Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Green IT and Environmental Sustainability Issues Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Student’s Performance Evaluation of an Institute Using Various Classification Algorithms

verfasst von : Shiwani Rana, Roopali Garg

Erschienen in: Information and Communication Technology for Sustainable Development

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Machine learning is the field of computer science that learns from data by studying algorithms and their constructions. The student’s performance based on slow learner method plays a significant role in nourishing the skills of a student with slow learning ability. The performance of the students of Digital Electronics of University Institute of Engineering and Technology (UIET), Panjab University (PU), Chandigarh is calculated by applying two important classification algorithms (Supervised Learning): Multilayer Perceptron and Naïve Bayes. Further, a comparison between these classification algorithms is done using WEKA Tool. The accuracy of grades prediction is calculated with these classification algorithms and a graphical explanation is presented for the BE (Information Technology) third semester students.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A New Approach Toward Sorting Technique: Dual-Sort Extraction Technique (DSET)
Nächstes Kapitel Speaker Identification in a Multi-speaker Environment
Anhänge
Nur mit Berechtigung zugänglich
Literatur
1.
Khan, Irfan Ajmal, and Jin Tak Choi. “An Application of Educational Data Mining (EDM) Technique for Scholarship Prediction.” International Journal of Software Engineering and Its Applications 8, no. 12 (2014): 31–42.
2.
Goyal, Monika, and Rajan Vohra. “Applications of data mining in higher education.” International journal of computer science 9, no. 2 (2012): 113.
3.
Ayodele, Taiwo Oladipupo. Types of machine learning algorithms. INTECH Open Access Publisher, 2010.
4.
Kaur, Gurneet, and Er Neelam Oberai. “NAIVE BAYES CLASSIFIER WITH MODIFIED SMOOTHING TECHNIQUES FOR BETTER SPAM CLASSIFICATION.” (2014).
5.
Fukumizu, Kenji. “Active learning in multilayer perceptrons.” Advances in Neural Information Processing Systems (1996): 295–301.
6.
Ahmed, Abeer Badr El Din, and Ibrahim Sayed Elaraby. “Data Mining: A prediction for Student’s Performance Using Classification Method.” World Journal of Computer Application and Technology 2, no. 2 (2014): 43–47.
7.
Kumar, Vaneet, and Vinod Sharma. “Student‟s Examination Result Mining: A Predictive Approach.” International Journal of Advanced Computer Science and Applications (IJSER) 3, no. 11 (2012).
8.
Mohammad, Thakaa Z., and Abeer M. Mahmoud. “Clustering of Slow Learners Behavior for Discovery of Optimal Patterns of Learning.”LITERATURES 5, no. 11 (2014).
9.
Anuradha, C., and T. Velmurugan. “A data mining based survey on student performance evaluation system.” In Computational Intelligence and Computing Research (ICCIC), 2014 IEEE International Conference on, pp. 1–4. IEEE, 2014.
10.
Bydovska, Hana, and Lubomir Popelinsky. “Predicting Student Performance in Higher Education.” In Database and Expert Systems Applications (DEXA), 2013 24th International Workshop on, pp. 141–145. IEEE, 2013.
11.
de Morais, Alana M., Joseana MFR Araujo, and Evandro B. Costa. “Monitoring student performance using data clustering and predictive modelling.” In Frontiers in Education Conference (FIE), 2014 IEEE, pp. 1–8. IEEE, 2014.
12.
Singh, Sushil, and Sunil Pranit Lal. “Educational courseware evaluation using Machine Learning techniques.” In e-Learning, e-Management and e-Services (IC3e), 2013 IEEE Conference on, pp. 73–78. IEEE, 2013.
13.
Lopez, Manuel Ignacio, J. M. Luna, C. Romero, and S. Ventura. “Classification via Clustering for Predicting Final Marks Based on Student Participation in Forums.” International Educational Data Mining Society (2012).
14.
Borkar, Suchita, and K. Rajeswari. “Attributes Selection for Predicting Students’ Academic Performance using Education Data Mining and Artificial Neural Network.” International Journal of Computer Applications 86, no. 10 (2014).
15.
Pradeep, Anjana, Smija Das, and Jubilant J. Kizhekkethottam. “Students dropout factor prediction using EDM techniques.” In Soft-Computing and Networks Security (ICSNS), 2015 International Conference on, pp. 1–7. IEEE, 2015.
Metadaten
Titel
Student’s Performance Evaluation of an Institute Using Various Classification Algorithms
verfasst von
Shiwani Rana
Roopali Garg
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Information and Communication Technology for Sustainable Development

Print ISBN: 978-981-10-3919-5

Electronic ISBN: 978-981-10-3920-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-3920-1_23

Premium Partner

    Bildnachweise