數據挖掘課程精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的數據挖掘課程主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：數據挖掘課程范文
在傳統教育中，教師通過與學生面對面的交流，獲得學生學習行為的表現信息，較為容易掌握學生的學習情況和課程教學效果，但隨著現代教育技術的發展，網絡學習方式的普及，以及學生學習行為的變化，研究網絡課程的教學方法受到了越來越多的關注。本文以Moodle網絡課程管理系統為研究基礎，分析并提出有針對性的數據挖掘方法構架，以達到對課程建設情況和學生學習情況的跟蹤分析，為教師改進教學策略、提高網絡課程教學質量提供有力支持及方法借鑒。
【關鍵詞】 網絡課程；數據挖掘；挖掘模式
【中圖分類號】 G40-034 【文獻標識碼】 A 【文章編號】 1009―458x（2014）09―0068―04
一、引言
隨著互聯網以及移動設備的迅速普及，人們使用網絡的時長在不斷增加，通過網絡進行學習的需求及能力也在迅速提高。據美國Ambient Insight研究報告指出，2009年美國中學以后的教育機構中，有44%的學生通過網絡進行課程學習，預計到2018年，美國通過網絡學習的學生人數將超過面授學生的總人數。在韓國，78%的高校都提供網絡教學（Allen et al. 2008）。在中國，教育部于2011年10月啟動了國家開放課程建設工作，教育部《教育信息化十年發展規劃》（2011-2020年）中也明確提出了“推動信息技術與高等教育融合，創新人才培養模式”的要求，融合的關鍵就是要選擇有效的網絡教學模式，因此，對網絡教學的質量和有效性研究正被人們所關注。
本文以Moodle網絡課程平臺為基礎，分析并提出有針對性的數據挖掘方法構架，以達到對課程建設情況和學生學習應用情況的跟蹤分析，為教師改進教學策略、提高網絡課程教學質量提供有力支持。
二、選擇Moodle網絡課程平臺的理由
之所以選擇Moodle課程管理系統建設網絡課程平臺，是由于Moodle課程管理系統是一個開源免費軟件，更主要的是其模塊化的設計非常易于課程的創建，能使課程教師擺脫課程網站建設的技術屏障，還可以使教師從課程內容的設計者轉變為教學資源與活動的組織者。[1]
在國外Moodle系統的應用得到了迅速推廣。有數據顯示，使用Moodle的國家和地區有200多個，注冊使用機構有67，000多所，注冊用戶數量達5，800萬，運行課程有600多萬門。注冊用戶最多的前五位國家分別是美國、西班牙、巴西、英國和德國。[2]
三、教師所關注問題調查
根據教育部頒布的《CELTS-31教育資源建設技術規范》，將教育資源建設分為素材、課程、評價和資源管理系統開發四個層次。其中素材與課程是網絡教育資源建設的基礎，評價和資源管理系統則分別是確保質量與實現資源建設的工具與手段。[3]對于建設網絡課程的教師需要了解它的使用情況，從而分析課程結構是否合理，調整課程內容的分布情況，優化網絡課程的設計，提高教學效果。
為了解教師使用網絡課程的期待值和目的性，我們采取目的抽樣和隨機抽樣相結合的方式，樣本來自筆者所在的三個教師專用QQ群人員。調查問卷設計從了解教師對網絡課程的需求、認識、應用三個主要層面展開，具體的問卷內容為四個部份：了解參與問卷教師的基本情況；了解教師對網絡技術應用的需求情況；了解教師對網絡課程的認識及使用困難所在；了解教師希望網絡課程能幫助解決教學中的哪些問題。問卷在公共專業問卷調查網站（問卷星）上，一周后回收有效問卷159份。數據分析基本報告可見鏈接：http：///report/3234099.aspx。
筆者所在院校為云南普通高校，與問卷的地圖分布情況相吻合，應該更能代表云南普通高校的普遍情況（見圖1）。
圖1 問卷來源地理分布比率圖
問卷中有96.61%的教師認為應該在教學中整合網絡技術，有38.98%的教師因為技術應用能力的不足，不夠明確如何使用網絡技術（見圖2），這說明我們建設網絡課程應該選擇如同Moodle這樣簡單易用的課程管理系統。
對于建設網絡課程，教師關注度較高的前4個方面是：學生學習過程參與的情況、網絡資源的使用情況、學生在線學習時間以及學生參與討論的頻度情況（見圖3）。
