Please use this identifier to cite or link to this item: http://ithesis-ir.su.ac.th/dspace/handle/123456789/4167
Full metadata record
DC FieldValueLanguage
dc.contributorSiriporn SAKBOONYARATen
dc.contributorศิริพร ศักดิ์บุญญารัตน์th
dc.contributor.advisorPanjai tantatsanawongen
dc.contributor.advisorปานใจ ธารทัศนวงศ์th
dc.contributor.otherSilpakorn University. Scienceen
dc.date.accessioned2023-02-09T02:26:52Z-
dc.date.available2023-02-09T02:26:52Z-
dc.date.issued25/11/2022
dc.identifier.urihttp://ithesis-ir.su.ac.th/dspace/handle/123456789/4167-
dc.descriptionDoctor of Philosophy (Ph.D.)en
dc.descriptionปรัชญาดุษฎีบัณฑิต (ปร.ด.)th
dc.description.abstractTraditional recommendation techniques have difficulty scaling out, resulting in poor quality of the recommendation system. Can't support large data Especially when there are so many options to choose from. It becomes difficult for people to find what they want or what they are interested in and the course guidance system that faces such problems. Moreover, the course recommendation system is often in a disabled environment only on its own. And the system still uses the same technology to store and process the data, making it practically unusable in situations where the data changes and increases rapidly. when aiming at such problems The researchers propose a course guide system architecture for MOOCs environment called MCR-CG  with an Apache platform for administration. deal with big data and use a deep neural network and Long Short-Term Memory (LSTM) to work with a trained cluster. fit-generator method for developing system models. MCR-CG was tested on real datasets from Harvard and MIT published the edX. The results showed that both the model training and the model testing steps were up to 75% accurate. and has a time efficiency in the model training process that is up to 35% faster compared to non-clustering models. Moreover, the MCR-CG can support the scaling of storage in a horizontal format. (scale-out) and support large data.en
dc.description.abstractระบบคำแนะนำแบบดั้งเดิม (Traditional recommendation techniques) ประสบปัญหาในการขยายขนาด (Scale-out) ส่งผลให้ระบบคำแนะนำมีคุณภาพไม่ดีเท่าที่ควร ไม่สามารถรองรับกับข้อมูลที่มีขนาดใหญ่ โดยเฉพาะอย่างยิ่งเมื่อมีตัวเลือกให้เลือกมากมาย กลายเป็นเรื่องยากสำหรับผู้คนที่จะค้นหาสิ่งที่ต้องการหรือสิ่งที่พวกเขาสนใจ เช่นเดียวกับระบบคำแนะนำรายวิชาที่ต้องเผชิญกับปัญหาดังกล่าว ยิ่งไปกว่านั้นระบบแนะนำรายวิชามักจะอยู่ในสภาพแวดล้อมแบบปิดใช้งานแค่ในส่วนของตนเองเท่านั้น.  และระบบยังคงใช้เทคโนโลยีในการจัดเก็บข้อมูลและประมวลผลข้อมูลแบบเดิมทำให้ไม่สามารถใช้งานได้จริงตามสถานการณ์ที่ข้อมูลมีการเปลี่ยนแปลงและเพิ่มขึ้นอย่างรวดเร็ว  เมื่อมุ่งเป้าไปที่ปัญหาดังกล่าวผู้วิจัยขอเสนอสถาปัตยกรรมตัวแบบระบบแนะนำรายวิชาสำหรับสภาพแวดล้อม MOOCs ชื่อว่า MCR-CG ด้วยแพลตฟอร์มอาปาเช (Apache platform) สำหรับบริหารจัดการกับข้อมูลขนาดใหญ่ และใช้โครงข่ายประสาทเทียมเชิงลึก (Deep Neural Network) ร่วมกับ Long Short-Term Memory (LSTM) กับการทำงานแบบคลัสเตอริ่ง (Clustering) ที่ฝึกสอนด้วยวิธี fit-generator สำหรับการพัฒนาตัวแบบของระบบ MCR-CG ได้นำไปทดสอบกับชุดข้อมูลจริงของ Harvard and MIT published the edX  ผลการทดสอบแสดงให้เห็นว่าทั้งในขั้นตอนการฝึกสอนตัวแบบ (Model training) และขั้นตอนการทดสอบตัวแบบ (Model testing) ให้ผลความแม่นยำสูงถึง 75% และมีประสิทธิภาพเชิงเวลาในขั้นตอนการฝึกสอนตัวแบบ (model training) ที่เร็วกว่าถึง 35% เมื่อเทียบกับการทำงานแบบไม่ใช่คลัสเตอริ่ง (non-clustering)  ยิ่งไปกว่านั้น MCR-CG สามารถรองรับการปรับขนาดของพื้นที่จัดเก็บข้อมูล (Storage) ในรูปแบบแนวนอน (Scale-out) และรองรับกับข้อมูลที่มีขนาดใหญ่ได้ th
dc.language.isoth
dc.publisherSilpakorn University
dc.rightsSilpakorn University
dc.subjectบิ๊กดาต้าth
dc.subjectระบบแนะนำรายวิชาth
dc.subjectรายวิชาออนไลน์แบบเปิดสู่มวลชนth
dc.subjectหน่วยความจำสั้นระยะยาวth
dc.subjectโครงข่ายประสาทเทียมเชิงลึกth
dc.subjectBig Dataen
dc.subjectCourse Recommendationen
dc.subjectMassive open online courses (MOOCs)en
dc.subjectLong short-term memory (LSTM)en
dc.subjectDeep neural network (DNN)en
dc.subject.classificationComputer Scienceen
dc.titleApplied Big Data Technique for MASSIVE OPEN ONLINE COURSES (MOOCs) recommendation systemen
dc.titleการพัฒนาระบบแนะนํารายวิชาสําหรับรายวิชาออนไลน์แบบเปิดสู่มวลชนด้วยเทคนิคข้อมูลขนาดใหญ่th
dc.typeThesisen
dc.typeวิทยานิพนธ์th
Appears in Collections:Science

Files in This Item:
File Description SizeFormat 
60309802.pdf4.67 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.