Predicting students’ performance is very important in matters related to higher education as well as with regard to deep learning and its relationship to educational data. Prediction of students’ performance provides support in selecting courses and designing appropriate future study plans for students. In addition to predicting the performance of students, it helps teachers and managers to monitor students in order to provide support to them and to integrate the training programs to obtain the best results. One of the benefits of student’s prediction is that it reduces the official warning signs as well as expelling students because of their inefficiency. Prediction provides support to the students themselves through their choice of courses and study plans appropriate to their abilities. The proposed method used deep neural network in prediction by extracting informative data as a feature with corresponding weights. Multiple updated hidden layers are used to design neural network automatically; number of nodes and hidden layers controlled by feed forwarding and backpropagation data are produced by previous cases. The training mode is used to train the system with labeled data from dataset and the testing mode is used for evaluating the system. Mean absolute error (MAE) and root mean squared error (RMSE) with accuracy used for evolution of the proposed method. The proposed system has proven its worth in terms of efficiency through the achieved results in MAE (0.593) and RMSE (0.785) to get the best prediction.

中文翻译：

---

使用深度学习对高等教育学生的表现预测

在与高等教育相关的事务以及深度学习及其与教育数据的关系方面，预测学生的表现非常重要。对学生表现的预测为学生选择课程和设计合适的未来学习计划提供支持。除了预测学生的表现外，它还可以帮助教师和管理人员监控学生，以便为他们提供支持并整合培训计划以获得最佳结果。学生预测的好处之一是它减少了官方警告信号以及因为学生效率低下而被开除。Prediction 通过学生选择适合他们能力的课程和学习计划为他们提供支持。所提出的方法通过提取信息数据作为具有相应权重的特征，在预测中使用深度神经网络。多个更新的隐藏层用于自动设计神经网络；由前馈和反向传播数据控制的节点和隐藏层的数量是由以前的案例产生的。训练模式用于使用来自数据集的标记数据训练系统，测试模式用于评估系统。平均绝对误差 (MAE) 和均方根误差 (RMSE) 与精度用于所提出方法的演变。所提出的系统通过在 MAE (0.593) 和 RMSE (0.785) 中取得的结果证明了其在效率方面的价值，以获得最佳预测。多个更新的隐藏层用于自动设计神经网络；由前馈和反向传播数据控制的节点和隐藏层的数量是由以前的案例产生的。训练模式用于使用来自数据集的标记数据训练系统，测试模式用于评估系统。平均绝对误差 (MAE) 和均方根误差 (RMSE) 与精度用于所提出方法的演变。所提出的系统通过在 MAE (0.593) 和 RMSE (0.785) 中取得的结果证明了其在效率方面的价值，以获得最佳预测。多个更新的隐藏层用于自动设计神经网络；前馈和反向传播数据控制的节点和隐藏层的数量是由以前的案例产生的。训练模式用于使用来自数据集的标记数据训练系统，测试模式用于评估系统。平均绝对误差 (MAE) 和均方根误差 (RMSE) 与精度用于所提出方法的演变。所提出的系统通过在 MAE (0.593) 和 RMSE (0.785) 中取得的结果证明了其在效率方面的价值，以获得最佳预测。训练模式用于使用来自数据集的标记数据训练系统，测试模式用于评估系统。平均绝对误差 (MAE) 和均方根误差 (RMSE) 与精度用于所提出方法的演变。所提出的系统通过在 MAE (0.593) 和 RMSE (0.785) 中取得的结果证明了其在效率方面的价值，以获得最佳预测。训练模式用于使用来自数据集的标记数据训练系统，测试模式用于评估系统。平均绝对误差 (MAE) 和均方根误差 (RMSE) 与精度用于所提出方法的演变。所提出的系统通过在 MAE (0.593) 和 RMSE (0.785) 中取得的结果证明了其在效率方面的价值，以获得最佳预测。