圖2 教師對網絡技術與教學融合的意見
圖3 教師關注信息統計
四、網絡課程數據挖掘模式構架
數據挖掘技術是獲取相關信息的有效技術手段。對于教師所關心的幾個方面內容，這里提供幾種可借鑒的方法：
1. 學生學習過程分析
美國教育評價專家斯克里文（G F. Scriven）在1967年所著的《評價方法論》中，提出形成性評價是為正在進行的教育活動提供反饋信息，以提高正在進行的教育活動質量的評價，是一種對學習進程的動態評價。教師和學生可以依據獲取的反饋信息了解學習狀態，及時調整教學或學習。[4]
在Moodle平臺中具備學生學習進展跟蹤功能。
方法一：通過設置“課程進度跟蹤”，了解學生各項學習活動的完成情況。
如圖4所示，進入課程，在“課程管理”/“課程進度跟蹤”進行跟蹤條件設置，然后再選擇“課程管理”/“報表”/“課程進度”，就會顯示選修該門課程的所有學生的各項學習活動的完成情況。
圖4 課程進度跟蹤設置
方法二：分析學生各項學習活動的參與度。
通過選擇“課程管理”/“報表”/“課程成員”，可以詳細地顯示各項課程活動學生的參與情況，以及參與的次數，更清楚地分析學生的學習努力程度。如圖5所示，列出了數據庫原理及應用這門課程的“第一部分測驗”活動、每個學生參與的次數。
方法三：采用數據挖掘手段，了解學生的學習風格。
此方法要求具備一定的數據挖掘知識及應用能力。通過Mysql系統提取Moodle后臺數據庫（＼server＼mysql＼data＼mysql）進行關聯規則分析。
關聯規則數據挖掘，可以發現學生學習行為之間的關系，通過對學生的某兩類網絡學習行為之間取值關系進行分析就可以得出它們之間的關聯性，進而預測學生將要進行的下一個行為，從而挖掘網絡學生學習行為之間的關系，使得學生學習風格顯性化。[5]
2. 課程資源利用情況分析
課程資源建設是影響網絡教學應用質量的重要因素。甘振韜等通過SQL Server的Analysis Services 工具，對網絡課程的資源配置情況，包括資源配置指數和訪問量進行分析。[6]
Moodle平臺能很直觀地呈現課程各項資源的訪問情況。
方法：選擇“課程管理”/“報表”/“課程活動”，課程設計的各項活動被訪問量被詳細統計出，如圖6所示，教師可以清楚了解課程資源的利用率情況，分析學生的學習喜好，適當調整各活動資源的配比。
圖6 課程資源訪問情況
3. 學生在線學習時間分析
對于某門課程，通過分析學生的日志，可以掌握學生的在線學習時間，以及學習時段的分布情況。
方法：點擊“課程管理”/“報表”/“日志”，其中可以設定查看所有成員或是某一個成員、所有活動或是某一項活動，以及所有日期或是某一天，學生的在線學習情況。如圖7所示。
圖7 學生日志
4. 學生參與討論的頻度分析
學生參與課程討論的頻度，可以反映學生的學習主動性，教師通過觀察可以即時進行有針對性的教學干預。
方法：選擇“課程管理”/“報表”/“課程成員”，如圖8所示，學生參與“課程聊吧”活動的情況。
圖8 學生參與討論活動的頻度
5. 學習成績分析
學生的最終學習情況需要一個成績評定，Moodle平臺的設計理念中非常強調過程性評價，它能夠記錄學生學習過程中的各項活動成績，包括師生、生生相互評價的成績，匯總成學生的最終成績。
方法一：查看教學活動的單項成績情況。
直接使用Moodle平臺所提供的課程管理功能，點擊“課程管理”/“成績”選項，打開成績管理菜單，再選擇“類別和項”下的“簡略視圖”（如圖9），可以查看教學活動過程各項匯總成績。并可以設置學習過程中各部分占總成績的比率。
方法二：對測驗試題結構分析。
在Moodle中若選擇測驗，則出現“測驗管理”，再選擇“測驗管理”/“統計”，可以得到本次測驗的統計分析報告。包括此測驗的標準偏差、測驗的分數分布偏度、分數的分布峰度等。還有此測驗試題的結構分析結果，包括容易度指數、試題的標準偏差等（如圖10），能讓教師科學地調整測驗的結構組成，試題的難易程度和分數的布局等。
圖10 測驗試題結構
方法三：在成績管理菜單下選擇“導出”為Excel、OpenDocument電子表格或其它文檔，再進行統計分析。
6. 群組分析（分組）
學生分組開展學習，可以促進學生的集體意識及合作能力的培養，但如何分組？各分組成員真的能很好地協作嗎？這需要教師特別注意，需要考慮如何分組才能更好地激發學生的學習積極性。
