6.3 数据挖掘的应用教学设计高中信息技术教科版2019选择性必修3 数据管理与分析-教科版2019

上课时间上课时间6.3数据挖掘的应用教学设计高中信息技术教科版2019选择性必修3数据管理与分析-教科版20192025年12月任课老师任课老师魏老师设计思路设计思路一、设计思路以课本中数据挖掘的经典应用案例（如电商推荐、医疗诊断）为切入点，通过情境创设引导学生感知数据挖掘的价值。结合生活实例，设计“数据挖掘如何解决实际问题”的探究任务，引导学生分析数据挖掘的流程（数据收集—预处理—建模—应用），理解其在不同领域的应用原理，培养学生用数据思维解决实际问题的能力，落实数据素养的培养目标。核心素养目标核心素养目标二、核心素养目标信息意识：感知数据挖掘在电商、医疗等领域的应用价值，主动关注数据驱动决策的意义。计算思维：通过分析数据挖掘案例，掌握数据收集、预处理、建模到应用的全流程逻辑，提升问题分析与解决能力。数字化学习与创新：运用数据挖掘工具（如课本提及的简单分析平台）处理实际问题，培养数据思维与创新能力。信息社会责任：认识数据挖掘中的隐私保护与伦理风险，树立负责任的数据使用意识。重点难点及解决办法重点难点及解决办法三、重点难点及解决办法重点：数据挖掘的应用场景及流程（数据收集—预处理—建模—应用），源于课本案例分析与流程梳理；难点：算法原理抽象及实际问题转化，源于学生缺乏算法实践与问题建模经验。解决办法：重点通过电商推荐、医疗诊断等课本案例，小组合作梳理流程；难点用决策树等简化算法示例，结合学生成绩分类等实例，借助课本推荐的工具（如Excel数据挖掘插件）设计模拟任务，引导学生将实际问题转化为数据挖掘问题，突破算法理解与应用障碍。教学方法与策略教学方法与策略四、教学方法与策略选择案例研究、项目导向学习等方法；设计电商推荐案例讨论、Excel数据挖掘插件实验活动；使用课本、PPT展示案例、计算机软件等媒体。教学过程教学过程（一）情境导入，激发兴趣（3分钟）

同学们，早上好！请大家打开手机，回忆一下最近在购物APP上浏览商品时，有没有发现推荐栏里的商品越来越符合你的喜好？比如你昨天搜索了“运动鞋”，今天首页就出现了不同品牌的运动鞋推荐。这背后其实是“数据挖掘”在发挥作用。今天我们就来学习6.3节《数据挖掘的应用》，看看数据挖掘是如何在电商、医疗、校园管理等领域解决实际问题的。（展示课本P120-121的电商推荐案例图片）课本中提到，电商巨头通过分析用户的历史购买、浏览、搜索等数据，挖掘出用户的潜在需求，从而实现精准推荐。你们有没有类似的经历？可以和同桌分享一下。（学生讨论30秒，请2-3名学生发言）很好，看来数据挖掘已经悄悄融入了我们的生活。接下来，我们就一起探索数据挖掘的奥秘吧！

（二）新课讲授，梳理核心（20分钟）

1.数据挖掘的定义与流程（结合课本P119）

同学们，首先明确什么是数据挖掘。课本P119指出，数据挖掘是从大量数据中发现有价值模式、规律的过程。它不是简单的数据查询，而是像“从沙子里淘金”一样，从海量数据中提取隐藏的信息。那数据挖掘一般包含哪些步骤呢？请大家看课本P120的图6-3-1，我们一起梳理。（PPT展示数据挖掘流程图：数据收集→数据预处理→数据建模→模式评估→应用）

数据收集是第一步，就像做饭要先准备食材。电商需要收集哪些数据呢？（引导学生回答：用户基本信息、购买记录、浏览时长、点击行为等）没错，这些数据来自用户的注册信息、交易日志、服务器后台等。但原始数据往往“脏”的，比如有重复值、缺失值、异常值，所以第二步是数据预处理。课本P121举了个例子：某电商平台收集了10万条用户数据，其中500条没有“年龄”信息，100条“购买金额”为负数，这些都需要通过填充缺失值、删除异常值等方法处理，确保数据质量。

2.数据挖掘的应用场景（结合课本案例与生活实际）

数据挖掘的应用非常广泛，课本重点讲了三个领域，我们一起逐一分析。

（1）电商推荐（课本P120-121案例）

课本中提到，某电商平台通过数据挖掘发现，“购买婴儿用品的女性用户，在3个月内购买母婴类产品的概率达85%”。基于这个规律，平台向这类用户推荐奶粉、纸尿裤等商品，使销量提升了30%。同学们，如果让你为校园书店设计一个图书推荐系统，你会收集哪些数据，如何挖掘规律？（学生思考1分钟，请1-2名回答）很好，可以收集学生的借阅记录、专业、年级等数据，分析不同专业学生的借阅偏好，比如计算机专业学生更倾向于借阅编程类书籍，从而实现精准推荐。

