2019新形势下本科数据挖掘课程教学的反思与改革论文.doc

2019新形势下本科数据挖掘课程教学的反思与改革论文 随着互联网技术的迅速发展，尤其移动互联网的爆发性发展，越来越多的公司凭借其备受欢迎的系统和APP如雨后春笋般发展起来，如滴滴打车、共享单车等。海量数据自此不再是Google等大公司的专利，越来越多的中小型企业也可以拥有海量数据。如何从浩如烟海的数据中挖掘出令人感兴趣和有用的知识，成为越来越多的公司急需解决的问题。因此，他们对数据挖掘分析师求贤若渴。在这一社会需求下，培养出优秀的数据挖掘分析师，是各个高校目前急需完成的一项任务。 一、教学现状反思 目前，各大高等院校本科阶段争相开设数据挖掘课程。然而，该课程是一门相对较新的交叉学科，涵盖了概率统计、机器学习、数据库等学科的知识内容，难度较大。因此，大部分高校一般将此课程开设在研究生阶段，在本科生中开设此课程的学校相对较少。另外，不同的学校将其归入不同的专业中，如计算机专业、信息管理专业、统计学、医学等。可以说，这一课程基本上处于探索的过程中。我院灾害信息系于xx年在信息管理与信息系统本科学生中首次开设了该课程。通过开设此课程，学生能够掌握数据挖掘的基本原理和各种挖掘算法等，掌握数据分析和处理、高级数据库编程等技能，达到数据聚类、分类、关联分析的目的。然而，通过前期教学过程，我们发现教学效果不理想，存在很多问题。 1.数据内驱力差 以往数据挖掘课程重点讲授数据挖掘算法，对数据源的获取和处理极少获取。目前各大教材都在使用一些公共数据资源，这些数据资源有些已经非常陈旧了，比如20世纪80年代的加州房价数据。这些数据脱离现实，分析这些数据，学生没有任何兴趣和学习动力，也就无法发现价值。 2.过于强调学习数据挖掘理论及算法的学习 大量具有难度的数据挖掘算法的学习，使学生丧失了学习兴趣，学完即忘，不知所用。 3.忽视对数据预处理过程的学习 以往所使用的公共数据源或软件自带数据源，数据量小，需要的预处理工作比较少；这部分内容基本只安排一次理论课、一次实验课。而实际通过爬虫获取的数据源数据量大；这部分工作量比较大，需要占到整个数据挖掘工作量的一半以上。因此，一次理论课和一次实验课是无法让学生掌握数据预处理技能的。 4.算法编程实现难度较大 要求学生学习一门新的编程语言，如R语言、Python语言，对本科非计算机专业的学生来说难度是非常大的，尤其是课时安排只有48课时。 5.数据挖掘分析及应用技能较差 学生能够理解课堂案例，但在实际应用中，无法完成整个数据分析流程。 二、数据挖掘课程改革 该课程的教学对象是信息管理与信息系统专业本科大四学生。因此，培养实际应用人才，使其完成整个实际数据挖掘分析流程是教师的教学目的。笔者对智联招聘、中华英才网、51job等几个大型站的几百个数据挖掘分析师相关职位进行分析，主要分析了相關职位的工作内容、职位要求以及需求企业。数据分析师主要利用数据挖掘工具对运营数据等多种数据源进行预处理、建模、挖掘、分析及优化。该职位是受业务驱动的，特点是将现有数据与业务相结合，最大程度地变现数据价值。该职位对计算机编程等相关技术不作要求，但是需要有深厚的数据挖掘理论基础，熟练使用主流的数据挖掘（或统计分析）工具。基于此，教师可以采取以下策略进行教学改革。 1.加强对业务数据的理解 数据挖掘分析师是受业务驱动的，所以要理解实际业务，明确本次数据挖掘要解决什么问题。教师可以构建案例库，包括教师案例库、学生讨论案例库。教师案例库由教师构建，可用于课堂讲授。学生案例库由学生分组构建，并安排讨论课，由学生讲述、讨论并提交报告。 2.加强对数据的获取 对学生感兴趣的数据源进行挖掘，这样才能更好地帮助学生理解吸收知识。因此，可以教授学生爬虫技术，编写爬虫程序，使其自主获取感兴趣的数据。 3.加强对数据的预处理工作 在数据挖掘之前使用数据预处理技术，能够显著提高数据挖掘模式的质量，降低实际挖掘所需要的时间，应将其作为整门课程的重点进行学习。增加理论课程和实验课时，使学生掌握数据清理、数据集成、数据变换、数据归纳等数据预处理技术，并能够应对各种复杂数据源，最终利用爬虫程序获取的各种数据源进行预处理工作。 4.强化数据挖掘分析 教师可以选择SPSSModeler这款所见即所得的数据挖掘软件作为配套实验平台。该软件具有必需的数据预处理工具及预设的挖掘算法，学生可以把注意力放在要挖掘的数据及相关需求上，设定挖掘的主题，然后通过鼠标的点击拖拉即可完成相关主题的数据挖掘过程。学生最终可对自己获取并已处理过的数据进行挖掘分析。 5.加强教师外出培训学习 数据挖掘技术以及大数据技术是近来比较新颖而且发展迅速的技术。教师长期身处三尺讲台之上，远离了新技术，脱离了实际。因此，需派遣教师到知名高校学习数据挖掘教学技术，到培训机构进行系统学习，到企业进行实战学习。 基于以上分析，形成了新的数据挖掘理论课程内容和实践课程内容，安排如表1和表2所示。共安排48学时，其中理论课24学时，实验课24学时。理论课重点讲授数据的获取、数据的理解、数据的预处理以及常用挖掘算法。实验课重点学习基于SPSSmodeler的数据挖掘，对理论课的内容进行实践。整个学习以工程项目为载体，该工程贯穿整个学习过程。学生通过爬虫程序获取自己感兴趣的数据源，根据课程进度，逐步完成后续数据的理解，再进行预处理，建模分析，评估整个过程。在课程结束时，完成整个项目，并提交报告。 三、结论 在数字时代，越来越多的企业急需数据挖掘分析人才。教师应以培养实际应用人才为目的，充分培养学生对数据挖掘的学习兴趣，以工程项目为载体，贯穿整个课程周期。在教学中，打牢数据获取、理解预处理这一基石，加强建模挖掘分析，弱化对晦涩算法的编程学习，使学生真正掌握数据挖掘技术，满足社会需求。 参考文献： 1李海林.大数据环境下的数据挖掘课程教学探索J.计算机时代，xx（2）：54-55. 2宋威，李晋宏.项目驱动的数据挖掘教学模式探讨