两个图分别对应于表2a和2b中的值。左手边小图的横轴对应三个专业类别和性别，按两个表中的顺序排列，纵轴代表类别百分比。右侧面板上的水平轴显示了表2a第一列所示的14个聚类，而垂直轴显示了平均GPA。 通过在线进行目视检查，聚类重叠是明显的-在同一水平线上的那些具有相似的分数。提出了一个明确的结论，根据采样数据的GPA性能，我们可以隔离三个不同的集群，集中在GPA 3.5，3.0和2.5和2.0之间。必须指出的是，有三个组群既取决于职等，也取决于性别，而两个小组并没有加以区分。虽然一个表格详细说明了在每个图五、 在LHS面板上的包围比例和在RHS上的GPA表现。如前所述，图4中的聚类严重重叠。因此，为了确定采样数据中聚类的最佳数量，我们回头参考图1中的密度。 3和入学比例和GPA平均在图。五、通过算法1的重复采样产生了图1中一致的GPA平均性能密度。第六章类别可能是有用的，这是必要的解释这样的数据与其他相关的属性，如图的左手侧面板。 五、14个聚类中的每个聚类的数据可用于潜在的未来检查。图第六章在不同带宽下多次运行的平均GPA 的最佳3簇结构。图中的图案。6是采样数据中底层结构的最佳表示。 它们是根据图1中聚类内部数据的多次采样获得的。 四、两个面板4. 结束语和一般性讨论该文件试图解决一个一方面是R.A.说，K.S. 姆维通迪阵列11（2021）1000649þ专注于大数据建模的技术方面，基于SMA算法[8，9]的机制部署了亲和力聚类算法[18，19]另一方面，它侧重于企业发展管理的软的、跨学科的方面，即，将机器学习技术应用于跨学科背景下的实际应用。在第3.1和3.2小节中满足目标1至3。必须指出的是，根据本文中的设置可以进行更多的分析。然而，该应用程序的范围被限定为原始19个属性中的3个，即，专业化、级别和性别，以便在有限的跨学科解释下适应既定目标的技术方面。因此，本文件提出的结论旨在实现目标4和5，即：它们应该开启新的讨论，并强调涉及数据科学家和教育家的跨学科研究的新途径命名法A第一封信w另一封信x特殊符号y一封信z最后一个字母缩写APC有限传播聚类BDM大数据建模BDMSDG可持续发展目标CAA学术认证CHEDS高等教育数据和统计中心即使在这种有限的应用中，我们的发现表明，EDAEX探索性数据分析将跨学科方法纳入大学课程的巨大潜力，将领域科学与数据科学结合在一起。SMA算法的进一步测试和评估可以使用广泛的无监督和监督技术，以及19个数据属性的任何组合进行算法1也能够处理关联规则，最初开发用于分析购物交易Agrawal等人。[21 ]第20段。在这个特定的应用中，关联规则可以在无监督建模和监督建模之间起到统一的作用，因为它们可以捕获学生的数据属性之间的潜在关联规则 我们希望该文件的技术和软件方面越来越多地吸引注意力，在各个部门的合作，跨学科的研究活动。最后，正如Aikat et al.[12]，我们的论文通过真实数据表明，发现成就和绩效触发因素不能局限于领域知识的孤岛，也不能局限于数据科学家开发的算法。只有通过跨机构的合作研究，共享数据和发现才能实现统一的理解。这项工作的成果将为阿拉伯联合酋长国高等教育数据和统计中心（CHEDS）提供有用的投入，以加强跨学科的教育绩效。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。确认本文是两位作者在过去三年中参与的可持续发展目标大数据建模（BDMSDG）和DSF应用的持续倡议的一部分我们要感谢许多在不同发展阶段与我们讨论这些倡议的个人和机构 我们特别感谢南非科学与工业研究委员会（CSIR）（https://www.csir.co.za/）通过南非数据密集研究倡议（DIRISA）所发挥的作用，他们曾多次邀请我们到比勒陀利亚展示我们的发现。我们还感谢通过日本极地环境数据科学中心（PEDSC ）（ http://pedsc.rois 。 ac.jp/en/ ） 、 联 合 国 世 界 数 据 论 坛 （ UNWDF ）（https：//unstats.un.org/unsd/undataforum/index.html）和苏塞克斯大学 的 苏 塞 克 斯 可 持 续 发 展 研 究 计 划 （ SDG 互 动 ）（https://www.sussex.ac.uk/ssrp/research/sdg-interactions）。最 重要的是，我们感谢阿联酋MoE的CHEDS为这项工作提供了原始数据。