CN112085421A - 一种基于深度bp神经网络的教师教学效果评价方法 - Google Patents

一种基于深度bp神经网络的教师教学效果评价方法 Download PDF

Info

Publication number
CN112085421A
CN112085421A CN202011158218.1A CN202011158218A CN112085421A CN 112085421 A CN112085421 A CN 112085421A CN 202011158218 A CN202011158218 A CN 202011158218A CN 112085421 A CN112085421 A CN 112085421A
Authority
CN
China
Prior art keywords
score
teacher
teaching
evaluation
student
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011158218.1A
Other languages
English (en)
Inventor
魏巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Zhongyou Information Technology Co ltd
Original Assignee
Guangzhou Zhongyou Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Zhongyou Information Technology Co ltd filed Critical Guangzhou Zhongyou Information Technology Co ltd
Priority to CN202011158218.1A priority Critical patent/CN112085421A/zh
Publication of CN112085421A publication Critical patent/CN112085421A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度BP神经网络的教师教学效果评价方法，包括以下步骤，数据综合检查，首先对得到的各学科教学评价分数和各学科成绩分数进行统计，并且对数据中的各科分数进行浏览，避免出现分数遗漏的情况，从而能够保证数据后期的准确性，减少数据误差。本发明通过基于深度BP神经网络，利用该网络的目标函数和梯度下降法，对学生的评价进行分析处理，让学校可以及时的了解各名老师的教学效果，并且该方法还结合了各名教师教学的学生成绩，通过学生成绩和教师上课受欢迎程度的相结合，通过观察概率密度函数就可以直观的得到该老师的受欢迎程度和学生成绩，从而可以判定该教师的教学质量，从而方便学校后期对教师的指导。

