高校数据挖掘课程教学模式探究(共6页).doc

精选优质文档-倾情为你奉上高校数据挖掘课程教学模式探究摘要：针对数据挖掘课程教学过程中存在的主要问题，提出以项目式学习为导向，案例辅助教学的教学方法，结合翻转课堂教学模式，从课前学习、课中讨论和课后应用三个环节开展教学活动，提倡研究生自主学习，充分挖掘学生的能力，实现学习者个性化学习的需求，并在项目实践中培养团队合作以及运用数据挖掘方法分析问题和解决问题的能力。关键词：数据挖掘；翻转课堂；项目式学习 一、引言随着我国教育信息化水平的不断提升，大数据已然成为信息技术发展的新趋势，数据挖掘技术在教育领域的广泛应用引起了教育变革，推动教育的发展。数据挖掘是大数据时代的产物，是学校培养数据挖掘人才的重要课程1。数据挖掘技术是统计学和计算机科学的交叉学科，涉及数据库技术、并行计算、分布式计算、统计学、人工智能、机器学习和模式识别等学科知识，在商务、医学、科学与工程等领域广泛应用2。数据挖掘课程涉及的内容广泛，要求学生知识面宽广、基础课程功底扎实等，很多高校已在本科阶段开设数据挖掘课程，以提高大学生解决实际问题的能力，进而为以后进入社会工作打好基础。本文探讨高校的数据挖掘课程教学，引导学校将理论教学与实践教学有机结合，创新数据挖掘课程的教学方法，理论课程多引用案例教学，以具体的实例引导学生学习；实践课程结合项目式学习的方法，依据具体的项目实践，完成项目任务，学以致用，不断提升综合实践的能力。二、高校数据挖掘教学现状（一）教学系统性不足数据挖掘课程的教学内容相当丰富，作为计算机科学与技术专业的核心课程，该课程要求学生对数据挖掘的技术有深层次的认识，掌握数据挖掘的原理、过程和方法，能够熟练运用数据挖掘技术解决问题。目前的该课程教学系统不够科学，实践教学与理论教学未能衔接，基本的操作技能未能得到拓展。（二）教学内容与企业需求有差距现今数据挖掘技术发展迅速，企业业务具有较大拓展性，因此企业招聘时要求人才能与时俱进。在学校教学中，教学内容往往依托着教材，由于实践课与理论课比例不当、校企合作不足等原因，致使学生在技能应用上的滞后。（三）适合个性化学习的资源缺乏目前与数据挖掘课程教学相适合的优质资源较为匮乏，例如：教学资源没有进行整体的设计，内容多为重复资源；教学资源更新不及时，没有及时跟进与国际接轨的最新、最前沿资源；没有很好的利用互联网资源，多以纸质教材资源为主；没有系统的设计适用于课堂个性化教学的资源。（四）课堂交互不足，学生积极性不高课堂教学活动中，教师不能引导学生积极主动地参与，学生学习积极性和主动性不高。例如：课堂教学只注重教学内容的呈现与讲解，且教学内容多以静态为主，忽视教学情景和交互的设计；教育技术的多种交互在课堂教学中体现不充分，课堂问题设计不具针对性，不利于好促进师生之间的交流。三、数据挖掘课程教学改革思路数据挖掘课程改革以深入开展校企合作为出发点，以企业需求为基础设计教学内容，根据典型的案例分析合理划分多个课程教学模块；分析各个知识点间的内在联系，在每个学习模块中安排结构化的学习项目，有层次的提升学生的学习能力；应用翻转课堂开展课程教学课程实践，按课前学习、课中讨论和课后应用开展每一个项目的学习；优化课程考核方法，增加过程性评价的比例，全面提高学生的综合能力。四、数据挖掘课程教学改革具体实施数据挖掘教学过程涉及课堂教学和实验教学。其中，理论课教学主要讲授数据挖掘概念、模型、方法和算法等相关内容；实验课教学则主要以加强学生对课堂知识的理解、培养应用能力为目标。理论课教学主要以案例为中心组织教学内容，以问题引出知识点并对知识点进行有机串联；通过案例分析的方式，学生能掌握数据挖掘技术的基本方法和流程。