数据挖掘课程的教学探索.docVIP

数据挖掘课程的教学探索 　　【摘 要】数据挖掘已经成为很多应用领域的重要技术。本文分析了本科阶段数据挖掘课程的特点，阐述了以理论和案例教学相结合的教学方法，以更好地培养应用型人才。 　　【关键词】数据挖掘 案例教学 教学探索 　　【中图分类号】G642 【文献标识码】A 【文章编号】1674-4810（2015）33-0063-02 　　我们生活在一个信息爆炸的时代，更具体地说我们生活在一个数据爆炸的时代。每天，来自商业、社会、科学、互联网、移动设备等各个领域的数据以爆炸的方式增长着。巨大的数据中蕴藏着重要的信息和知识，因此我们需要强大和通用的工具，从海量的数据中发现这些有价值的信息，把数据转化为知识，因此导致了数据挖掘的诞生。“数据挖掘是从大量数据中挖掘有趣模式和知识的过程。数据源包括数据库、数据仓库、Web、其他信息存储库或动态地流入系统的数据。” 　　随着越来越多的企事业单位认识到数据挖掘的重要性，对数据挖掘人才的需要近两年也呈现快速增长的态势，大数据分析师更是被媒体称为“未来最具发展潜力的职业之一”。因此很多高校开设了数据挖掘课程。通过本课程的学习，使学生了解数据挖掘技术的整体概貌，了解数据挖掘技术的主要应用及当前的研究热点问题，了解数据挖掘技术的发展方向，掌握最基本的概念、算法原理和技术方法，培养学生应用数据挖掘解决实际问题的能力。本文分析了在本科阶段开设数据挖掘课程的特点，阐述了教学内容和教学方法，对数据挖掘课程教学进行了新的思考和探索 　　一 数据挖掘课程特点 　　1.大数据背景 　　“大数据”成为近年来比较热门的词语，同时也反映数据的爆炸式增长给我们带来的机遇和挑战。大数据在维基百科上的解释是：大数据是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式，通过数据的整合共享，交叉复用形成的智力资源和知识服务能力。大数据的四个特征是：数据量浩大；模态繁多、异构；生成快速；价值巨大。“大数据”分析的需求导致了数据挖掘的产生，也同时给数据挖掘带来了巨大的发展前景。 　　2.学科发展快，内容丰富 　　数据挖掘出现于20世纪80年代后期，90年代之后开始突飞猛进的发展，新的和改进的算法不断出现，所考察的数据类型日趋丰富，应用领域逐渐扩大。比如数据类型，有流、序列、图、时间序列、生物序列、空间、音频、图像和视频数据等。数据挖掘的模型和算法丰富，比如关联规则的挖掘有Apriori算法，分类规则的挖掘有决策树、神经元网络、朴素贝叶斯、支持向量机等，聚类规则挖掘，时间序列挖掘等。 　　3.学科交叉，难度大 　　数据挖掘课程作为一门多学科交叉的专业课程，涉及的学科较多。如统计学，多元统计学，时间序列，统计推断等；机器学习中的监督学习、无监督学习、半监督学习、主动学习等；数据库系统和数据仓库、计算机软件编程和开发、Web有哪些信誉好的足球投注网站引擎。众多的学科交叉增加了课程的教学难度，因此需要合理地规划课程内容和重点，循序渐进地展开教学内容。 　　二 教学探索 　　1.课程内容体系 　　数据挖掘是一门多学科交叉的前沿学科，它结合了数据库技术、统计学、机器学习、知识系统、信息检索、高性能计算和可视化等多问学科的知识。然而在目前的大学课程体系中，很难在有限的时间内开设这些课程。 　　―――――――――――――――――――――――― 　　* 韩山师范学院2014年校级优质网络课程――数学模型资助项目，通讯作者：李承耕 　　特别是对于数学与统计学院的学生，数学基础理论比较好，但是在数据库技术、计算机软件算法和编程方面比较薄弱，大部分的同学没有编程经验和数据处理分析能力。针对这些问题，我们数据挖掘课程的授课对象为大三或大四应用型专业的学生，并在前期课程中开设数学分析、高等代数、概率与统计、多元统计学等数学类课程，同时开设c语言、java语言、数值分析、数据库原理等计算机课程，这些课程的开设为数据挖掘授课打下了必要的理论基础。 　　数据挖掘的内容丰富，包含的知识点很多，我们构建了课程的核心知识结构。核心知识为三部分：（1）数据预处理，主要任务包括数据清洗，数据集成，数据变换和数据规约；（2）数据仓库，主要包括数据仓库的基本概念，数据立方体，数据立方体的设计与实现；（3）数据挖掘，主要包括数据挖掘的基本流程，数据挖掘的主要算法，数据挖掘的常用工具及数据挖掘的应用实例。考虑到数学与统计学院学生的特点和教学课时的限制，教学重点为数据预处理、数据仓库的基本概念、数据挖掘的主要模型三个方面，特别是数据挖掘的模型是重点讲授的内容。由于数据挖掘的模型和算法非常多，我们采用首先讲解数据挖掘的基本流程，然后重点讲解数据挖掘中关联分析、分类、聚类三个方面的模型。 　　我们采用理论讲解、实验操作、模型应用三个