Description

一种基于深度BP神经网络的教师教学效果评价方法
技术领域
本发明涉及教学评价技术领域，尤其涉及一种基于深度BP神经网络的教师教学效果评价方法。
背景技术
院校教学的核心任务是教学工作，提高教学质量是促进院校为输送更好人才的关键，建立科学的院校教学质量评价系统是加强院校教学管理和提高教学质量的重要举措。院校实现教育目标的主要途径就是课堂教学，而院校教学的主体是教员。对教员的评价主要体现在教学质量上。院校教学工作的水平直接影响培养的部队人才水平。对院校教员进行教学质量评价，有利于院校管理者掌握教学工作情况，有利于提高院校教学质量。
教学质量评价是一个较为复杂的问题，因为影响教学质量评价的因素有很多。因此，在现阶段国内外并没有一个公认的、理想的教学质量评价体系，适用于院校的教学质量评价方法更存在理论研究和技术方法的空白，学校无法及时的了解学校教师的教学效果和各名老师的受欢迎程度等一些列问题，因此现在亟需一种教学效果评价方法。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度BP神经网络的教师教学效果评价方法。
本发明提出的一种基于深度BP神经网络的教师教学效果评价方法，包括以下步骤：
第一步:数据综合检查，首先对得到的各学科教学评价分数和各学科成绩分数进行统计，并且对数据中的各科分数进行浏览，避免出现分数遗漏的情况，从而能够保证数据后期的准确性，减少数据误差；
第二步:选择目标函数，由于BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或和一些其他问题，从结构上讲，BP网络具有输入神经元、隐藏神经元和输出神经元；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值；
S1：分数录入，根据BP算法中的误差平方为目标函数，首先对各学科教学评价分数和各学科成绩分数进行数据录入，并且命名为：
Xij(i:表示不同学科i＝1、2、...、r)
(j:表示不同学生j＝1、2、...、ni) (1)；
S2：计算分数总和，当对每个学生各科评价分数和各学科成绩分数命名完成之后，将得到的教学评价分数总和与各学科成绩分数总和进行统计：
Figure BDA0002743441840000021
S3：计算总平均数，当对每一科学生的评价分数与成绩分数进行统计，并且得到各科的分数总和时，利用公式将各科的平均数进行求出：
Figure BDA0002743441840000022
S4：计算各学科平均数，当得到各学科的评价分数平均数与各学科成绩分数平均数时，为了体现该学校的教学质量评价，对各学科的平均数进行统计平均数：
Figure BDA0002743441840000031
第三步：根据梯度下降法求最值，对于可微的数量场f(x,y,z),以
Figure BDA0002743441840000032
为分量的向量场称为f的梯度或斜量，其迭代公式为
Figure BDA0002743441840000033
其中其中s-(k)代表梯度负方向，ρk表示梯度方向上的搜索步长，梯度方向我们可以通过对函数求导得到，步长的确定比较麻烦，太大了的话可能会发散，太小收敛速度又太慢，一般确定步长的方法是由线性搜索算法来确定，即把下一个点的坐标看做是ak+1的函数，然后求满足f(ak+1)的最小值的ak+1即可。
优选地，所述第二步选择目标函数过后，对得到的各学科教学评价分数和各学科成绩分数出现的概率进行统计分析，若满足一维正态分布，其随机变量M服从一个位置参数为μ、尺数参数为σ的概率分布，且其概率密度函数为：
Figure BDA0002743441840000034
则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作M～N(μ，σ2)。
优选地，所述得到概率密度函数之后，对位置参数为μ、尺数参数为σ进行分析，其分析结果如下：当μ趋近于1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价好，集中偏向于高评价，且学生的平均分数μ高，该老师带出的学生平均成绩好，说明该老师综合教学成绩很好，并很受学生欢迎。
优选地，所述当μ趋近于1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价偏好，集中偏向于高评价，且学生的平均分数μ偏高，该老师带出的学生平均成绩偏好，说明该老师综合教学成绩偏好；但是学生成绩差距还是较大，可是该老师受学生欢迎，后续该老师对后期教学方法需要改善。
优选地，所述当μ远离1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价一般，好坏都有，且学生的平均分数μ偏低，该老师带出的学生平均成绩一般，说明该老师综合教学成绩一般；学生成绩差距较大，该老师受学生欢迎程度良好，后续该老师对后期教学方法需要改善；且与学生相处关系还要改善。
优选地，所述当μ远离1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价差，集中偏向于低评价，且学生的平均分数μ低，该老师带出的学生平均成绩差，说明该老师综合教学成绩差，并不受学生欢迎。
本发明的有益效果：
本发明的教师教学效果评价方法，通过基于深度BP神经网络，利用该网络的目标函数和梯度下降法，对学生的评价进行分析处理，让学校可以及时的了解各名老师的教学效果，并且该方法还结合了各名教师教学的学生成绩，通过学生成绩和教师上课受欢迎程度的相结合，通过观察概率密度函数就可以直观的得到该老师的受欢迎程度和学生成绩，从而可以判定该教师的教学质量，从而方便学校后期对教师的指导。
附图说明
图1为本发明提出的一种基于深度BP神经网络的教师教学效果评价方法的流程结构示意图；
图2为本发明提出的一种基于深度BP神经网络的教师教学效果评价方法的正态分布集中统计图；
图3为本发明提出的一种基于深度BP神经网络的教师教学效果评价方法的正态分布分散统计图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-3，一种基于深度BP神经网络的教师教学效果评价方法，包括以下步骤：
第一步:数据综合检查，首先对得到的各学科教学评价分数和各学科成绩分数进行统计，并且对数据中的各科分数进行浏览，避免出现分数遗漏的情况，从而能够保证数据后期的准确性，减少数据误差；
第二步:选择目标函数，由于BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或和一些其他问题，从结构上讲，BP网络具有输入神经元、隐藏神经元和输出神经元；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值；
S1：分数录入，根据BP算法中的误差平方为目标函数，首先对各学科教学评价分数和各学科成绩分数进行数据录入，并且命名为：
Xij(i:表示不同学科i＝1、2、...、r)
(j:表示不同学生j＝1、2、...、ni) (1)；
S2：计算分数总和，当对每个学生各科评价分数和各学科成绩分数命名完成之后，将得到的教学评价分数总和与各学科成绩分数总和进行统计：
Figure BDA0002743441840000061
S3：计算总平均数，当对每一科学生的评价分数与成绩分数进行统计，并且得到各科的分数总和时，利用公式将各科的平均数进行求出：
Figure BDA0002743441840000062
S4：计算各学科平均数，当得到各学科的评价分数平均数与各学科成绩分数平均数时，为了体现该学校的教学质量评价，对各学科的平均数进行统计平均数：
Figure BDA0002743441840000063
