python開放式課程推薦的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

使用詞向量透過無監督學習分群的學習序列聚類方法

為了解決python開放式課程推薦的問題，作者李蘊庭 這樣論述：

隨著2019 年Covid-19 新冠肺炎疫情爆發，居家隔離或者是遠距工作已然成為了不少人的日常，傳統的教學方式也因此次疫情受到了衝擊，此時大規模開放線上課程(MOOC)更彰顯出遠距教學與數位學習的重要。近年來人工智慧相關技術的發展以及各式各樣新穎的數據分析方法的誕生，推薦系統以及成效預測已經成為了一個重要的研究方向。大規模開放式線上課程 (Massive Open Online Courses，MOOCs)是現今不斷擴展的數位學習方式，將課程透過網路發送給學習者學習，這種線上學習的行為自主性強且不受時間和地點限制，對於有富有學習動機的人來說是絕佳的學習資源。本研究使用由日本京都大學開發的B

ookRoll 線上電子書學習系統搭配國立中央大學所開發的複習與答題系統，根據學生們使用教材學習的行為紀錄(Log)經過文本轉換後透過無監督學習方式進行學習策略的歸納，並探討學習行為與學習成效之間的關聯性。本文探討學生的學習行為足跡以此來了解學生對學習成效較佳的活動或行為，提供參考進而改善學生們的學習成效。我們透過Bookroll 平台與各複習系統上所收集的學習歷程進行處理，生成學生們的學習動作序列並歸納出學習策略。本研究希望能從中找出學習策略與學習成效的關聯性，提供老師輔導學生的參考。我們使用中央大學109 學年度下學期的Python 程式設計課程在混合式教學場景中的學習歷程與成果來分析學生

的學習策略，發現學生在Bookroll 平台上所留下的學習活動資料確實可以透過無監督學習的方式使用分群演算法來萃取其學習策略。研究發現，學生們使用BookRoll 及其他練習系統的足跡使用基於神經網路的文本表示方法後透過無監督學習所歸納出的所有學習策略皆與學習成效都達到顯著正相關，且使用基於神經網路的文本表示法運算速度非常快速，未來可應用於學習預警或推薦機制實現精準的教學干預。