专栏首页arxiv.org翻译专栏利用人口统计学特征的人工神经网络预测学生成绩

利用人口统计学特征的人工神经网络预测学生成绩

许多研究人员使用大量的数据挖掘技术研究了学生在有监督和无监督学习中的学习成绩。神经网络通常需要更多的观测数据来获得足够的预测能力。由于增加的贫困毕业生,有必要设计一个系统,有助于减少这种威胁以及降低学生的发生率有重复由于表现不佳或有完全辍学在追求他们的事业。因此,有必要研究每一种方法以及它们的优缺点,以便确定在何种情况下哪种方法更有效。这项研究的目的是开发一个系统与人工神经网络预测学生成绩使用学生人口特征,以便帮助学校利用被录取学生以前的学习成绩来选择有高成功率的候选人(学生),最终培养出高质量的学校毕业生。该模型是基于某些选定的变量作为输入而开发的。它的准确率超过92.3%,显示出人工神经网络作为一种预测工具和大学录取标准的潜在有效性。

原文题目:Prediction of Students’ performance with Artificial Neural Network using Demographic Traits

原文:Many researchers have studied student academic performance in supervised and unsupervised learning using numerous data mining techniques. Neural networks often need a greater collection of observations to achieve enough predictive ability. Due to the increase in the rate of poor graduates, it is necessary to design a system that helps to reduce this menace as well as reduce the incidence of students having to repeat due to poor performance or having to drop out of school altogether in the middle of the pursuit of their career. It is therefore necessary to study each one as well as their advantages and disadvantages, so as to determine which is more efficient in and in what case one should be preferred over the other. The study aims to develop a system to predict student performance with Artificial Neutral Network using the student demographic traits so as to assist the university in selecting candidates (students) with a high prediction of success for admission using previous academic records of students granted admissions which will eventually lead to quality graduates of the institution. The model was developed based on certain selected variables as the input. It achieved an accuracy of over 92.3 percent, showing Artificial Neural Network potential effectiveness as a predictive tool and a selection criterion for candidates seeking admission to a university.

原文链接:https://arxiv.org/abs/2108.07717

原文作者:Adeniyi Jide Kehinde, Abidemi Emmanuel Adeniyi, Roseline Oluwaseun Ogundokun, Himanshu Gupta, Sanjay

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 滴滴大数据算法大赛Di-Tech2016参赛总结

    ---- 写在前面 题目描述 建模方法 特征工程 我的几次提升方法 从其他队伍那里学习到的提升方法 总结和感想 神经网络方法的一点思考 大数据量与分布式计算...

    机器学习AI算法工程
  • 项目管理中AI技术的正确打开方式

    企业的项目管理(PM)会产生很多数据,包括项目计划、执行和结束过程中生成、捕获和存储的数据。这些数据提供了关于项目目标、参与者、过程、结果、性能或失败等的许多细...

    HuangWeiAI
  • 机器学习两次浪潮|机器学习

    第一次浪潮:浅层学习 20世纪80年代末期,用于人工神经网络的反向传播算法(也叫Back Propagation算法或者BP算法)的发明,给机器...

    陆勤_数据人网
  • 了解人工智能之基础概念-基本概念问答

    ? 摘要: 本文对人工智能领域的一些基础知识进行了普及。对刚刚接触机器学习的人们会有不小的帮助。 在关注了机器学习一段时间以后,最近我开始投入到这个领域的研究...

    小莹莹
  • Deep Learning综述[下]

    用户1631856
  • 主题模型LDA

    主题模型(topic model)是以非监督学习的方式对文集的隐含语义结构(latent semantic structure)进行聚类(clustering)...

    润森
  • 开学选课难?清华联合伯克利用算法帮你荐课,还能提高拿A几率

    别担心,现在有AI来帮你定制适合你的课程啦!清华大学和加州大学伯克利分校的研究者们发表了一篇研究,他们开发了一种循环神经网络(Recurrent Neural ...

    大数据文摘
  • 【金猿案例展】某基金管理公司:智能量化投资平台建设

    本案例由九章云极投递并参与评选,数据猿独家全网首发;更多关于【金猿榜/奖·2019征集评选】的相关信息,请点击这里了解详情丨征案例、征文章、征产品=评企业、评人...

    数据猿
  • 第四次产业革命:始于人工智能 | 周末长文

    T客汇官网:tikehui.com 撰文 | 徐婧欣 ? 「最近十年,我们一直在建立一个移动优先(mobile-first)的世界,而接下来的十年里,我们的将转...

    人称T客
  • AI 到底是怎么「想」的?

    ? 本文作者:kurffzhou,腾讯 TEG 安全工程师 最近,Nature发表了一篇关于深度学习系统被欺骗的新闻文章,该文指出了对抗样本存在的广泛性和深...

    腾讯技术工程官方号
  • 【图像分类】从数据集和经典网络开始

    一场完美的交响乐演出,指挥家需要充分结合每位演奏者和乐器的特点,根据演奏曲目把控节奏,才能将曼妙的音符传送到所有听众的耳中。

    用户1508658
  • 深度学习系统易受欺骗?AI到底怎么想的?

    | 导语 最近,Nature发表了一篇关于深度学习系统被欺骗的新闻文章,该文指出了对抗样本存在的广泛性和深度学习的脆弱性,以及几种可能的解决方法。腾讯安全平台...

    腾讯大讲堂
  • 基于深度学习的目标检测算法综述

    目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一。由于各类物体有不同的外观,形状,姿态,加上成像时光照,遮...

    SIGAI学习与实践平台
  • 2018 NAACL语言学习建模竞赛:英语组冠军先声教育展望自适应学习技术

    雷锋网 AI 研习社按:第十六届北美计算语言学会议 NAACL 于 6 月初在美国路易斯安那州的新奥尔良召开。NAACL 是自然语言处理与计算语言学领域的顶级学...

    AI研习社
  • 【技术分享】机器学习在量化交易方向的应用—基于神经网络的多因子选股策略

    量化交易策略无非三点:择时、选股、仓控。择时为短期套利交易策略,选股为中长期交易策略,目标是在中长期跑赢指数、获取市场超额收益率alpha。多因子选股的关键是找...

    腾讯云TI平台
  • 深度学习的昨天,今天和明天

    大数据文摘
  • 适合初学者学习的神经网络:流行类型和应用

    目前,神经网络被用于解决许多商业问题,如销售预测、客户研究、数据验证和风险管理。更进一步讲,我们能够使用神经网络进行时间序列预测、数据中的异常检测和自然语言理解...

    AiTechYun
  • 纯干货 | 深度学习研究综述

    先来一首《好久不见》,给大家说一声抱歉,最近因为种种的原因,没有通过“计算机视觉战队”给打开带来好的文章和知识的分享,在此,代表“计算机视觉战队”向所有关注我们...

    计算机视觉研究院
  • 深度学习 – Deep learning | DL

    目前表现最好的一些应用大部分都是深度学习,正是因为深度学习的突出表现,引发了人工智能的第三次浪潮。详情可以看《人工智能的发展史——3次 AI 浪潮》

    easyAI

扫码关注云+社区

领取腾讯云代金券