第二步选择目标函数过后，对得到的各学科教学评价分数和各学科成绩分数出现的概率进行统计分析，若满足一维正态分布，其随机变量M服从一个位置参数为μ、尺数参数为σ的概率分布，且其概率密度函数为：
Figure BDA0002743441840000071
则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作M～N(μ，σ2)，所述得到概率密度函数之后，对位置参数为μ、尺数参数为σ进行分析，其分析结果如下：当μ趋近于1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价好，集中偏向于高评价，且学生的平均分数μ高，该老师带出的学生平均成绩好，说明该老师综合教学成绩很好，并很受学生欢迎，所述当μ趋近于1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价偏好，集中偏向于高评价，且学生的平均分数μ偏高，该老师带出的学生平均成绩偏好，说明该老师综合教学成绩偏好；但是学生成绩差距还是较大，可是该老师受学生欢迎，后续该老师对后期教学方法需要改善，所述当μ远离1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价一般，好坏都有，且学生的平均分数μ偏低，该老师带出的学生平均成绩一般，说明该老师综合教学成绩一般；学生成绩差距较大，该老师受学生欢迎程度良好，后续该老师对后期教学方法需要改善；且与学生相处关系还要改善，所述当μ远离1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价差，集中偏向于低评价，且学生的平均分数μ低，该老师带出的学生平均成绩差，说明该老师综合教学成绩差，并不受学生欢迎；
第三步：根据梯度下降法求最值，对于可微的数量场f(x,y,z),以
Figure BDA0002743441840000081
为分量的向量场称为f的梯度或斜量，其迭代公式为
Figure BDA0002743441840000082
其中其中s-(k)代表梯度负方向，ρk表示梯度方向上的搜索步长，梯度方向我们可以通过对函数求导得到，步长的确定比较麻烦，太大了的话可能会发散，太小收敛速度又太慢，一般确定步长的方法是由线性搜索算法来确定，即把下一个点的坐标看做是ak+1的函数，然后求满足f(ak+1)的最小值的ak+1即可。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，包括以下步骤：
第一步:数据综合检查，首先对得到的各学科教学评价分数和各学科成绩分数进行统计，并且对数据中的各科分数进行浏览，避免出现分数遗漏的情况，从而能够保证数据后期的准确性，减少数据误差；
第二步:选择目标函数，由于BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或和一些其他问题，从结构上讲，BP网络具有输入神经元、隐藏神经元和输出神经元；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值；
S1：分数录入，根据BP算法中的误差平方为目标函数，首先对各学科教学评价分数和各学科成绩分数进行数据录入，并且命名为：
Xij(i:表示不同学科 i＝1、2、...、r)
(j:表示不同学生 j＝1、2、...、ni) (1)；
S2：计算分数总和，当对每个学生各科评价分数和各学科成绩分数命名完成之后，将得到的教学评价分数总和与各学科成绩分数总和进行统计：
Figure FDA0002743441830000011
S3：计算总平均数，当对每一科学生的评价分数与成绩分数进行统计，并且得到各科的分数总和时，利用公式将各科的平均数进行求出：
Figure FDA0002743441830000021
S4：计算各学科平均数，当得到各学科的评价分数平均数与各学科成绩分数平均数时，为了体现该学校的教学质量评价，对各学科的平均数进行统计平均数：
Figure FDA0002743441830000022
第三步：根据梯度下降法求最值，对于可微的数量场f(x,y,z),以
Figure FDA0002743441830000023
为分量的向量场称为f的梯度或斜量，其迭代公式为
Figure FDA0002743441830000024
其中其中s-(k)代表梯度负方向，ρk表示梯度方向上的搜索步长，梯度方向我们可以通过对函数求导得到，步长的确定比较麻烦，太大了的话可能会发散，太小收敛速度又太慢，一般确定步长的方法是由线性搜索算法来确定，即把下一个点的坐标看做是ak+1的函数，然后求满足f(ak+1)的最小值的ak+1即可。
2.根据权利要求1所述的一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，所述第二步选择目标函数过后，对得到的各学科教学评价分数和各学科成绩分数出现的概率进行统计分析，若满足一维正态分布，其随机变量M服从一个位置参数为μ、尺数参数为σ的概率分布，且其概率密度函数为：
Figure FDA0002743441830000025
则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作M～N(μ，σ2)。
3.根据权利要求2所述的一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，所述得到概率密度函数之后，对位置参数为μ、尺数参数为σ进行分析，其分析结果如下：当μ趋近于1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价好，集中偏向于高评价，且学生的平均分数μ高，该老师带出的学生平均成绩好，说明该老师综合教学成绩很好，并很受学生欢迎。
4.根据权利要求2所述的一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，所述当μ趋近于1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价偏好，集中偏向于高评价，且学生的平均分数μ偏高，该老师带出的学生平均成绩偏好，说明该老师综合教学成绩偏好；但是学生成绩差距还是较大，可是该老师受学生欢迎，后续该老师对后期教学方法需要改善。
5.根据权利要求2所述的一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，所述当μ远离1，且σ越大，说明数据分布分散，曲线越扁平，且间接的表明学生给予的评价一般，好坏都有，且学生的平均分数μ偏低，该老师带出的学生平均成绩一般，说明该老师综合教学成绩一般；学生成绩差距较大，该老师受学生欢迎程度良好，后续该老师对后期教学方法需要改善；且与学生相处关系还要改善。
6.根据权利要求2所述的一种基于深度BP神经网络的教师教学效果评价方法，其特征在于，所述当μ远离1，且σ越小，说明数据分布集中，曲线越瘦高，且间接的表明学生给予的评价差，集中偏向于低评价，且学生的平均分数μ低，该老师带出的学生平均成绩差，说明该老师综合教学成绩差，并不受学生欢迎。
CN202011158218.1A 2020-10-26 2020-10-26 一种基于深度bp神经网络的教师教学效果评价方法 Withdrawn CN112085421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011158218.1A CN112085421A (zh) 2020-10-26 2020-10-26 一种基于深度bp神经网络的教师教学效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158218.1A CN112085421A (zh) 2020-10-26 2020-10-26 一种基于深度bp神经网络的教师教学效果评价方法