GPA平均成绩MCMC马尔可夫链蒙特卡罗MoE 教育部PCA主成分分析SILPA机构许可和课程认证标准SMA抽样-测量-评估UAE阿拉伯联合酋长国数据可用性如第3.2节所述，本研究中使用的数据属性是作者通过半自动随机选择和清理过程获得的它们被重新格式化以适应所采用的建模策略，因此，数据只能从作者那里获得，如果他们被要求，他们保留了原始和修改后的资金这项工作没有得到任何赠款的支持，而是由他们各自的机构分配给两位作者作者贡献由于之前的联合工作，两位作者对这项引用[1] SDG。可持续发展目标。2015.https://www.un.org/sustainabledevelopment/sustainable-development-goals/.[2] MiguisVL，Freitas A，Garcia PJV，Silva A. 根据学习成绩对学生进行早期细分：预测建模方法。Decis SupportSyst 2018;115：36- 51.[3] 放大图片BrooksC，Erickson G，Greer J，Gutwin C. 模拟和量化学生在讲座捕获环境中的行为。Comput Educ2014;75：282- 92.[4] Hua Leong F，Marshall L.使用无监督机器学习技术对编程学生的参与建模。 GSTFJ Comput 2018;6.[5] 希尔帕。机构许可和程序认证标准阿联酋：教育部; 2019年。[6] Attwell G，Pumilia P.开放内容的新教学法：将生产，知识，发展和学习结合在一起。 Data Sci J 2007;6：S211S219.[7] 默斯堡山口In：Meusburger P，Glückler J，el Meskioui M，editors. 知识与经济。Dordrecht：Springer Netherlands; 2013.p. 15-42[8] Mwitondi K，Munyakazi I，Gatsheni B.联合国可持续发展目标对大数据建模的适用性。在：数据科学国际研讨会-开放数据和开放科学的现在和未来，2018年11月12日至15日，数据科学研究联合支持中心。三岛，静冈，日本：三岛市民文化馆; 2018年。[9] MwitondiK，Munyakazi I，Gatsheni B. 发展科学的跨学科数据驱动框架。比勒陀利亚，RSA：DIRISA国家研究数据研讨会;2018年。CSIR ICC，2018年6月19日至21日。R.A.说，K.S. 姆维通迪阵列11（2021）10006410[10] 切兹。高等教育数据和统计中心阿联酋：教育部; 2018年。[11] Parsons MA，Godøy Gillystein，LeDrew E，de Bruin TF，Danis B，TomlinsonS，Carlson D.一个概念框架，用于管理复杂的跨学科科学的各种数据。J InfSci2011;37：555- 69.[12] Aikat J ， Carsey TM ， Fecho K ， Jeffay K ， Krishnamurthy A ， Mucha PJ ，Rajasekar A，Ahalt SC.大数据时代的科学培训：研究生教育的新教学法。大数据2017;5.[13] MwitondiKS，Said RA，Zargari SA. 一种鲁棒的域划分入侵检测方法。Journal ofInformation Security and Applications2019;48：102360.[14] Kim K， Timm N.单变 量和 多变 量一 般线 性模 型。 New York ：Chapman andHall/CRC; 2006.[15] Chapmann J.机器学习算法。独立出版平台; 2017年。[16] Kogan J. Introduction to Clustering Large and High-Dimensional Data.剑桥大学出版社; 2007.[17] 黑斯廷斯WK。基于马尔可夫链的蒙特卡罗抽样方法及其应用。Biometrika1970;57：97- 109.[18] Frey BJ，Dueck D.通过在数据点之间传递消息进行聚类2007;315：972- 6。[19] Bodenhofer U，Kothmeier A，Hochreiter S APCluster.一个R包，用于AfffinityPropagation Clustering。Bioinformatics2011;27：2463- 4.[20] 作者：A，C，D.英国大学生满意度变化决定因素的10年案例研究。 PloS One2018;13：1- 15.[21] AgrawalR，Imielin'skiT，SwamiA. 挖掘大型数据库中项目集之间的关联规则。SIGMOD Rec1993;22：207- 16.
我的内容管理
展开