方法一：選擇“課程管理”/“用戶”/“小組”，可以自主創建小組，也可以用“自動創建小組”方式創建，如圖11所示，就是以自動方式創建的小組，其中還可以指定小組數量或是每個小組成員數。這種方式設置的小組較為隨機，如果希望分組能考慮成員的凝聚性可以選擇方法二進行。
方法二：應用社會網絡分析軟件，如UCINET等，可以開展學習社群的關系距離及中心性分析，以及小團體分析等分析。通過收集學生在討論區或是聊天室中的問答的關系情況獲得分析數據。對于社會網絡結構的特征分析可以輔助判斷師生交互網絡發展的成熟程度。
五、小結
本文基于Moodle網絡課程管理系統，介紹了教師關心的幾個方面的數據分析方法，為想要分析自己網絡課程使用情況的教師提供方法借鑒，從而教師能夠更好地調整網絡課程的內容組成、結構布局，以及教學方法策略的調整。同時，本研究也適當突破Moodle網絡課程平臺，提供了在其它網絡課程平臺中進行數據挖掘分析的方法和思路。通過幾個方面數據分析方法的整合，目的是提供一種進行網絡課程數據挖掘模式架構的研究。今后，研究還應深入底層數據的分析，提供更具通用性的網絡課程數據挖掘模式方法。
[參考文獻]
[1] 黎加厚. 信息化課程設計――Moodle 信息化學習環境創設[M]. 上海：華東師范大學出版社，2007.
[2] 張偉遠，段承貴. 網絡教學平臺發展的全球合作和共建共享[J]. 中國遠程教育，2012，（10）：32-36.
[3] 鄧康橋. workflow技術在網絡課程開發管理系統中的應用研究[J].中國遠程教育，2013，（4）：63-68.
[4] 劉納. 基于數據挖掘技術的網絡學習形成性評價研究[D]. 上海：華東師范大學，2012.
[5] 李素珍. 基于網絡學習行為分析的網絡學習風格與學習偏好挖掘模型研究[D]. 武漢：華中師范大學，2009.
[6] 甘振韜，梅文，郭玉軍. 數據挖掘技術在網絡課程資源配置中的研究[J]. 中國醫學教育技術，2012，26（6）：635-638.
第2篇：數據挖掘課程范文
關鍵詞： 數據挖掘； 課程內容體系； IT專業； 教學效果
中圖分類號：G642 文獻標志碼：A 文章編號：1006-8228（2014）11-65-02
Course construction of data mining course for IT specialty in application-oriented university
Li Zhong， Li Shanshan
（Institute of Disaster Prevention， Sanhe， Hebei 065201， China）
Abstract： Aiming at the content differences of data mining course in the application-oriented university， the training objectives and requirement for different specialty are analyzed. The content system and hours arrangements of data mining courses for IT specialty starting are given from the three major functions of data mining. Based on the last two years' student teaching effectiveness of data mining courses， it is concluded that combining theoretical and experimental training content settings with appropriate teaching methods can improve learning interest， stimulate learning enthusiasm， improve operating ability and achieve training objectives.
