The ability to predict a student’s

The ability to predict a student’s performance could be useful in a great number of different ways associated with university-level distance learning. Students’ marks in a few written assignments can constitute the training set for a supervised machine learning algorithm. Along with the explosive increase of data and information, incremental learning ability has become more and more important for machine learning approaches. The online algorithms try to forget irrelevant information instead of synthesizing all available information (as opposed to classic batch learning algorithms). Nowadays, combining classifiers is proposed as a new direction for the improvement of the classification accuracy. However, most ensemble algorithms operate in batch mode. Therefore a better proposal is an online ensemble of classifiers that combines an incremental version of Naive Bayes, the 1-NN and the WINNOW algorithms using the voting methodology. Among other significant conclusions it was found that the proposed algorithm is the most appropriate to be used for the construction of a software support tool.

ผลลัพธ์ (ไทย) 1:

ความสามารถในการทำนายประสิทธิภาพการทำงานของนักเรียนอาจจะเป็นประโยชน์ในลักษณะต่าง ๆ ที่เกี่ยวข้องกับการเรียนทางไกลระดับมหาวิทยาลัยดี เครื่องหมายนักเรียนในการกำหนดเป็นลายลักษณ์อักษรไม่กี่สามารถประกอบด้วยการฝึกตั้งสำหรับเครื่องที่มีอัลกอริทึมการเรียนรู้ พร้อมกับการระเบิดเพิ่มขึ้นของข้อมูลและข้อมูล ความสามารถในการเรียนรู้เพิ่มได้กลายเป็นสิ่งสำคัญมากสำหรับวิธีการเรียนรู้ของเครื่อง อัลกอริทึมออนไลน์พยายามลืมความเกี่ยวข้องข้อมูลแทนการสังเคราะห์ข้อมูลที่มีอยู่ทั้งหมด (ตรงข้ามกับชุดคลาสสิกที่อัลกอริทึมการเรียนรู้) ในปัจจุบัน คำนามภาษารวมมีเสนอเป็นทิศทางใหม่สำหรับการปรับปรุงความถูกต้องของประเภท อย่างไรก็ตาม ส่วนใหญ่วงดนตรีอัลกอริทึมทำงานในโหมดชุดงาน ดังนั้น ข้อเสนอที่ดีกว่าจะเพลิดเพลินออนไลน์ของคำนามภาษาที่รวมรุ่นส่วนเพิ่มของ Naive Bayes เอ็น เอ็น 1 และอัลกอริทึม WINNOW ที่ใช้วิธีลงคะแนนเสียง ในบทสรุปสำคัญอื่นๆ พบว่าอัลกอริทึมนำเสนอที่เหมาะสมที่สุดที่จะใช้สำหรับการก่อสร้างเครื่องมือซอฟต์แวร์ที่สนับสนุน

ผลลัพธ์ (ไทย) 2:

ความสามารถในการคาดการณ์ผลการดำเนินงานของนักเรียนที่อาจจะมีประโยชน์ในการเป็นจำนวนมากของวิธีการต่าง ๆ ที่เกี่ยวข้องกับการเรียนทางไกลระดับมหาวิทยาลัย เครื่องหมายของนักศึกษาในการกำหนดเป็นลายลักษณ์อักษรไม่กี่สามารถเป็นชุดการฝึกอบรมสำหรับเครื่องภายใต้การดูแลขั้นตอนวิธีการเรียนรู้ พร้อมกับการเพิ่มขึ้นของระเบิดของข้อมูลและข้อมูลความสามารถในการเรียนรู้ที่เพิ่มขึ้นได้มากขึ้นและมีความสำคัญมากขึ้นสำหรับวิธีการเรียนรู้เครื่อง ขั้นตอนวิธีการออนไลน์พยายามที่จะลืมข้อมูลที่ไม่เกี่ยวข้องแทนการสังเคราะห์ข้อมูลที่มีอยู่ทั้งหมด (เมื่อเทียบกับขั้นตอนวิธีการเรียนรู้ชุดคลาสสิก) ปัจจุบันรวมจําแนกมีการเสนอเป็นทิศทางใหม่ในการปรับปรุงการจัดหมวดหมู่ของความถูกต้องที่ แต่ขั้นตอนวิธีการวงดนตรีส่วนใหญ่ทำงานในโหมดแบทช์ ดังนั้นข้อเสนอที่ดีกว่าคือวงดนตรีออนไลน์ของตัวจําแนกที่รวมรุ่นที่เพิ่มขึ้นของ Naive Bayes, 1-NN และขั้นตอนวิธีการโปรยใช้วิธีการลงคะแนน ท่ามกลางข้อสรุปที่สำคัญอื่น ๆ ก็พบว่าอัลกอริทึมที่นำเสนอเป็นที่เหมาะสมที่สุดที่จะใช้สำหรับการก่อสร้างเครื่องมือสนับสนุนซอฟต์แวร์

ผลลัพธ์ (ไทย) 3:

ความสามารถในการทำนายสมรรถนะของนักเรียนได้ประโยชน์ในหลายวิธีที่แตกต่างกันที่เกี่ยวข้องกับการเรียนรู้ทางไกลระดับมหาวิทยาลัย นักเรียนเขียนเครื่องหมายในบางงานสามารถเป็นชุดฝึกอบรมสำหรับการอัลกอริทึม . พร้อมกับเพิ่มการระเบิดของข้อมูลและสารสนเทศความสามารถในการเรียนรู้เพิ่มมากขึ้น และที่สำคัญสำหรับการเรียนรู้เครื่องวิธี ขั้นตอนวิธีการออนไลน์พยายามที่จะลืมข้อมูลที่ไม่เกี่ยวข้องแทนของข้อมูลสังเคราะห์ ( ตรงข้ามกับชุดคลาสสิกอัลกอริทึมการเรียนรู้ ) ทุกวันนี้ การรวมคำข้อเสนอเป็นทิศทางใหม่สำหรับการปรับปรุงความแม่นยำในการจำแนก . อย่างไรก็ตามขั้นตอนวิธีการทั้งหมดส่วนใหญ่ใช้งานในโหมดแบทช์ ดังนั้น ข้อเสนอที่ดี เป็นคำที่รวมออนไลน์ทั้งหมดของรุ่นเต็มของไร้เดียงสา Bayes , 1-nn และฝัดขั้นตอนวิธีใช้โหวตต่อไป ในหมู่อื่น ๆอย่างมีนัยสำคัญ สรุปพบว่าวิธีที่เสนอมีความเหมาะสมมากที่สุดที่จะใช้สำหรับการก่อสร้างของการสนับสนุนซอฟต์แวร์เครื่องมือ