Data mining is about explaining the

Data mining is about explaining the past and predicting the future by means of data analysis. Educational Data Mining is a promising discipline which has an imperative impact on predicting students’ academic performance. Thousands of students take admissions in Universities and colleges every year, at the time of admissions they collect the students’ data. In the same way while the Teachers join in the institution they collect their personal and professional data. Understand the importance of data is essential from a business point of view. Data collected at the time of admission can be used for classifying and predicting students’ behavior and performance as well as teachers’ performance. Therefore, in this paper, we are examining the role of Data mining in an Educational Field. By using SDAR, we have identified possible grade values i.e., Excellent, Good, Average
and Poor or Fail. We have used K-means clustering algorithm
to find the best cluster center for attributes like attendance,
Sessional marks and assignment marks etc. We have also
discussed a Rule-Based Classification (RBC) method; it
extracts a set of rules that shows relationships between
attributes of the data set and the class label. In this paper we
have also addressed the evaluation of Teachers’ performance
by us

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลเกี่ยวกับอธิบายอดีต และคาดการณ์อนาคต โดยการวิเคราะห์ข้อมูลได้ ศึกษาข้อมูลทำเหมืองแร่เป็นวินัยสัญญาซึ่งมีผลความจำเป็นในการคาดการณ์ผลการศึกษาของนักเรียน พันนักเรียนที่จะสมัครเรียนในมหาวิทยาลัยและวิทยาลัยทุกปี ในขณะพวกเขาเก็บรวบรวมข้อมูลนักเรียนที่สมัครเรียน เดียวในขณะที่การรวมครูในสถาบัน จะเก็บข้อมูลส่วนบุคคล และเป็นมืออาชีพ เข้าใจความสำคัญของข้อมูลเป็นสิ่งสำคัญจากมุมมองทางธุรกิจของ สามารถใช้ข้อมูลที่เก็บรวบรวมในเวลาเข้าประเภท และคาดการณ์พฤติกรรมของนักเรียน และประสิทธิภาพ ตลอดจนประสิทธิภาพของครู ดังนั้น ในเอกสารนี้ เรากำลังตรวจสอบบทบาทของการทำเหมืองข้อมูลในเขตข้อมูลทางการศึกษา โดยใช้ SDAR เราได้ระบุค่าเกรดได้เช่น ดีเยี่ยม ดี เฉลี่ยและคนยากจนหรือล้มเหลว เราใช้อัลกอริทึมระบบคลัสเตอร์ K หมายถึงหาศูนย์คลัสเตอร์ดีที่สุดสำหรับแอตทริบิวต์เช่นเข้างานเครื่องหมาย sessional และกำหนดเครื่องหมายเป็นต้น เรามียังกล่าวถึงวิธีการใช้กฎการจัดประเภท (RBC) มันแยกชุดของกฎที่แสดงความสัมพันธ์ระหว่างแอททริบิวต์ของชุดข้อมูลและป้ายชื่อคลาส ในเอกสารนี้เราระบุการประเมินผลของครูโดยเรา

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลเป็นเรื่องเกี่ยวกับการอธิบายที่ผ่านมาและทำนายอนาคตโดยใช้วิธีการวิเคราะห์ข้อมูล การศึกษาการทำเหมืองข้อมูลเป็นวินัยที่มีแนวโน้มที่มีผลกระทบต่อความจำเป็นในการทำนายผลการเรียนของนักเรียน จำนวนนักเรียนใช้เวลาการรับสมัครในมหาวิทยาลัยและวิทยาลัยทุกปีในช่วงเวลาของการรับสมัครที่พวกเขาเก็บรวบรวมข้อมูลของนักเรียน ในทำนองเดียวกันในขณะที่ครูเข้าร่วมในสถาบันที่พวกเขาเก็บรวบรวมข้อมูลส่วนบุคคลและเป็นมืออาชีพของพวกเขา เข้าใจถึงความสำคัญของข้อมูลที่มีความสำคัญจากจุดธุรกิจในมุมมองของ ข้อมูลที่เก็บรวบรวมในช่วงเวลาของการรับสมัครสามารถใช้สำหรับการจำแนกประเภทและลักษณะการทำงานและประสิทธิภาพการทำงานเช่นเดียวกับครูนักเรียนการคาดการณ์ผลการดำเนินงาน ดังนั้นในบทความนี้เรากำลังตรวจสอบบทบาทของการทำเหมืองข้อมูลในการศึกษาสนาม โดยใช้ SDAR เราได้ระบุค่าที่เป็นไปได้คือชั้นประถมศึกษาปี, ยอดเยี่ยม, ดี,
หน้าตาดีและไม่ดีหรือล้มเหลว เราได้ใช้อัลกอริทึม
K-หมายถึงการจัดกลุ่มเพื่อหาศูนย์กลุ่มที่ดีที่สุดสำหรับแอตทริบิวต์เช่นการเข้าร่วมเครื่องหมาย
Sessional และเครื่องหมายที่ได้รับมอบหมาย ฯลฯ
เรายังได้กล่าวถึงการจัดหมวดหมู่ตามกฎ(RBC) วิธี; มันสารสกัดจากชุดของกฎที่แสดงให้เห็นความสัมพันธ์ระหว่างคุณลักษณะของชุดข้อมูลและฉลากชั้นเรียน ในบทความนี้เรามี addressed ยังประเมินผลการปฏิบัติครูสโดยเรา

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลคืออธิบายที่ผ่านมาและการคาดการณ์ในอนาคต โดยวิธีการวิเคราะห์ข้อมูล การทำเหมืองข้อมูลการศึกษาเป็นวินัยที่สัญญา ซึ่งมีผลกระทบต่อการปฏิบัติงานวิชาการในการทำนายขวางของนักเรียน thousands ของ students take admissions in universities ( colleges แต่เขตจะ the ของพวกเขายัง admissions collect เปลี่ยนแปลงและ students ' .ในทางเดียวกัน ส่วนครูเข้าร่วมในสถาบันที่พวกเขาเก็บรวบรวมของข้อมูลส่วนบุคคลและมืออาชีพ เข้าใจความสำคัญของข้อมูลที่จำเป็นจากจุดธุรกิจของมุมมอง เก็บรวบรวมข้อมูลในเวลาของการเข้าชมสามารถใช้เพื่อจำแนกและทำนายพฤติกรรมของนักเรียน และการปฏิบัติงาน รวมทั้งการปฏิบัติงานครู therefore กับสิ่ง !เรามีการตรวจสอบบทบาทของการทำเหมืองข้อมูลในเขตข้อมูล การศึกษา โดยใช้ sdar เราได้ระบุเป็นไปได้เกรดคุณค่า คือ ดีมาก ดี ปานกลาง และแย่
หรือล้มเหลว เราได้ใช้ k-means clustering algorithm
ที่จะหาที่ดีที่สุดกลุ่มศูนย์สำหรับคุณลักษณะเช่นการกำหนดเครื่องหมายและเครื่องหมาย sessional

ฯลฯ นอกจากนี้เรายังกล่าวถึงกฎตามหมวดหมู่ ( RBC )
; มันสารสกัดจากชุดของกฎที่แสดงความสัมพันธ์ระหว่างคุณลักษณะของชุดข้อมูล
และการเรียน ) ในกระดาษนี้เรา

ยังให้ความสนใจการประเมินผลการปฏิบัติงานของครู โดยเรา