Key words： data mining； course content system； IT specialty； teaching effectiveness
0 引言
毋庸置疑，我們正處在信息時代。根據國際互聯網管理機構2012年的數據，每天全球互聯網流量累計達1EB（即10億GB），這意味著每天產生的信息量可以刻滿1.88億張DVD光盤[1]。要想在如此浩瀚的數字海洋里尋找有用的信息，簡直是大海撈針！因此數據挖掘技術應運而生。大概十幾年前，微軟創始人比爾?蓋茨就預言，數據挖掘技術將是未來計算機發展的重要方向之一，事實也的確如此。
數據挖掘技術誕生于20世紀80年代末，是統計學和計算機科學的交叉學科，涉及數據庫技術、統計學、機器學習、神經網絡、模式識別、知識發現、專家系統、信息檢索、高性能計算、可視化以及面向對象程序設計等若干學科知識，在商業、金融、保險、體育、勘探、生物技術等領域獲得廣泛應用。也正因為該課程涉及的內容寬泛，要求知識面寬廣、數學基礎扎實等，前幾年主要在研究生階段開設。但是隨著信息技術的快速發展，本科生能力要求提高，知識傳授的重心下移，很多高校已在本科階段開設數據挖掘課程，以提高大學生解決實際問題的能力，進而為課程設計和畢業設計打下必要的基礎[2]。
1 國內高校本科數據挖掘課程開設現狀
通過院校實地交流，結合網絡搜索，我們已經收集了十幾所高校的數據挖掘課程教學大綱，開設專業包含有計算機類專業、經濟統計類專業、電氣自動化類專業、生物技術專業等，各專業根據自己的人才培養目標制訂教學大綱、教學計劃、考試大綱等，其內容存在很大差異。其中985、211高校主要以英語授課，采用國外原版教材，課程內容涉及算法、編程較多；而一般院校多采用中文教材，根據專業不同，內容也有很大差異。
經濟統計類專業開設數據挖掘課程，要求學生了解什么是數據挖掘，以及如何用數據挖掘來解決實際問題，了解如何通過幾種數據挖掘技術建立數學模型，了解主流數據挖掘系統的特點，能夠安裝、使用，要求能夠熟練使用典型的挖掘工具對實際數據進行分析，具備從數據資源提取信息與知識并進行輔助決策的基本能力。
自動化專業開設數據挖掘課程，要求學生了解數據挖掘概念、原理、過程，學會利用數據挖掘技術處理問題，了解有關數據挖掘算法原理，熟練運用數據挖掘技術建立數學模型，要求能夠熟練使用數據挖掘軟件解決問題。
第3篇：數據挖掘課程范文
Abstract: The characteristic of data mining technology course and the problems in the course teaching were analyzed. Based on them, some countermeasures were proposed to improve the effect of course teaching of data mining technology.
