سید مصطفی خطیبی - دانشجوی کارشناسی ارشد مهندسی صنایع گرایش بهینه سازی سیستمها، دانشکده صنایع و مدیریت، دانشگاه غیرانتفاعی صنعتی سجاد مشهد؛
حمیدرضا کوشا - استادیار مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد

در این پژوهش به مسئله چالش برانگیز بررسی و پیشبینی عملکرد تحصیلی دانشجویان کارشناسی با استفاده از انواع تکنیکهای مختلف شبکه عصبی داده کاوی با انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی ازدحام ذرات در دانشگاه صنعتی سجاد مشهد پرداخته شده است. مدل پیشنهادی مدل هیبرید شامل مدلهای انواع شبکه عصبی شامل: یادگیری عمیق، شبکه عصبی پرسپترون، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، شبکه عصبی چندلایه اتوماتیکی بر پایه الگوریتم ژنتیک، مدل هیبرید ساده (رایگیری اکثریت) ، مدل هیبرید با انتخاب ویژگی بهینه سازی ازدحام ذرات است. در این پژوهش سعی شد تا با کمک سابقه تحصیلی و نمرات اخذشده دروس اصلی و تخصصی مختلف دانشجویان مقطع کارشناسی رشته مهندسی صنایع؛ در نهایت پس از آماده سازی داده های خام و پیش پردازش آنها بالغ بر950 رکورد اطلاعاتی از سال1390 - 1382 با تکنیکهای داده کاوی در نرم افزار رپیدماینر نسخه 9,7 جهت هدف پژوهش استفاده گردید. نتایج عددی حاصل از این پژوهش در مجموعه داده ی آزمایشی باعث دستیابی به نتایج نوین و تازه در نرخ دقت و صحت انواع مدل های مرجع و هیبریدی (تلفیقی) در رشته های مهندسی صنایع مدل یادگیری عمیق و شبکه عصبی چندلایه اتوماتیکی بر پایه الگوریتم ژنتیک توانست با نرخ دقت کلی 100% به صورت کامل، بهترین نتیجه را نسبت به مدل های مرجع پرکاربرد تنها مانند شبکه عصبی پرسپترون، شبکه عصبی مصنوعی، ماشین بردار پشتیبان داشته باشد. این امر میتواند نوید بخش استفاده از مدل پیشنهادی در بررسی و پیشبینی عملکرد تحصیلی دانشجویان کارشناسی با استفاده از انواع تکنیکهای مختلف شبکه عصبی داده کاوی با انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی ازدحام ذرات باشد.

داده کاوی آموزشی، عملکرد تحصیلی، مدل هیبرید، شبکه عصبی، بهینه سازی ازدحام ذرات.