論文の概要: Planning Courses for Student Success at the American College of Greece
- arxiv url: http://arxiv.org/abs/2207.02659v1
- Date: Thu, 16 Jun 2022 10:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 16:52:34.549955
- Title: Planning Courses for Student Success at the American College of Greece
- Title(参考訳): アメリカ大学ギリシャ校における学生成功のための計画コース
- Authors: Ioannis T. Christou and Evgenia Vagianou and George Vardoulias
- Abstract要約: 我々は、ギリシャのアメリカン・カレッジ・オブ・ギリシャの学生が研究を完了するために必要となるコースのスケジュールを最適化する問題をモデル化する。
結果のスケジュールを最適化する目的として,最速の完了時間,コース難易度バランスなど,いくつかの異なる目標を定式化します。
我々は,機械学習とデータマイニングの手法を用いて,受講生が受講生に期待する成績を捉えた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We model the problem of optimizing the schedule of courses a student at the
American College of Greece will need to take to complete their studies. We
model all constraints set forth by the institution and the department, so that
we guarantee the validity of all produced schedules. We formulate several
different objectives to optimize in the resulting schedule, including fastest
completion time, course difficulty balance, and so on, with a very important
objective our model is capable of capturing being the maximization of the
expected student GPA given their performance on passed courses using Machine
Learning and Data Mining techniques. All resulting problems are Mixed Integer
Linear Programming problems with a number of binary variables that is in the
order of the maximum number of terms times the number of courses available for
the student to take. The resulting Mathematical Programming problem is always
solvable by the GUROBI solver in less than 10 seconds on a modern commercial
off-the-self PC, whereas the manual process that was installed before used to
take department heads that are designated as student advisors more than one
hour of their time for every student and was resulting in sub-optimal schedules
as measured by the objectives set forth.
- Abstract(参考訳): 我々は,アメリカ・カレッジ・オブ・ギリシャの学生が授業を修了するために必要なコースのスケジュールを最適化する問題をモデル化する。
我々は、機関と部門が定める全ての制約をモデル化し、生成されたスケジュールの妥当性を保証する。
我々のモデルは,機械学習とデータマイニング技術を用いたパスコースのパフォーマンスを考慮し,期待されるGPAの最大化を達成できる,非常に重要な目標を掲げ,得られたスケジュールを最適化するためのいくつかの異なる目的を定式化した。
結果として生じる全ての問題は、生徒が利用できるコースの数の最大項数倍の順序の2進変数の混合整数線形計画問題である。
結果として生じる数学的プログラミング問題は、GUROBIソルバによって、近代的な商用オフザセルフPC上で10秒未満で解決可能であるのに対して、事前にインストールされた手動プロセスは、学生1人につき1時間以上の時間で生徒のアドバイザーとして指定され、その結果、目標によって測定された準最適スケジュールとなる。
関連論文リスト
- The Road Less Scheduled [75.09232139131437]
最適化停止ステップTの仕様を必要としない既存の学習率スケジュールは、Tに依存する学習率スケジュールにより大幅に改善される。
本稿では,スケジュールを全面的に活用することで,この停止時間を回避するアプローチを提案する。
論文 参考訳(メタデータ) (2024-05-24T16:20:46Z) - When, Why and How Much? Adaptive Learning Rate Scheduling by Refinement [51.12097770185634]
実際に使用される学習率のスケジュールは、理論によって推奨されるものとはほとんど似ていない。
我々はこの理論と実践的ギャップの多くを閉じ、その結果、新しい問題適応型学習率スケジュールを導き出すことができる。
論文 参考訳(メタデータ) (2023-10-11T19:16:35Z) - Automatic Algorithm Selection for Pseudo-Boolean Optimization with Given
Computational Time Limits [0.9831489366502301]
機械学習(ML)技術は、解決者のポートフォリオから最適な解法を自動選択するために提案されている。
これらのメソッドはメタソルバと呼ばれ、問題のインスタンスと解決者のポートフォリオを入力として取ります。
「Anytime」メタソルバは、指定された時間制限内で最高の性能の解決器を予測する。
論文 参考訳(メタデータ) (2023-09-07T03:04:50Z) - Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。
アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。
我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文 参考訳(メタデータ) (2022-12-30T12:32:43Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳(メタデータ) (2022-05-28T03:31:07Z) - An approach to optimize study programs using Discrete Event Simulation [0.0]
ドロップアウトは様々な理由で発生し、直接一般化できない。
大学を中退するだけでなく、生徒は特定の授業に悩まされることが多い。
一般学生の進行をよりよく理解するために,離散イベントシミュレーションが作成された。
論文 参考訳(メタデータ) (2021-10-25T10:10:54Z) - NICE: Robust Scheduling through Reinforcement Learning-Guided Integer
Programming [5.448283690603358]
我々は,強化学習と整数プログラミングを組み合わせたNICEを提案し,ロバストなスケジューリング問題に対処する。
我々はNICEを用いて、パイロットの飛行スケジュールの割り当てを決定し、破壊の影響を低減する。
実験の結果、NICEは様々なシナリオでスケジュールを作成でき、その結果、ベースラインの定式化よりも33%から48%のディスラプションが減少することがわかった。
論文 参考訳(メタデータ) (2021-09-24T20:16:33Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳(メタデータ) (2021-07-23T22:41:28Z) - Transformer-based Machine Learning for Fast SAT Solvers and Logic
Synthesis [63.53283025435107]
CNFベースのSATとMaxSATは論理合成と検証システムの中心である。
そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
論文 参考訳(メタデータ) (2021-07-15T04:47:35Z) - Learning to Schedule Heuristics in Branch-and-Bound [25.79025327341732]
現実世界のアプリケーションは通常、迅速な意思決定を可能にするために、検索の早い段階で優れたソリューションを見つける必要があります。
正確なMIPソルバにおけるスケジューリングのための最初のデータ駆動フレームワークを提案する。
最先端の学術MIPソルバーのデフォルト設定と比較して、挑戦的なインスタンスのクラスで平均プライマリ積分を最大49%削減することができます。
論文 参考訳(メタデータ) (2021-03-18T14:49:52Z) - Automated Large-scale Class Scheduling in MiniZinc [0.0]
本稿では,典型的な大学のニーズをすべて満たすことのできる授業スケジュールを効率的に作成するシステムを提案する。
提案システムでは,中等教育機関のスケジュールを1分以内で把握することができる。
論文 参考訳(メタデータ) (2020-11-15T12:02:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。