Применение методов Data Mining для оценки эффективности деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном Округе
Заказать уникальную курсовую работу- 26 26 страниц
- 13 + 13 источников
- Добавлена 30.06.2021
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
Введение 3
Глава 1. Методы Data Mining в анализе данных 5
1.1. Факторный анализ 5
1.2. Кластеризация К-средними 6
1.3. Регрессионный анализ 8
Глава 2. Оценка эффективности деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе с использованием программного пакета SPSS 12
2.1. Отбор значимых показателей деятельности кафедры прикладных образовательных организаций высшего образования методом факторного анализа 12
2.2. Кластерный анализ кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе средствами программного пакета SPSS 13
2.3. Регрессионный анализ показателей деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе с использованием программного пакета SPSS 19
Заключение 24
Список использованной литературы 26
, Это означает, что численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры в течение календарного года в большей степени, зависит от образовательной и инновационной деятельностикафедр прикладных образовательных организаций высшего образования в Центральном Федеральном округе, а также от показателей студенческой мобильности. Данную зависимость можно объяснить тем, что высокий уровень образовательной деятельности и ее результативность является одним из определяющих факторов предпочтений абитуриентов. Кроме того, инновационная деятельность учреждения является одним из конкурентных преимуществ, которое позволяет обеспечить развитие перспективных направлений деятельности.ЗаключениеВ рамках настоящего исследования с целью достижения цели и задач выполнен теоретический анализ методики Data Mining и возможности ее применения в анализе показателей деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе. В работе выявлено, что эффективность и результативность деятельности образовательных организаций высшего образования в Центральном Федеральном округезависит отсовокупности факторов. В рамках исследования выполнен анализ данных Министерства образования и науки Российской Федерации об эффективности деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе.Деятельность кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округесчитается эффективной, если для них характерны следующие параметры:«Образовательная деятельность»;«Научная деятельность»;«Международная деятельность»;«Инновационная деятельность»;«Материально-техническое обеспечение»;«Преподавательская мобильность»;«Студенческая мобильность»;«Финансово-хозяйственное состояние».В рамках проведенного исследования был проведен факторный анализ всех переменных, выявлены укрупненные группы, которые состоят из различных более мелких факторов, определена значимость каждой группы на результативную переменную.На основе укрупнения факторов проведен кластерный анализ, которыйвыявилпять кластеров. Каждый кластер построен на укрупненных факторах влияния и содержит в себе от одного до 64кафедр.Проведен анализ каждого кластера, выявлены их наиболее характерные признаки, выполнено описаниекаждого из них.Результаты множественного регрессионного анализа позволили выявить тесную связь между показателем численности студентов, обучающихся по программам бакалавриата, специалитета, магистратуры и фактором образовательной деятельности кафедры. Результаты проведенной работы показали, что для повышения эффективности и результативности деятельности кафедр необходимо реализация системы мер, направленных на повышение уровня образовательной деятельности, в частности:Обеспечение результативности образовательного процесса посредством использования современных педагогических технологий.Повышение уровня мобильности преподавательского состава.Развитие форм международного сотрудничества.Повышение уровня материально-технической оснащенности.Таким образом,результаты проведенной работы являются основанием для подтверждения эффективности методов факторного, кластерного и регрессионного анализа для оценки неструктурированных массивов данных, но с учетом понимания отраслевой специфики изучаемых явлений.Список использованной литературыАйвазян С.А. Методы эконометрики: учебник. - М.: Магистр: ИНФРА-М, 2010. 238 с.Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP -СПб.: Изд. БХВ-Петербург, 2008. -384 с.Глобализация, рост и бедность. Построение всеобщей мировой экономики; Весь Мир - М., 2016. - 206 c.Дюк В.А., Самойленко А.П. Data Mining: учебный курс. -- СПб.: Питер, 2001 – 367 c.Елисеева, И. И. Эконометрика: учебник для магистров / И. И. Елисеева; под ред. И. И. Елисеевой. — М.: Издательство Юрайт, 2014. 449 с.Кондаков Н.С. Эконометрика. Часть 1: учебное пособие и практикум/ Кондаков Н.