關鍵詞： 數據挖掘技術；課程；教學
Key words: data mining technology；course；teaching
中圖分類號：G642.0 文獻標識碼：A 文章編號：1006-4311（2011）25-0155-01
0 引言
數據挖掘技術是電子商務專業的一門重要專業課程，它是信息化時代對信息與數據管理的必然要求。一方面，在生產、生活和商業活動中，我們產生了海量的數據，這些數據有著不同的表現形式，如最常見的超市記錄單、各種各樣的公司或商業數據庫，還包括音頻、視頻等；另一方面，我們需要從這些數據中尋求規律，對數據進行“挖掘”，使數據發揮更大的作用[1]。數據挖掘正是從大量的數據中提取出隱含的、以前不為人所知的、可信而有效的知識[2]。數據挖掘技術教學的目的就是要使學生掌握典型的數據挖掘技術，并能夠運用數據挖掘技術解決實際問題，為今后運用數據挖掘技術解決實際問題打下扎實的基礎。
1 數據挖掘技術課程特點
數據挖掘技術具有自己獨特的課程特點：
1.1 新穎性 1995年，在加拿大召開了第一屆知識發現和數據挖掘國際學術會議（International Conference on Knowledge Discovery and Data Mining），由于把數據庫中的數據形象地比喻為“礦床”，“數據挖掘”一詞很快流傳開來[3]。數據挖掘的發展僅有10余年的時間，數據挖掘技術課程是一門新興學科。
1.2 內容廣 數據挖掘包括關聯規則挖掘、分類規則挖掘、特征規則挖掘、時序規則挖掘、偏差規則挖掘、聚類規則挖掘和預測這七大任務，相應的，每種任務都有自己專門的挖掘技術[4]，如關聯規則挖掘的典型技術為Apriori算法及其衍生技術，分類規則挖掘的典型技術為ID3或C4.5決策樹算法及其改進算法等。
1.3 有深度 數據挖掘技術作為一門計算機與數據處理相結合的新興學科，具有一定的難度。其中的任何一個技術都可以獨立成篇，如粗糙集分類算法自原理至實例推廣就是一門單獨的課程；作為數據處理的重要內容，聚類算法同樣可以獨立成籍。
1.4 交叉性 誠如前面所述，數據挖掘技術有著廣泛的支撐背景，既包括信息論方法和集合論方法等歸納學習類技術，又包括神經網絡方法、遺傳算法方法、蟻群算法等仿生物技術，還包括成熟的統計分析技術和模糊數學技術，此外還有公式發現類技術和可視化技術等。可以這樣說，數據挖掘總是在廣泛吸取其他各門學科的先進技術，并加以轉化、發展的。
2 數據挖掘技術教學過程存在的問題剖析
數據挖掘技術作為一門新學科、新課程，發展迅速，但是其缺點也是不言而喻的，主要包括：
2.1 課程教材不統一 目前，數據挖掘技術的教材層出不窮，這些教材盡管總體涵蓋內容相近，均自成體系，但是有的細節卻并不一致，如多數教材主張采用E-R圖進行數據倉庫（數據挖掘通常總是與數據倉庫連接在一起的）設計，但也有教材持反駁態度[3]；對數據倉庫系統的體系結構說法也不盡一致，不同的教材給出不同的體系結構，有的甚至將數據結構等同于體系結構[5]。這主要是由于學科和課程的新穎性導致的，使得教材的編寫多帶有研究探索的性質，未能達成統一。
2.2 教學重點不統一 教材的不統一和學時的不統一（如有的院校是36課時，有的是48課時）導致教學重點也不統一，有的考慮到學生掌握知識的淺顯性，將重點放在統計分析技術，而對神經網絡技術和遺傳算法技術等相對較難的技術一筆帶過；有的則考慮到體系的完整性，對所有數據挖掘技術等同對待，均勻筆墨。
2.3 教學方式不統一 數據挖掘技術是一門實驗技術較強的課程，但是有的教師在安排授課時，僅設置理論課時，沒有實驗課時；有的教師則將課程直接放在實驗室來上，偏重于對學生實驗技巧的掌握。當然，更多的是將實驗課時與理論課時交錯進行的。對實驗安排的處理也不盡相同，有的分組進行，有的則由學生獨立完成。
3 提高數據挖掘技術課程效果的對策建議
3.1 精心編排課程講義 課程教材是授課的首要基礎，一本好的教材不僅便于教師的備課、授課，更有利于學生的理解。當然，教材與課時、教學大綱有著密切關系，教師在選擇教材時應充分考慮學生的學科基礎、授課課時數、教學大綱規定的培養目標等各種因素，從大量層出不窮的教材中選擇最理想的教材，適當的時候也可根據相關教材，整理一份恰當的講義教材，組織學生使用。
3.2 合理安排教學內容 數據挖掘技術的教學內容應考到學科體系的完整性，既要為學生打牢理論基礎，又要突出學生實踐能力的培養。因此要以“掌握理論、強化應用、突出能力”作為數據挖掘技術課程的培養目標，通過精選具有充分代表性、源于實際問題的典型例題與案例，使它們能基本覆蓋在實際中最常見的數據挖掘問題，在講解這些從實踐中抽取并經過精心改造和設計的例題和案例的過程中，逐步地建立起學生應該掌握的數據挖掘技術理論框架。
4 結束語
數據挖掘技術教學具有十分重要的現實意義，通過科學講述數據挖掘技術，有助于培養學生對理論知識的現實應用轉化能力，培養學生從現實世界出發提出問題、分析問題和解決問題的能力。數據挖掘技術的教學應以培養學生能力為主線，精心組織教學內容，有效采用多種方式，增進學生對知識的理解與掌握，顯著提高教學效果與質量。
參考文獻：
[1]陳文偉.數據倉庫與數據挖掘教程[M].北京:清華大學出版社，2006.