（2）医疗诊断（课本P122案例）

数据挖掘在医疗领域的应用能救命。课本P122介绍，某医院通过分析10万份病历数据，构建了糖尿病预测模型：如果患者“空腹血糖≥7.0mmol/L”“BMI≥28”“有糖尿病家族史”，则患糖尿病的概率是正常人的5倍。医生根据这个模型，可以提前对高风险人群进行干预，降低发病率。这里用到了分类算法，我们把患者分为“患病”和“未患病”两类，通过训练数据让模型学习分类规则。

（3）校园管理（课本P123拓展案例）

数据挖掘还能优化校园管理。比如某高校通过分析学生的“上课出勤率”“作业提交时间”“图书馆借阅频率”等数据，发现“连续3次缺勤且作业迟交的学生，期末挂科概率达70%”。学校据此建立预警机制，辅导员及时介入，帮助学生调整学习状态。同学们，你们觉得校园里还有哪些场景可以用数据挖掘解决？（学生讨论：食堂人流预测、实验室设备使用效率优化等）非常好，看来大家已经能主动联系生活思考了。

（三）探究活动，动手实践（25分钟）

刚才我们学习了数据挖掘的流程和应用，现在大家分组动手体验一下。全班分为6组，每组4-5人，完成“校园图书借阅推荐”模拟项目。（发放任务单、数据表、Excel数据挖掘插件操作指南）

任务要求：

1.数据收集：使用课本P123提供的“某班级图书借阅数据表”（包含学号、姓名、借阅书名、借阅日期、借阅次数等字段）。

2.数据预处理：用Excel筛选出“借阅次数≥3次”的图书，删除“借阅日期”为空的数据。

3.数据建模：使用Excel的“关联规则”插件（课本P124操作步骤），挖掘“经常被同时借阅的图书组合”（如“《Python编程入门》和《算法导论》”）。

4.应用输出：根据挖掘结果，为班级推荐“图书借阅组合”，并说明推荐理由。

（教师巡视指导，重点帮助解决插件操作问题：如如何加载数据挖掘插件、如何设置关联规则的支持度和置信度。提示学生：支持度指“同时借阅某两本书的人数/总借阅人数”，置信度指“借阅A书的人中借阅B书的比例”，可根据数据量调整参数，如支持度≥0.1，置信度≥0.5。）

（10分钟后，每组派代表展示结果，教师点评）

第1组：我们发现“《三国演义》和《明朝那些事儿》”被同时借阅的概率达35%，推荐喜欢历史的学生借阅这两本书，因为它们内容关联性强。

第2组：我们挖掘出“《高等数学》和《线性代数》”的关联规则，支持度0.2，置信度0.8，说明这两本书是理工科学生的必读组合，可以放在同一书架方便借阅。

很好！大家通过实践，不仅掌握了数据挖掘的基本流程，还能结合校园实际提出合理建议。这就是数据挖掘的价值——用数据说话，让决策更科学。

（四）巩固练习，深化理解（10分钟）

参考答案：

数据收集：顾客的购买记录（商品名称、购买时间、金额）、会员信息（年龄、性别、职业）、商品库存数据。

算法：关联规则（挖掘“啤酒与尿布”等关联商品）、聚类算法（将顾客分为“高频消费群”“价格敏感群”等）。

应用效果：对关联商品进行捆绑促销；针对不同顾客群体推送个性化优惠券，提升复购率。

（五）总结提升，拓展延伸（5分钟）

同学们，今天我们学习了数据挖掘的应用，重点掌握了其流程（数据收集→预处理→建模→应用）和在电商、医疗、校园等领域的具体案例。数据挖掘的核心是从数据中发现规律，解决实际问题，但我们也需要注意，数据挖掘必须遵守法律法规和伦理道德，比如保护用户隐私（课本P126“信息社会责任”栏目），不能滥用数据。

课后任务：

1.查阅资料，了解数据挖掘在疫情防控中的应用（如健康码行程轨迹分析），下节课分享。

2.尝试用Excel分析自己的“手机屏幕使用时间数据”，挖掘哪些APP占用时间最多，提出优化建议。

今天的课就到这里，下课！学生学习效果学生学习效果1.知识掌握层面

学生能准确复述数据挖掘的定义（课本P119），明确其核心是从海量数据中发现隐藏模式的过程；能完整梳理数据挖掘的五步流程（数据收集→预处理→建模→模式评估→应用），并说明各环节的作用（如数据预处理解决“脏数据”问题，建模阶段选择关联规则或分类算法）；能结合课本案例（P120-123）阐述电商推荐、医疗诊断、校园管理三大应用场景的具体原理，例如解释“啤酒与尿布”关联规则在促销中的应用机制，或糖尿病预测模型中关键指标（空腹血糖、BMI）的分类逻辑。