Publications (1)

Publication Number Publication Date
CN112085421A true CN112085421A (zh) 2020-12-15

Family

ID=73729900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158218.1A Withdrawn CN112085421A (zh) 2020-10-26 2020-10-26 一种基于深度bp神经网络的教师教学效果评价方法

Country Status (1)

Country Link
CN (1) CN112085421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065806A (zh) * 2021-10-28 2022-02-18 贵州大学 基于脉冲神经网络的机械手触觉数据分类方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065806A (zh) * 2021-10-28 2022-02-18 贵州大学 基于脉冲神经网络的机械手触觉数据分类方法

Similar Documents

Publication Publication Date Title
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN107423820B (zh) 结合实体层次类别的知识图谱表示学习方法
CN109783879B (zh) 一种雷达辐射源信号识别效能评估方法及系统
CN109508429B (zh) 基于教育平台大数据分析的个性化自适应学习推荐方法
Gao [Retracted] Research and Implementation of Intelligent Evaluation System of Teaching Quality in Universities Based on Artificial Intelligence Neural Network Model
CN112529750A (zh) 基于图神经网络模型的学习事件推荐方法及系统
CN110990639B (zh) 一种教育信息化水平趋势分析的数据处理方法及装置
Shi et al. Crowdsourcing system for numerical tasks based on latent topic aware worker reliability
Yang et al. A multi-feature weighting based K-means algorithm for MOOC learner classification
CN107909278A (zh) 一种编程能力综合评估的方法及系统
CN112085421A (zh) 一种基于深度bp神经网络的教师教学效果评价方法
CN117079504B (zh) 一种大数据精准教学批阅系统的错题数据管理方法
CN111680163A (zh) 一种面向电力科技成果的知识图谱可视化方法
Zhang et al. Research on student Big Data portrait method based on improved K-means algorithm
Gu et al. Cluster analysis on the teaching evaluation data from college students
Zhou et al. Effectiveness analysis of machine learning in education big data
Wang [Retracted] Optimization of Ideological and Political Education Management Strategies under k‐Means Algorithm in Big Data Environment
Nidhi et al. Predictive Model for Students' Academic Performance Using Classification and Feature Selection Techniques
Gao et al. Classification decision tree algorithm in predicting students’ course preference
Zhang et al. Multiple classification models based student's phobia prediction study
Sondakh et al. Comparative Analysis of Three Classification Algorithms in Predicting Computer Science Students Study Duration
Xu et al. The Application of Improved K-Means Clustering Algorithm in Chinese Language Education in Vocational Colleges
Qu et al. Estimating Reliability for Tests With One Constructed‐Response Item in a Section
You et al. Impact Analysis of College Entrance Examination and General Education on Graduation Achievements
Zhang Analysis and prediction model of college sports Learning Performance based on Big Data Collaborative filtering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201215