Every year, educational institutes

Every year, educational institutes admit students under various courses from different locations,
educational background and with varying merit scores in entrance examinations. Moreover,
schools and junior colleges may be affiliated to different boards, each board having different
subjects in their curricula and also different level of depths in their subjects. Analyzing the past
performance of admitted students would provide a better perspective of the probable academic
performance of students in the future. This can very well be achieved using the concepts of data
mining.
For this purpose, we have analysed the data of students enrolled in first year of engineering. This
data was obtained from the information provided by the admitted students to the institute. It
includes their full name, gender, application ID, scores in board examinations of classes X and
XII, scores in entrance examinations, category and admission type. We then applied the ID3 and
C4.5 algorithms after pruning the dataset to predict the results of these students in their first
semester as precisely as possible.

ผลลัพธ์ (ไทย) 1:

ทุกปี สถาบันการศึกษายอมรับนักเรียนภายใต้หลักสูตรต่าง ๆ จากสถานต่าง ๆประวัติการศึกษา และคะแนนบุญแตกต่างกันในการเข้าสอบ นอกจากนี้โรงเรียนและวิทยาลัยอาจเชื่อมโยงไปบอร์ดอื่น แต่ละคณะมีความแตกต่างกันวิชาในหลักสูตร และยังแตกต่างกันระดับความลึกในเรื่องของ วิเคราะห์ผ่านมาประสิทธิภาพของนักเรียนการยอมรับจะให้มุมมองที่ดีของวิชาการดำรงประสิทธิภาพของนักเรียนในอนาคต นี้สามารถดีได้ใช้แนวคิดของข้อมูลการทำเหมืองสำหรับวัตถุประสงค์นี้ เรามี analysed ข้อมูลของนักศึกษาในปีแรกของวิศวกรรม นี้ข้อมูลที่ได้จากข้อมูลที่ให้ โดยนักเรียนสถาบันการ admitted มันมีชื่อเต็ม เพศ ID ของโปรแกรมประยุกต์ คะแนนในคณะกรรมการตรวจสอบของชั้น X และXII พิมพ์คะแนนในการสอบเข้า ประเภท และค่าเข้าชม เราใช้แล้วแบบ ID3 และอัลกอริทึม C4.5 หลัง pruning ชุดข้อมูลการทำนายผลลัพธ์ของนักเรียนในครั้งแรกของพวกเขาภาคการศึกษาที่ชัดเจนที่สุด

ผลลัพธ์ (ไทย) 2:

ทุกปีสถาบันการศึกษาภายใต้การรับนักศึกษาหลักสูตรต่าง ๆ
จากสถานที่ที่แตกต่างกันวุฒิการศึกษาที่แตกต่างกันและมีการทำบุญคะแนนในการสอบเข้า นอกจากนี้โรงเรียนและวิทยาลัยจูเนียร์อาจจะร่วมกับคณะกรรมการที่แตกต่างกันแต่ละที่แตกต่างกันมีคณะกรรมการอาสาสมัครในหลักสูตรของพวกเขาและระดับที่แตกต่างกันนอกจากนี้ยังมีความลึกในวิชาของพวกเขา การวิเคราะห์ที่ผ่านมาการปฏิบัติงานของนักเรียนเข้ารับการรักษาจะให้มุมมองที่ดีขึ้นของนักวิชาการที่น่าจะเป็นประสิทธิภาพการทำงานของนักเรียนในอนาคต นี้เป็นอย่างดีสามารถทำได้โดยใช้แนวคิดของข้อมูลการทำเหมืองแร่. ในการนี้เรามีการวิเคราะห์ข้อมูลของการลงทะเบียนเรียนในปีแรกของวิศวกรรม ซึ่งข้อมูลที่ได้รับจากข้อมูลที่ให้ไว้โดยนักศึกษาเข้ารับการรักษาเพื่อสถาบัน มันมีชื่อเต็มของพวกเขาเพศ ID ประยุกต์ใช้คะแนนในการสอบของคณะกรรมการ X ชั้นเรียนและสิบคะแนนในการสอบเข้าประเภทและชนิดเข้ารับการรักษา จากนั้นเราจะใช้ ID3 และอัลกอริทึมC4.5 หลังจากตัดแต่งกิ่งชุดข้อมูลในการทำนายผลของนักเรียนเหล่านี้ในครั้งแรกของภาคการศึกษาเป็นอย่างแม่นยำที่สุดเท่าที่ทำได้

ผลลัพธ์ (ไทย) 3:

ทุกๆ ปี สถาบันทางการศึกษา รับนักเรียนตามหลักสูตรต่าง ๆจากสถานที่ที่แตกต่างกัน
ศึกษาและแตกต่างกับบุญ คะแนนสอบเข้า . โดย
โรงเรียนวิทยาลัยและจูเนียร์ อาจจะร่วมกับแผงที่แตกต่างกันในแต่ละบอร์ดมีวิชาที่แตกต่างกันในหลักสูตรของพวกเขาและยังแตกต่างกัน
ระดับความลึกในวิชาของตน
วิเคราะห์อดีตการแสดงของนักเรียนที่นี่จะให้มุมมองที่ดีของการปฏิบัติงานวิชาการ
น่าจะเป็นของนักศึกษาในอนาคต นี้ดีมากสามารถทำได้โดยใช้แนวคิดของ Data Mining
.
สำหรับวัตถุประสงค์นี้ เราได้วิเคราะห์ข้อมูลของนักศึกษา ในปีแรกของวิศวกรรม ข้อมูลนี้
ได้จากข้อมูลที่ให้ไว้โดยรับนักเรียนสถาบัน มัน
รวมถึงของพวกเขาชื่อ , เพศ , หมายเลขการใช้คะแนนในการสอบเข้าเรียนคณะ , X
12 คะแนนในการสอบเข้า ประเภทและชนิดเข้าชม จากนั้นเราใช้โปรแกรม C4.5 ขั้นตอนวิธี ID3 และ
หลังจากการตัดข้อมูลเพื่อทำนายผลของเหล่านักเรียนในภาคเรียนแรก
อย่างแน่นอนที่สุด