学生行为数据分析的深度学习建议

摘要

在本学习中，收集了八项数据。这八项数据通过调查和访谈获得，部分数据通过智能可穿戴设备获取后进行分析。借助各种传感器和人工智能，传统学习模型的数量能够通过算法有效学习。因此，本学习建议基于深度学习教学模型的学习活动，作为提高数据分析思维能力的教学方法。模型通过观察给定的数据，分析学习活动数据并设计数据模型。

I. 引言

大数据和人工智能对世界产生了巨大影响，关于数据挖掘的讨论持续不断。海量数据使得大数据能够使机器学习和深度学习具备与人类相同的判断力和智能。各种传感器、摄像头、平板电脑、智能手机和可穿戴设备，将成为未来人工智能课堂的典型基础系统。大数据分析和人工智能通过算法帮助指导学生更有效地学习。近期准备好的传感器检测数据，以及计算通信和网络技术，可用于学习活动。教室中建议采用多种传感器、摄像头、智能手机和可穿戴设备，这将成为未来人工智能感知教室的典型基础系统。

II. 深度学习建模

在这项学习中，我们通过深度学习对8种类型的数据进行分析，并验证了仿真结果。最佳的学习成果来自思维生成数据，以通过算法有效地学习和指导。

表I. 输入数据、输出数据值和类别值

阅读
本工作由韩国政府产业通商资源部资助的韩国能源技术评价院 (KETEP)人力资源开发项目（编号：20184030202070）支持，以及由大韩民国韩国能源技术评价院(KETEP)和产业通商资源部(MOTIE)（编号：20172010000470）支持。

八个数据集是输入数据，例如旅行经历、心率、半平均温度、平均睡眠时间、平均学习时间、班级规模、父母平均年龄和平均阅读量（年）。我们通过数据收集与分析、有效学习活动状态、智能手机和可穿戴设备以及人工智能识别，提出了最优的学习成果模型。该模型在多层感知机 (MLP)的基础上增加了一个隐藏感知层。学生的数据首先被划分为样本、属性和类别。运行深度学习时，必须先区分属性和类别。左侧0到14为样本，从旅行到书籍的值为属性。然后，我们提取决定输出结果的类别。

此外，可能需要进行数据预处理以提高模型的准确性。
了解数据的最佳方法是使用相关库中的pandas来加载数据。
使用describe函数来可视化样本数量、均值、标准差。最小值为25%、50%和75%。最大值通过describe函数获得。

为了准确地可视化数据，我们以浮点形式提取了数据。
分别分析对应25%、50%和75%的数值，以识别学生的学习活动。通过这种方式，收集了通过各种路径解决问题的数据。

III. 数据可视化算法

基于深度学习的数据分析建模，可以使用Seaborn库来查看信息之间的相关性。图3显示学习值的数量超过40个。
在基于TensorFlow的深度学习中，通过设置Numpy种子值和TensorFlow种子值以获得恒定结果。为了设计数据收集、分析和利用的各个阶段，并提升数据分析思维，需对数据使用的各个阶段进行可视化。在数据输入后，为了理解深度学习的整体流程，需要采取多种步骤来优化连接。

人工神经网络根据隐藏层的数量被划分为深度学习。
在图3中，最显著的部分是表示是否上大学并就业的类别值。
在类别分类中，从旅行到书籍的相关性用数字表示，数字越高，颜色越亮。该图表显示，学习值与类别值的相关性最高。换句话说，可以预测该值在得出结论时起着最重要的作用。

该图通过Seaborn库中的热图函数显示数值间的相关性。该函数通过配对两个值的表达式来观察模式变化，当两个值变为完全不同的模式时输出0，当模式变为相似时输出接近1。

IV. 结论

研究中使用的数据量较小，但需要进一步的研究。深度学习数据分析准确率为81%。为了设计数据收集、分析和利用的各个阶段，提升数据分析思维，需将使用数据的所有阶段进行可视化。在输入数据后，为了让深度学习的整体流程能够被识别，需要多个步骤来优化连接。用于分析学习活动数据的模型是一种通过对给定数据的观察过程进行建模并加以泛化的建模方法。Sigmoid函数适用于二分类函数。它基于某个值判断结果为零或一来进行分类。
随后，内部隐藏层的激活函数改用称为ReLU的激活函数，该函数在遇到小于零的值时容易返回零，在遇到大于零的值时则返回该正值。该数据分析技术是一种统计方法，并通过在深度学习模型中添加隐藏层构成一个二分类问题，即从两个选项中确定其中一个。重复该模型直到再次输入为止。在深度学习模型中再增加一个隐藏层后，模型结构如下所示。