[2]Jiawei Han，Micheline Kamber著.范明，孟小峰譯.數據挖掘：概念與技術[M].北京:機械工業出版社，2007.
[3]周根貴.數據倉庫與數據挖掘[M].杭州:浙江大學出版社，2004.
第4篇：數據挖掘課程范文
【關鍵詞】客戶關系管理；數據挖掘；流程；模型
隨著市場經濟的發展，企業將面臨強大的競爭壓力，企業的產品越來越趨向于同質化，僅僅依靠產品本身很難在日趨激烈的競爭中取勝，所以愈來愈多的先進企業將重點從以產品為中心向以客戶為中心的新型商業模式轉移，客戶關系管理（CRM）也就應運而生。客戶關系管理（Customer Relationship Management）簡稱CRM，是由美國的Gartner Group me公司于1999年首先提出的。CRM是一種以客戶為中心的經營策略，它以信息技術為手段，并對工作流程進行重組，以賦予企業更完善的客戶交流能力，最大化客戶的收益率。CRM就是企業為了保持競爭力，采取的面向客戶、客戶驅動和以客戶為中心的發展策略。而企業在與客戶交互過程中積累下來的各種客戶數據恰恰是反映客戶特征和需求的最佳載體。當今許多企業的數據庫或數據倉庫中都搜集和存儲了大量關于客戶的寶貴數據，這些數據涵蓋了從客戶基本數據、購買記錄及客戶反饋的個個環節。充分利用這些數據，深入分析、挖掘隱含在這些數據中的有用信息，將有助于企業更好地管理客戶關系，實現CRM的功能和目標。然而，由于缺乏在大量數據中發現深層次信息的能力，許多企業對于這些數據的利用還只是停留在基礎層的瀏覽、檢索、查詢和應用層的繼承、組合、整理等方面，而無法將這些數據轉化為更加有用的知識。因此，如何更加有效地管理企業數據庫中快速增長的海量數據，將數據資源的利用提高到知識創新的高級階段，已經成為企業當前需要迫切解決的問題，數據挖掘（Data Mining簡稱DM）技術的運用就可以幫助企業很好地解決這個問題。
一、數據挖掘的流程
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在的和有用的信息和知識的過程，它可以按照企業既定的業務目標自動地從數據庫中提取出用以輔助企業決策的相關模式。數據挖掘的流程圖如下：
圖1中各步驟（1）確定業務對象。清晰地定義出業務問題，認清數據挖掘的目的是數據挖掘的重要一步。挖掘的最后結構是不可預測的，但要探索的問題應是有預見的，為了數據挖掘而數據挖掘則帶有一盲目性，是不會成功的。（2）數據準備。一是數據的選擇。搜索所有與業務對象有關的內部和外部數據信息，并從中選擇出適用于數據挖掘應用的數據。二是數據的預處理。研究數據的質量，為進一步的分析做準備。并確定將要進行的挖掘操作的類型。三是數據的轉換。將數據轉換成一個分析模型，這個分析模型是針對挖掘算法建立的。建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵。（3）數據挖掘。對所得到的經過轉換的數據進行挖掘。除了完善從選擇合適的挖掘算法外，其余一切工作都能自動地完成。（4）結果分析。解釋并評估結果，其使用的分析方法一般應作數據挖掘操作而定，通常會用到可視化技術。（5）知識的同化。將分析所得到的知識集成到業務信息系統的組織結構中去。