为了要巩固学生学到的知识，在实践课中以项目开发为手段，进一步培养学生的实践应用能力。因此，在实践课教学中，教师需要以具体的项目为导向，通过组织学生进行实际项目的开发，引导学生在完成项目任务中积极思考，主动探索，运用所学知识分析问题和解决问题，通过对知识的实际运用加深理解并促使学生主动学习和协作能力。（一）基于案例分析设计教学内容理论教学过程中，教师应采用案例教学，将教学模块中的主要知识点进行连接并以案例引导的方式进行教学，以问题引出知识点；在案例展开的过程中，围绕数据挖掘的知识点，辅以案例进行讲解。这些案例需要紧扣教学计划，根据各章节授课内容的重点和难点进行设计，以便帮助学生更好地学习基础知识和概念，理解数据挖掘的过程与方法。此外，案例应贴近现实生活中的应用，要有针对性、典型性。数据挖掘理论课教学过程中设计的应用案例3，如表1所示。表1 数据挖掘算法中的应用案例教学模块应用案例案例功能描述分类模型垃圾邮件的判别采用朴素贝叶斯的方法进行判别，根据邮件正文中的单词，是否经常出现在垃圾邮件中，进行判断。预测模型红酒品质的判断通过分类回归树模型进行预测和判断红酒的品质和等级。关联分析啤酒尿布啤酒尿布主要是产品之间的关联性，如果大量的数据表明，消费者购买A商品的同时，也会顺便购买B产品，那么A和B之间存在关联性。聚类分析零售客户细分识别不同的客户群体，然后精准地进行产品设计和推送。 异常值分析信用卡欺诈检测通过判断刷卡的时间、地点、商户名称、金额、频率等要素进行判断。协同过滤推荐引擎推荐引擎会同时考虑其他顾客的选择和行为，在此基础上搭建产品相似性矩阵和用户相似性矩阵。社会网络电信中的种子客户通过人们的通话记录，就可以勾勒出人们的关系网络。文本挖掘字符识别手机一些APP，可以扫描书本，然后把扫描的内容自动转化为word。课堂教学是以案例分析的方式展开，教师在讲授各教学模块时，首先给出案例并介绍所需要解决的问题，让学生带着问题进入内容的学习；其次分析问题并引出案例中涉及的各个知识点，让学生大致了解新的教学内容中涉及的主要知识点，对这些知识点的应用有一个初步认识，从而激发学生的学习积极性；最后对具有代表性案例中的知识点进行讲解，帮助学生掌握相关知识，引导学生进行知识迁移，将新学到的知识应用到案例中。 （二）结构化项目教学实践教学过程中，引入项目式学习（Project Based Learning）的教学方法，学习者以课程的核心概念和原理为中心内容，依据一个具体的项目，利用多种教学资源开展学习活动4，以项目任务的形式，要求学生通过综合利用所学知识设计、开发并最终完成实验项目。因此，在数据挖掘教学课程中，数据挖掘课程的总体目标是结合数据挖掘的专业知识，运用数据挖掘的相关理论或方法解决一个具体的问题。学生在整个项目的实现过程中了解和掌握各个知识的重难点，掌握数据挖掘方法的应用实践，熟悉数据挖掘技术的运行和实现环境。 项目1金融和电信应用案例1：基于公司价值评价的证券策略投资案例2：基于拐点变化的股票趋势预测案例3：基于客户分群的精准智能营销项目3公共服务应用案例1：卷烟消费者购买行为分析案例2：纳税人偷漏税评估案例3：企业信用评级项目5教育数据挖掘应用案例1：学习者在线学习行为分析案例2：数据挖掘优化教职工、学生管理工作案例3：基于期刊论文数据库的教育科学知识图谱构建项目2互联网应用案例1：商业零售行业中的购物篮分析案例2：电子商务网站中的商品推荐案例3：信息系统客户服务感知评价项目类型图1 项目选择教师可以依据数据挖掘课程内容，预先提供若干项目选题，如图1所示，也可以是学生根据兴趣选择项目，然后学生自由组合分成2-3人的小组，合作完成各组的项目。