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) 2:

การทำเหมืองข้อมูลเป็นเรื่องเกี่ยวกับการอธิบายที่ผ่านมาและทำนายอนาคตโดยใช้วิธีการวิเคราะห์ข้อมูล การศึกษาการทำเหมืองข้อมูลเป็นวินัยที่มีแนวโน้มที่มีผลกระทบต่อความจำเป็นในการทำนายผลการเรียนของนักเรียน จำนวนนักเรียนใช้เวลาการรับสมัครในมหาวิทยาลัยและวิทยาลัยทุกปีในช่วงเวลาของการรับสมัครที่พวกเขาเก็บรวบรวมข้อมูลของนักเรียน ในทำนองเดียวกันในขณะที่ครูเข้าร่วมในสถาบันที่พวกเขาเก็บรวบรวมข้อมูลส่วนบุคคลและเป็นมืออาชีพของพวกเขา เข้าใจถึงความสำคัญของข้อมูลที่มีความสำคัญจากจุดธุรกิจในมุมมองของ ข้อมูลที่เก็บรวบรวมในช่วงเวลาของการรับสมัครสามารถใช้สำหรับการจำแนกประเภทและลักษณะการทำงานและประสิทธิภาพการทำงานเช่นเดียวกับครูนักเรียนการคาดการณ์ผลการดำเนินงาน ดังนั้นในบทความนี้เรากำลังตรวจสอบบทบาทของการทำเหมืองข้อมูลในการศึกษาสนาม โดยใช้ SDAR เราได้ระบุค่าที่เป็นไปได้คือชั้นประถมศึกษาปี, ยอดเยี่ยม, ดี, หน้าตาดีและไม่ดีหรือล้มเหลว เราได้ใช้อัลกอริทึม K-หมายถึงการจัดกลุ่มเพื่อหาศูนย์กลุ่มที่ดีที่สุดสำหรับแอตทริบิวต์เช่นการเข้าร่วม Sessional เครื่องหมายและเครื่องหมายที่ได้รับมอบหมาย 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 ดังนั้น ในบทความนี้เรามีการตรวจสอบบทบาทของการทำเหมืองข้อมูลในเขตข้อมูล การศึกษา โดยใช้ sdar เราได้ระบุเป็นไปได้เกรดคุณค่า คือ ดีมาก ดี ปานกลาง และแย่หรือล้มเหลว เราได้ใช้ k-means การจัดกลุ่มขั้นตอนวิธีเพื่อหาที่ดีที่สุดกลุ่มศูนย์สำหรับคุณลักษณะเช่นการเข้าร่วมงาน sessional เครื่องหมาย และเครื่องหมาย ฯลฯ เราได้กล่าวถึงกฎตามหมวดหมู่ ( RBC ) ;เป็นสารสกัดจากชุดของกฎที่แสดงความสัมพันธ์ระหว่างคุณลักษณะของชุดข้อมูลและห้องป้าย ในกระดาษนี้เรา

ยังให้ความสนใจการประเมินผลการปฏิบัติงานของครู โดยเรา