高职院校人才培养质量监控与评价系统研究与讨论.pptVIP

合肥工业大学 合肥工业大学 高职院校人才培养质量监控与评价系统研究 答辩人: 张磊 导 师: 王浩教授 概 述 贝叶斯理论基础和贝叶斯网络 人才培养质量监控系统模型开发 人才培养质量监控与评价预测模型设计 总结与展望 主要内容 概 述 研究背景和意义 数据挖掘概述 贝叶斯分类概述 研究背景和意义 国家对高职毕业生综合素质的要求。 《国家中长期教育改革和发展规划纲要（2010-2020）》 ：“建立健全职业教育质量保障体系，吸收企业参加教育质量评估。开展职业技能竞赛” 《教育部关于推进高等职业教育改革发展的若干意见》：各地各高等职业院校要加快完善人才培养质量保障体系，…，将毕业生就业率、就业质量、企业满意度等作为衡量人才培养质量的核心指标。 探索高职学生综合素质影响因子。 构建高职学生综合素质预测评价模型。 数据挖掘概述 1989年第11届国际联合人工智能学术会议：KDD概念的提出。 1995年美国计算机年会：提出数据挖掘的概念 。 数据挖掘就是从大量的、各种类型的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 数据挖掘中的分类问题 数据分类（data classfication）的过程包括两个步骤：建立分类模型和利用模型对数据进行分类。 训练数据 分类算法 分类规则 （a）学习 分类规则 测试数据 新数据 模型评估 新数据分类 （b）分类 数据挖掘中的分类问题 常用的几种分类方法 数据挖掘中的分类 决策树 神经网络 模糊集 遗传 粗糙集 贝叶斯分类概述 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。 贝叶斯公式： P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x) 贝叶斯理论基础 条件概率 设A、B是两个基本事件，且P (A) 0，则称： 为事件A己发生的条件下事件B发生的条件概率。 若?表示事件的全集，根据条件概率的定义，则得出以下几个性质： （1） （2）若A和B互为排斥的两个事件，则 （3） 贝叶斯理论基础 贝叶斯定理 在贝叶斯定理中， 称为H=h的似然度，有时记为 。贝叶斯定理之所以有用是因为似然度往往容易获得，而后验概率则不然，后验概率则要通过一番推理计算才能得到。 贝叶斯网络定义 Judea Pearl于1988年提出了贝叶斯网络的概念，实质上就是一种基于概率的不确定性推理网络。它是用来表示变量集合连接概率的图形模型，提供了一种表示因果信息的方法。 图2.1 一个简单的贝叶斯网 （a）各点间的依赖关系 （b）节点z的条件概率表 贝叶斯网络特性 一种不定性因果关联模型 具有强大的不确定性问题处理能力 能有效地进行多源信息表达与融合 数据分析方面的优点： （1）简化了模型的描述 （2）善于处理不确定的观察数据 贝叶斯网络的结构学习 表2.1 贝叶斯学习的分类情况 网络结构已知 网络结构未知 数据完备 概率参数学习；简单统计估计；MLE方法；贝叶斯方法 找最优网络结构：MDL、BDe等评分标准，启发式搜索、模拟退火搜索等算法 数据不完备 找到最优概率参数；EM算法、基于梯度方法、蒙特卡洛方法，高斯算法，BC算法 既要找最佳结构，又要求出最优参数，有结构EM算法，混合模型等 贝叶斯网络的结构学习 基于评分的贝叶斯网络结构学习 （1）模型选择 模型选择部分要制定模型选择准则，即评分函数。（最优参数对数似然函数，家族CH评分，贝叶斯信息准则评分） （2）模型优化 模型优化就是要根据模型选择准则，即评分函数，选择出评分最高的网络结构，也就是搜索策略问题。( K2算法，随机重复爬山法，禁忌搜索，模拟退火，遗传算法） 贝叶斯网络的结构学习 基于条件独立性测试的贝叶斯网络结构学习 表2.3 基于独立性检验的网络结构学习算法 算法名称 网络类型 节点序是否给出 CI检验的复杂性 Wermuth-Lauritzen BN 给出 O(N2) Boundary-DAG BN 给出 指数级 SRA BN 部分有序 指数级 Constructor MN 未给出 指数级 贝叶斯网络的参数学习 EM算法 通过交替运用期望步骤和最大化步骤，