CV


Hamid Saadatfar

Hamid Saadatfar

Associate Professor

Faculty: Electrical and Computer Engineering

Department: Computer

Degree: Ph.D

CV
Hamid Saadatfar

Associate Professor Hamid Saadatfar

Faculty: Electrical and Computer Engineering - Department: Computer Degree: Ph.D |

Dr. Hamid Saadatfar is currently an assistant professor of Computer Engineering Department at University of Birjand. He has received his B.Sc., M.Sc., and Ph.D. degrees from Ferdowsi university of Mashhad in 2007, 2009 and 2014, respectively. His research interests include:

  • Parallel and Distributed Processing (Cluster, Grid and Cloud Computing),
  • Data Mining and Machine Learning,
  • Big Data Analysis (Data Mining Methods for Big Data)
  • and Power-aware Computing.

نمایش بیشتر

استفاده از چرخ تعادل زندگی در پیش بینی معدل پایه دهم با استفاده از الگوریتم های داده کاوی

Authorsحمید سعادت فر,اعظم علی پورفرگی
Conference Titleچهارمین همایش ملی آموزش هوشمند؛ فرصت ها، چالش ها و دستاوردها
Holding Date of Conference2024-05-08
Event Placeهمدان
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences

Abstract

موفقیت افراد بر اساس علاقه و استعدادشان از جمله موارد مؤثر در پیشرفت یک جامعه است که با نگاهی دقیق‌تر میزان این موفقیت را می‌توان با برنامه‌ریزی مناسب در انتخاب رشته دانش‌آموزان پایه دهم مرتبط دانست. اما تصمیم‌گیری صحیح، مستلزم گردآوری اطلاعات جامعی از تمام ابعاد زندگی یک دانش‌آموز است. ازاین‌رو چرخ تعادل زندگی که در شش بخش جسمی، مالی، فکری، عاطفی، اجتماعی و معنوی نگاهی جامع به ابعاد زندگی دارد، می‌تواند ابزار مناسبی برای این هدف باشد. در این پژوهش ابتدا مجموعه داده‌ای با کمک اطلاعات چرخ تعادل زندگی، جمعیت‌شناختی و پیشینه آموزشی دانش‌آموزان پایه دهم از طریق پرسش‌نامه ایجاد می‌شود. سپس در محیط برنامه WEKA، الگوریتم‌های داده‌کاوی شبکه عصبی Multilayer Perceptron، درخت تصمیم J48، جنگل تصادفی Random Forest، الکوریتم Naive Bayes، روش SVM و KNN با هدف پیش‌بینی معدل دانش‌آموزان در پایه دهم روی تمام ویژگی‌های مجموعه داده پیشنهادی پیاده‌سازی و عملکرد این الگوریتم‌ها مورد مقایسه قرار می‌گیرند. همینطور در ادامه با استفاده از روش‌ Wrapper ویژگی‌های مؤثر انتخاب و مجدد عملکرد الگوریتم‌های داده‌کاوی بر اساس ویژگی‌های انتخاب شده بررسی می‌شود. درنهایت نتایج این مطالعه نشان می‌دهد که ویژگی‌های پول توجیبی، میزان مطالعه، جنسیت، رشته تحصیلی، تحصیلات پدر، تحصیلات مادر و بعد روحی بیشترین تأثیر را دارند. همینطور الگوریتم Multilayer Perceptron با دقت 85.62 درصد و الگوریتم Naïve Bayes با دقت 86.25 درصد، به ترتیب قبل و بعد از فرایند انتخاب ویژگی بهترین عملکرد را در میان الگوریتم‌های دیگر از خود نشان داده‌اند.

Paper URL