Прогноз академической успеваемости студентов

Обзор проекта

Проект направлен на анализ и прогнозирование академической успеваемости студентов на основе их поведенческих данных и стиля обучения. В рамках проекта были разработаны и протестированы различные модели машинного обучения для выявления ключевых факторов, влияющих на успеваемость.

Технологии

• Python
• scikit-learn
• XGBoost
• NumPy
• Pandas
• Plotly

Основные достижения

• Разработка новых признаков на основе поведенческих данных студентов, что привело к увеличению точности моделей
• Сравнительный анализ различных моделей машинного обучения:
  • Линейные модели
  • Bagging
  • Boosting
  • KNN
• Анализ влияния образа жизни и стиля обучения на успеваемость
• Выявление корреляций между различными факторами
• Оптимизация гиперпараметров моделей с помощью Grid Search

Метрики оценки

• MSE (Mean Squared Error)
• Accuracy
• Precision
• Recall

Структура проекта

.
├── ai-project.ipynb    # Основной Jupyter notebook с анализом
├── data/              # Директория с данными
└── .gitignore        # Файл .gitignore

Начало работы

Требования

• Python 3.x
• Jupyter Notebook или JupyterLab
• Необходимые пакеты Python:

  pip install jupyter numpy pandas scikit-learn xgboost plotly

Установка

1. Клонируйте репозиторий:

   git clone [repository-url]
   cd ai_project

2. Установите зависимости:

   pip install -r jupyter numpy pandas scikit-learn xgboost plotly

3. Запустите Jupyter Notebook:

   jupyter notebook

Использование

1. Откройте ai-project.ipynb в Jupyter Notebook
2. Следуйте инструкциям в ноутбуке для запуска анализа
3. Директория data/ содержит все необходимые наборы данных

Данные

Проект использует два набора данных о студентах:

student-mat.csv

• Набор данных о студентах математического курса
• 397 записей
• Содержит информацию о:
  • Демографических характеристиках (возраст, пол, семейное положение родителей)
  • Социальных факторах (размер семьи, образование родителей)
  • Поведенческих характеристиках (время учебы, пропуски занятий)
  • Успеваемости по математике

student-por.csv

• Набор данных о студентах курса португальского языка
• 651 запись
• Содержит аналогичные характеристики, но с фокусом на успеваемость по португальскому языку

Оба набора данных включают:

• Демографические данные
• Социальные характеристики
• Поведенческие паттерны
• Академические показатели
• Информацию о стиле обучения
• Данные об образе жизни студентов

Результаты

Проект позволил:

• Выявить ключевые факторы, влияющие на успеваемость студентов
• Разработать эффективные модели прогнозирования
• Повысить стабильность предсказаний через оптимизацию гиперпараметров
• Получить количественные оценки влияния различных факторов на успеваемость