各小组选定各组的选题，首先利用参考书籍、互联网、文献期刊等搜集资料，完成项目申请书，并提交由在教师修改，初步确定各小组的任务方向；然后进行部分的修改与完善，各小组分配任务；最后确定各小组最终要完成的项目任务。（三）应用翻转课堂开展实践教学1.课前学习设计翻转课堂改变了知识传授和知识内化的方式，要求学生自主按照学习的任务进程进行知识点的学习和已学知识的巩固。根据数据挖掘课程的教学目标与教学内容，以项目式学习为主要形式，主要从三个部分开展，包括课前学习，自主学习，提出问题；课中讨论，观点新颖，互动交流；课后应用，项目实践，自主创新，以此设计翻转课堂的教学模式，如图2所示。图2 翻转课堂教学模式首先，设计本课程总项目的设计分析，即根据自己的兴趣或老师的要求设计项目，列出具体的实施细节，例如：教育数据挖掘：学生学习过程的数据挖掘项目规划，如表2所示，明确教学目标和应该掌握的基本方法，要求在整个项目的实现过程中，能够正确应用所学的知识，最终形成一个可以实现的项目文件。在项目的完成过程中，要充分注重团队的作用，要与同组的学员进行合作与交流。表2 学生学习过程数据挖掘项目规划项目主题学生学习过程数据挖掘项目实施步骤工具与方法细节描述数据准备网络教学平台日志数据采集SQL Server、MySQL等采集学生在线网络教学平台产生的登录、网页浏览、学习进度、互动交流、学习测验等阶段的日志数据，并导入数据库。数据选取网络教学平台日志数据库根据需要从原始数据库中选取相关的数据或样本。数据预处理SQL Server查询分类器等对平台日志预处理，选取学生登录行为记录、学生浏览网页记录、师生互动交流记录等的数据。确定数据挖掘目标SQL Server查询分类器、SSAS、Excel等对学生登录行为进行分析、学生浏览网页模式分析、师生互动行为分析、学生学习成绩影响因素分析等。选择算法、数据挖掘序列分析、聚类分析、关联规则等根据数据挖掘目标选择合适的算法，构建合适的模型，学生登录时间分布图，浏览网页分布图，师生互动网络关系图等。模式解释与评价聚类分析、关联规则模式等通过模式分析与理解获得学生在线学习的现状、在线网络教学平台的资源建设建议等。课前教师对每个单元提供学习任务单，让学生明确学习目标，知道课程学习的重点难点，对每个重要的知识点，设置课堂作业，小组研讨问题等，以期对学生的学习过程进行评价；教师拥有大量的国内外最新、最前沿的学习资源，课前与学生共享，提供中英文的PPT教学课件，中英文的参考教材以及精品课程的网络资源，为学生的学习提供支持。如：推荐学生学习加州理工学院公开课：机器学习与数据挖掘（中英文字幕），为数据挖掘课程学习建立基础。学生要根据自己制定的学习计划，明确学习任务，对重点难点要有自己的解决方法，对于数据挖掘工具要熟练的应用，对难理解的数据挖掘方法要反复的实验，以达到巩固和强化知识的目的。及时反馈学习中遇到的问题，在QQ群或微信群留言，以便教师或学生讨论或解答。2.课中讨论设计教师要营造一个互动的学习环境，对学生课前反馈的问题，总结出普遍性与共性的问题进行疑问解答；侧重讲解课程内容的容易被遗漏，容易混淆以及容易出错的知识点，如：学生在阅读英文文献时遇到个别术语的问题，中文解释与英文解释会有偏差，教师应及时讲解这方面的误解，以便学生更好的理解。对于很具有代表性、新颖的问题组织学生单独进行讨论，以小组为单位，进行观点的汇报，再提出问题，进行解答，建立良好的学习氛围。