С.— М.: Московский гуманитарный университет, 2015. 100 c.Кулаичев, А.П. Методы и средства комплексного статистического анализа данных: Учебное пособие / А.П. Кулаичев. - М.: Инфра-М, 2016. - 347 c.Мониторинг эффективности деятельности организаций высшего образования [Электронный ресурс]. – Режим доступа: https://monitoring.miccedu.ru/Мхитарян В. С.,Архипова М. Ю.,Балаш В. А., Балаш О. С.,Дуброва Т. А., Сиротин В. П. Эконометрика/ Под общ. ред.:В. С. Мхитарян. М.: Проспект, 2014. 238 с.Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. Учебное пособие. -2-е изд., испр. -СПб.: Питер, 2013. -704 с.Степанов Р. Г. Технология Data Mining: Интеллектуальный Анализ Данных. - Казанский Государственный Университетим. В.И.Ульянова-Ленина, 2008.Чубукова И. А. Data Mining: учебное пособие. -М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. -382 с.Энциклопедия статистических терминов. В 8 т. Т. 2. Инструментальные методы статистики /Федеральная служба государственной статистики. -М., 2013. URL: http://www.gks.ru/free_doc/new_site/rosstat/stbook11/tom2.pdf Приложение АПолная объясненная дисперсияКомпонентаНачальные собственные значенияСуммы квадратов нагрузок извлеченияСуммы квадратов нагрузок вращенияИтого% ДисперсииКумулятивный %Итого% ДисперсииКумулятивный %Итого% ДисперсииКумулятивный %122,94823,17923,17922,94823,17923,17919,51219,70919,70929,5149,61032,7909,5149,61032,7908,8338,92228,63135,4595,51538,3045,4595,51538,3047,1937,26635,89744,7944,84243,1474,7944,84243,1474,8664,91540,81254,3024,34547,4924,3024,34547,4924,2724,31545,12763,9734,01351,5053,9734,01351,5054,2724,31549,44373,4113,44554,9503,4113,44554,9504,2284,27053,71382,9502,98057,9302,9502,98057,9304,1754,21757,93092,8692,89860,828102,6862,71363,541112,3762,40065,941122,0292,05067,991131,9701,99069,981141,8851,90471,885151,7681,78673,672161,5881,60475,275171,4751,49076,765181,4201,43578,200191,3871,40179,601201,3191,33380,934211,2021,21482,147221,1691,18183,328231,1251,13684,464241,0061,01685,48025,913,92286,40226,896,90587,30727,800,80988,11628,783,79188,90729,759,76789,67430,732,73990,41331,677,68391,09632,649,65591,75233,588,59492,34634,574,58092,92635,553,55993,48436,495,50093,98437,468,47394,45738,453,45794,91539,417,42195,33640,363,36695,70241,347,35096,05242,330,33496,38643,310,31496,69944,280,28396,98245,265,26897,25046,258,26197,51147,237,23997,75048,211,21397,96349,191,19398,15650,178,18098,33551,176,17798,51352,156,15898,67053,137,13898,80854,124,12598,93355,112,11399,04756,106,10799,15457,091,09299,24558,083,08499,32959,077,07899,40760,076,07799,48461,062,06399,54762,059,05999,60763,054,05499,66164,048,04899,70965,039,04099,74966,038,03899,78667,032,03399,81968,029,02999,84869,027,02799,87570,022,02299,89771,019,01999,91672,015,01699,93273,015,01599,94774,013,01399,96075,010,01099,97076,008,00899,97877,006,00699,98378,005,00599,98879,004,00499,99280,003,00399,99481,002,00299,99682,001,00199,99883,001,00199,99884,001,00199,99985,000,00099,99986,000,000100,00087,000,000100,000889,273E-59,367E-5100,000892,200E-52,222E-5100,000905,828E-155,887E-15100,000914,883E-164,932E-16100,000923,476E-163,511E-16100,000931,543E-181,559E-18100,00094-1,755E-17-1,773E-17100,00095-1,935E-16-1,955E-16100,00096-3,450E-16-3,485E-16100,00097-6,408E-16-6,473E-16100,00098-7,960E-16-8,040E-16100,00099-1,833E-15-1,852E-15100,000Метод выделения: Анализ главных компонент.ПриложениеВ* * * * * * * * * * * * * * * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * * * * * * * * * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25Label Num +---------+---------+---------+---------+---------+ 24 -+ 51 -+ 4 -+ 32 -+ 64 -+ 50 -+ 85 -+ 5 -+ 76 -+ 29 -+ 33 -+ 30 -+ 65 -+ 26 -+ 41 -+ 77 -+ 43 -+ 84 -+ 82 -+ 83 -+ 52 -+ 34 -+ 67 -+ 57 -+ 37 -+ 35 -+ 42 -+ 66 -+ 15 -+ 39 -+-+ 74 -+ | 88 -+ | 22 -+ | 14 -+ | 69 -+ | 13 -+ | 63 -+ | 16 -+ +-+ 40 -+ | | 89 -+ | | 3 -+ | | 75 -+-+ | 27 -+ | | 28 -+ | | 1 -+ | | 58 -+ | +---------------+ 36 -+ | | | 38 -+ | | | 71 -+ | | | 25 -+-+ | | 31 -+ | | 6 -+---+ | 17 -+ | | 46 -+ | | 60 -+ | | 47 -+-+ | | 90 -+ | | | 49 -+ | | | 2 -+ +-+ | 68 -+ | | 78 -+-+ | 8 -+ | +---------------------------+ 59 ---+ | | 54 -+---+ | | 79 -+ +-+ | | 9 -+-+ | | | | 80 -+ +-+ | | | 20 ---+ +-+ | | 56 ---+ | | | | 44 ---+---+ | | | 48 ---+ | | | | 72 -------+ | | | 10 -+-+ | | | 86 -+ | +-----+ | | 61 ---+ | | | | 45 ---+-+ | | | | 23 ---+ | | | | | 53 -+-+ +---+ | | | 62 -+ | | | +-----+ | 70 ---+-+ | | | 19 ---+ | | | 21 ---------+ | | 7 -----+-+ | | 18 -----+ +---+ | | 12 -------+ +---+ | 73 -----+---+ | | 81 -----+ +-+ | 55 ---------+ | 11 -----------------+-------------------------------+ 87 -----------------+
1. Айвазян С.А. Методы эконометрики: учебник. - М.: Магистр: ИНФРА-М, 2010. 238 с.
2. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP -СПб.: Изд. БХВ-Петербург, 2008. -384 с.
3. Глобализация, рост и бедность. Построение всеобщей мировой экономики; Весь Мир - М., 2016. - 206 c.
4. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. -- СПб.: Питер, 2001 – 367 c.
5. Елисеева, И. И. Эконометрика: учебник для магистров / И. И. Елисеева; под ред. И. И. Елисеевой. — М.: Издательство Юрайт, 2014. 449 с.
6. Кондаков Н.С. Эконометрика. Часть 1: учебное пособие и практикум/ Кондаков Н.С.— М.: Московский гуманитарный университет, 2015. 100 c.
7. Кулаичев, А.П. Методы и средства комплексного статистического анализа данных: Учебное пособие / А.П. Кулаичев. - М.: Инфра-М, 2016. - 347 c.
8. Мониторинг эффективности деятельности организаций высшего образования [Электронный ресурс]. – Режим доступа: https://monitoring.miccedu.ru/
9. Мхитарян В. С., Архипова М. Ю., Балаш В. А., Балаш О. С., Дуброва Т. А., Сиротин В. П. Эконометрика / Под общ. ред.: В. С. Мхитарян. М.: Проспект, 2014. 238 с.
10. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. Учебное пособие. -2-е изд., испр. -СПб.: Питер, 2013. -704 с.
11. Степанов Р. Г. Технология Data Mining: Интеллектуальный Анализ Данных. - Казанский Государственный Университетим. В.И.Ульянова-Ленина, 2008.
12. Чубукова И. А. Data Mining: учебное пособие. -М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. -382 с.
13. Энциклопедия статистических терминов. В 8 т. Т. 2. Инструментальные методы статистики /Федеральная служба государственной статистики. -М., 2013. URL: http://www.gks.ru/free_doc/new_site/rosstat/stbook11/tom2.pdf
Вопрос-ответ:
Какие методы Data Mining используются для оценки эффективности деятельности кафедры прикладных образовательных организаций высшего образования?
В статье рассмотрены три метода Data Mining: факторный анализ, кластеризация с использованием метода к средних и регрессионный анализ.
Применяется ли факторный анализ в анализе данных кафедры?
Да, факторный анализ используется для анализа данных кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном Округе.
Как работает метод кластеризации к средними в анализе эффективности деятельности кафедры?
Метод кластеризации к средними позволяет объединить схожие кафедры в группы, основываясь на сходстве различных параметров и характеристик. Это помогает выявить закономерности и тенденции в работе кафедр.
Можно ли с помощью регрессионного анализа определить эффективность работы кафедры?
Да, регрессионный анализ позволяет определить связь между различными факторами и эффективностью работы кафедры. По результатам анализа можно сделать выводы о влиянии определенных факторов на достижение поставленных целей и задач.
Какой программный пакет используется для оценки эффективности деятельности кафедры?
В статье использован программный пакет SPSS для оценки эффективности деятельности кафедры прикладных образовательных организаций высшего образования в Центральном Федеральном округе.
Какие методы Data Mining используются для оценки эффективности деятельности кафедры?
В статье рассматриваются методы факторного анализа, кластеризации К средними и регрессионного анализа.
Что такое факторный анализ и как он применяется для оценки эффективности работы кафедры?
Факторный анализ используется для выявления факторов, влияющих на эффективность работы кафедры. Он позволяет определить, какие переменные сильнее всего влияют на итоговый результат и какие можно опустить. Таким образом, факторный анализ помогает выявить главные факторы, которые следует учитывать при оценке эффективности кафедры.
Как работает метод кластеризации К средними и что он дает в оценке деятельности кафедры?
Метод кластеризации К средними используется для разделения данных на группы (кластеры) по схожести. В контексте оценки деятельности кафедры, этот метод может помочь выделить группы студентов или преподавателей схожих по определенным критериям, например, успеваемости или квалификации. Это позволяет проанализировать и сравнить результаты работы различных кластеров и выявить отличия в их эффективности.
Что такое регрессионный анализ и как он применяется в оценке деятельности кафедры?
Регрессионный анализ используется для оценки связи между зависимой переменной и независимыми переменными. В контексте оценки деятельности кафедры, регрессионный анализ может помочь определить, какие факторы влияют на итоговые показатели работы кафедры. Например, он может показать, как успеваемость студентов, квалификация преподавателей или количество проведенных научных исследований влияют на результаты работы кафедры.
Каким программным пакетом можно использовать для оценки эффективности деятельности кафедры?
В статье рекомендуется использовать программный пакет SPSS для оценки эффективности деятельности кафедры. SPSS предоставляет мощные инструменты для анализа данных, включая методы Data Mining, такие как факторный анализ, кластеризация и регрессионный анализ.