2.能力应用层面

学生能将实际问题转化为数据挖掘任务：如针对“校园食堂人流预测”问题，自主设计数据收集方案（收集日期、时段、菜品销量、天气数据）；能独立完成数据预处理操作（使用Excel筛选异常值、填充缺失值，参考课本P121案例）；能运用Excel数据挖掘插件（课本P124操作指南）生成关联规则或聚类结果，例如通过“班级图书借阅数据表”挖掘出“《Python编程》与《算法导论》”的高置信度关联；能基于挖掘结果提出应用建议，如“将关联图书相邻摆放提升借阅效率”。

3.素养提升层面

学生形成数据驱动的决策意识：在分析“学生成绩预警案例”（课本P123）时，能主动思考“如何通过出勤率、作业提交时间等数据预测挂科风险”；发展计算思维，在建模阶段理解算法选择逻辑（如分类算法用于医疗诊断，关联规则用于电商推荐）；强化信息社会责任，在讨论“用户隐私保护”（课本P126）时，能识别数据挖掘中的伦理风险（如未经授权使用用户消费数据），并提出合规建议（如数据匿名化处理）。

4.实践创新层面

学生能迁移所学知识解决新问题：在“校园书店推荐系统”项目中，设计“基于专业借阅偏好的个性化推荐方案”；在“疫情防控应用”拓展任务中，分析健康码轨迹数据如何通过聚类算法划分风险区域；能优化数据挖掘参数（如调整关联规则支持度阈值），提升模型准确性（如将支持度从0.1降至0.05以发现长尾关联）。

5.评价反馈层面

6.长期迁移效果

学生能将数据思维应用于其他学科：在生物课分析“实验数据异常值”时，运用预处理方法识别无效数据；在地理课研究中，通过聚类算法划分城市经济区域；在日常生活中，主动使用数据工具（如Excel分析个人消费数据），形成“用数据说话”的习惯。典型例题讲解典型例题讲解1.**例题**：电商推荐系统如何利用数据挖掘提升销量？请结合课本案例说明流程。

**答案**：收集用户购买、浏览数据→预处理清洗异常值→建模关联规则（如“啤酒与尿布”）→应用推荐关联商品，提升交叉销售（参考课本P120-121）。

2.**例题**：某医院需构建糖尿病预测模型，应选择哪种数据挖掘算法？依据课本案例说明关键指标。

**答案**：选择分类算法；关键指标包括空腹血糖≥7.0mmol/L、BMI≥28、家族病史（依据课本P122的糖尿病预测模型）。

3.**例题**：校园图书借阅数据挖掘中，若发现“《Python入门》与《算法导论》”同时借阅频率高，应如何应用？

**答案**：将两本书相邻摆放或捆绑推荐，提升借阅效率（参考课本P123校园管理案例的关联规则应用）。

4.**例题**：数据挖掘流程中，“数据预处理”环节的主要任务是什么？举课本实例说明。

**答案**：处理缺失值、异常值；例如电商删除负购买金额数据，填充缺失年龄值（依据课本P121数据预处理步骤）。

5.**例题**：设计一个基于数据挖掘的校园食堂人流预测方案，需包含哪些关键步骤？

**答案**：收集历史人流、菜品销量、天气数据→预处理异常值→建模聚类算法（按时段分组）→应用调整备餐量（结合课本P123校园管理拓展应用）。教学反思与总结教学反思与总结在教学过程中，我采用了案例研究和项目导向学习的方法，结合课本中的电商推荐、医疗诊断案例，引导学生探究数据挖掘的应用流程。情境导入环节通过购物APP推荐激发了学生兴趣，但时间控制稍显不足，导致新课讲授部分略显仓促。探究活动中，学生分组实践Excel数据挖掘插件时，部分学生操作遇到困难，反映出工具使用指导需加强，今后可增加课前预习任务。教学管理上，小组合作效果良好，但个别学生参与度不高，需设计更互动的任务提升全员投入。

教学效果方面，学生能准确复述数据挖掘的五步流程（数据收集→预处理→建模→应用），并应用课本案例解决实际问题，如校园图书借阅推荐。知识掌握上，学生理解了关联规则和分类算法的应用；技能上，能独立使用Excel处理数据；情感态度上，培养了数据思维和隐私保护意识。不足是算法原理讲解不够深入，学生难以理解模型构建逻辑。改进措施是引入更多简化实例，如决策树示例，并增加课后拓展任务，强化迁移能力。整体教学符合课本要求，但需优化时间分配和差异化指导，确保所有学生跟上进度。板书设计板书设计①数据挖掘核心概念与流程

-定义：从海量数据中发现有价值模式、规律的过程（课本P119）

-流程：数据收集→数据预处理→数据建模→模式评估→应用（课本P120