学生要擅于总结、提炼外文学习材料中的问题，挖掘出典型的、具有重要研究意义的问题，制作英文PPT在课堂中汇报，教师与学生一起再进行深入的分析理解。学生要对讨论课中提出的问题以及解决方法进行梳理，在汇总的基础上构成自己的知识体系。3.课后应用设计学生完成项目的验收阶段，学生需要完成项目任务书的书写，教师组织项目汇报展示，小组成员综合应用信息技术，汇报的形式不局限于口头陈述，可以制作PPT对本组项目进行陈述，或利用其他的形式展示。各小组成员在相互讲解的过程中互相学习，共同进步。教师对学生在项目完成过程中存在的问题进行分析和解答，学生在项目实践的过程中去理解和把握数据挖掘知识与技能，充分发挥学习的潜能，在实践中积累学习经验。（四）深入开展过程性评价过程性评价渗透于学习过程中，不是以一次评价作为学习价值判断的依据，它是对课程教学实施过程中的，学生学习动机、学习态度、学习过程和学习效果的综合评价。评价在学习过程中发生，可见于学习的各个环节，实施的过程体现动态性、全面性，评价的结果有利于体现学习者的真实价值5。数据挖掘课程评价的形式参考多方面因素的综合，如表3所示。课程的最终评价结果是过程性评价与总结性评价相结合的结果，教师通过评价学生课堂讨论的参与程度（外文文献的阅读与理解程度）、项目汇报（可执行性）、项目成果发表（论文或项目书）来评价学生的最终表现。表3 学生完成项目评价表学生项目学习评价形式评价内容评价方法项目申请书要求学生按格式书写项目申请书，要求学生要有基础实现项目的准备工作。项目成果展示各组将项目的实现方案展示汇报，各组之间合作交流。教师也对各小组的项目实现过程给出成绩评定。课堂讨论记录教师针对项目式学习各阶段学生对不同问题的讨论及提出的问题情况进行记录小组互评表包括组间互评和组内互评，对各自小组讨论课汇报或项目汇报的表现情况进行评价。学生自评表学生对自己在平时讨论课或整个项目式学习过程的表现进行反思，客观评定自己的自学情况，以及在小组工作中完成任务的情况。加分项说明分享阅读的外文核心期刊或文献，并能根据自己的理解制作英文PPT在课堂讲解，可予适当加分；结合自己的专业，运用数据挖掘理论或方法，撰写并发表论文，可予适当加分。五、总结在大数据迅速发展背景下，数据挖掘已然成为各高校的重要课程。在数据挖掘课程的教学过程中，学校和教师要积极创新教学思维和优化教学方式，创建丰富的实践环境，提供系统的学习资源，激发学生的学习兴趣，使学生能够熟练掌握理论知识并将其应用于实践，努力解决数据挖掘课程教学的困难，培养更多与时俱进的数据挖掘人才。本文对数据挖掘课程教学模式进行探讨，将翻转课堂与传统课堂相结合，将实际案例应用到理论教学，将某一项目贯穿于整个教学中，在课前自主学习，阅读和理解数据挖掘相关的学习资源，查阅资料，观看精品课程，反馈问题，在课堂中进行问题解答以及典型问题的讨论，使学生在掌握数据挖掘专业知识的同时，提炼自己的观点，掌握数据挖掘专业领域前沿的知识。参考文献：1 詹少强.大数据背景下的数据挖掘课程教学新探J.长春教育学院学报,2014,(22):81-82.2 Pang-Ning Tan, Michael Steinbach, Vipin Kumar.数据挖掘导论：完整版M.人民邮电出版社, 2011.3 周学春.数据挖掘算法与现实生活中的应用案例EB/OL.2015-9-21.4 霍玉秀.项目式学习模式与大学生自主学习能力培养的实证研究J.考试周刊,2015(91),144-145. 5 谢同祥,李艺.过程性评价:关于学习过程价值的建构过程J.电化教育研究, 2009(6):17-20.专心-专注-专业