本选题首先深入剖析了教育大数据的特征，提出教育大数据分析与挖掘技术的目标和应用前景，梳理教育领域常用的分析挖掘技术，揭示教育大数据分析的本质。随后，从教育数据获取与预处理、数据降维、分析与预测、多维关联挖掘、聚类分析、滞后时间序列分析、社会网络分析等七个方面介绍教育数据挖掘的原理和实践。本选题不仅阐释了决策树、人工神经网络、支持向量机、朴素贝叶斯分类器、Logistic回归、Apriori算法、K-Means聚类、层次聚类等分析技术的原理，也利用SPSS Modeler、GSEQ、Ucinet、Gephi等软件结合案例和实操对这些算法的应用场景进行了全面介绍。本选题结合案例将复杂的数据分析技术进行深入浅出的讲解，选用教育领域的数据进行预处理、降维、预测、聚类、关联分析、时间序列分析和社会网络分析。与此同时，结合微视频讲解案例操作，形成立体化教材，努力将本书打造成在内容设计上面具有实践性，在知识层面上具有发展性，在表现形式上具有富媒体性的图书。

第1章 教育数据挖掘概述 / 1 1.1 数据挖掘及其要解决的问题 / 1 1.2 教育数据的来源和特点 / 3 1.3 教育数据分类 / 4 1.4 教育数据挖掘的目标和价值 / 6 1.5 教育数据挖掘技术概述 / 8 本章小节 / 14 第2章 教育数据采集和预处理 / 15 2.1 教育数据采集 / 15 2.2 初始数据存在的杂乱性 / 19 2.3 数据清洗 / 20 2.4 数据集成 / 23 2.5 数据变换 / 26 2.6 数据规约 / 27 2.7 教育数据预处理应用案例 / 28 本章小节 / 35 第3章 教育数据降维 / 36 3.1 数据降维概述 / 37 3.2 两种数据降维方法 / 37 3.3 特征选择数据降维方法 / 38 3.4 特征提取数据降维方法 / 40 3.5 特征选择数据降维方法在教育数据中的应用案例 / 44 3.6 特征提取数据降维方法在教育数据中的应用案例1 / 51 3.7 特征提取数据降维方法在教育数据中的应用案例2 / 56 本章小节 / 65 第4章 决策树、人工神经网络和支持向量机 / 66 4.1 分类预测概述 / 66 4.2 决策树 / 67 4.3 C5.0算法及其应用 / 73 4.4 决策树应用案例 / 86 4.5 人工神经网络 / 94 4.6 神经网络应用案例 / 101 4.7 支持向量机 / 105 4.8 支持向量机应用案例 / 113 本章小节 / 117 第5章 朴素贝叶斯分类器、贝叶斯网络和二项Logistic回归 / 118 5.1 贝叶斯概率和贝叶斯定理 / 118 5.2 朴素贝叶斯分类器 / 119 5.3 朴素贝叶斯分类应用案例 / 121 5.4 贝叶斯网络 / 126 5.5 贝叶斯网络应用案例 / 131 5.6 二项Logistic回归分析 / 136 5.7 二项Logistic回归分析应用案例 / 146 本章小节 / 159 第6章 关联分析 / 160 6.1 关联分析概述 / 160 6.2 Apriori算法 / 165 6.3 经典应用案例——购物篮关联分析 / 170 6.4 教育应用案例——学习行为关联分析 / 177 本章小节 / 184 第7章 聚类分析 / 185 7.1 聚类分析概述 / 185 7.2 K-Means聚类及应用 / 189 7.3 层次聚类及其应用 / 198 7.4 两步聚类及其应用 / 202 7.5 Kohonen网络聚类 / 211 本章小节 / 222 第8章 滞后序列分析 / 223 8.1 行为序列分析和滞后序列分析概述 / 223 8.2 滞后序列分析工具 / 225 8.3 基于滞后序列分析法的学习行为分析流程 / 232 8.4 基于滞后序列分析法的学习行为分析应用 / 235 8.5 基于滞后序列分析法的学习行为分析应用案例 / 237 本章小节 / 242 第9章 社会网络分析 / 243 9.1 社会网络分析概述 / 243 9.2 社会网络分析过程和方法 / 246 9.3 UCINET / 253 9.4 Gephi / 259 本章小节 / 268