二、數據挖掘流程的模型
數據挖掘業內，公認的兩大模型是SAS的SEMMA和包括SPSS在內的行業協會提出的CRISP-DM。SEMMA強調的是應用的方法；CRISP-DM則從方法學的角度強調實施數據挖掘項目的方法和步驟。CRISP-DM是站在高處，在講一個總體大方向；而SEMMA在說具體應該如何著手。
1．SEMMA。（1）Sample──數據取樣。當進行數據挖掘時，首先要從企業大量數據中取出一個與企業要探索問題相關的樣板數據子集。通過數據取樣，要把好數據的質量關，一定要保證取樣數據的代表性、真實性、完整性和有效性，這樣才能通過此后的分析研究得出反映本質規律性的結果。根據具體的需求，可以創建訓練集、測試集和效驗集。（2）Explore──數據特征探索、分析和預處理。當用戶拿到了一個樣本數據集后，它是否達到用戶原來設想的要求，有沒有什么明顯的規律和趨勢，有沒有出現用戶所從未設想過的數據狀態，各因素之間有什么相關性，可區分成怎樣一些類別，這些都是首先要探索的內容。（3）Modify──數據調整和技術選擇。在問題進一步明確化的基礎上，用戶可以按照問題的具體要求來審視數據集，看它是否適應企業問題的需要。針對問題的需要，可能要對數據進行增刪，也可能按照用戶對整個數據挖掘過程的新認識，組合或者生成一些新的變量，以體現對狀態的有效描述。（4）Model──模型的研發和知識的發現。數理統計方法是數據挖掘工作中最常用的主流技術手段。應用SAS提供的多種分析工具不僅能揭示企業已有數據間的新關系、隱藏著的規律性，而且能預測事件的發展趨勢。用戶采用哪一種模型，主要取決于數據集的特征和用戶要實現的目標。另一方面，數據挖掘是一個反復的不斷深化的實踐過程，用戶可在實踐中選出最適合的模型。（5）Assess──模型和知識的綜合解釋和評價。經過以上五個步驟，用戶將會得出一系列的分析結果、模式或模型，常常是對目標問題多側面的描述。這時，就要能很好地綜合這些規律性，為企業提供合理的決策支持信息。
2．CRISP-DM。（1）業務理解（Business Understanding）。最初的階段集中在理解項目目標和從業務的角度理解需求，同時將這個知識轉化為數據挖掘問題的定義和完成目標的初步計劃。（2）數據理解（Data Understanding）。數據理解階段從初始的數據收集開始，通過一些活動的處理，目的是熟悉數據，識別數據的質量問題，首次發現數據的內部屬性，或是探測引起興趣的子集去形成隱含信息的假設。（3）數據準備（Data
Preparation）。數據準備階段包括從未處理數據中構造最終數據集的所有活動。這些數據將是模型工具的輸入值。這個階段的任務有個能執行多次，沒有任何規定的順序。任務包括表、記錄和屬性的選擇，以及為模型工具轉換和清洗數據。（4）建模（Modeling）。在這個階段，可以選擇和應用不同的模型技術，模型參數被調整到最佳的數值。一般，有些技術可以解決一類相同的數據挖掘問題。有些技術在數據形成上有特殊要求，因此需要經常跳回到數據準備階段。（5）評估（Evaluation）。在開始最后部署模型之前，重要的事情是徹底地評估模型，檢查構造模型的步驟，確保模型可以完成業務目標。此階段的關鍵目的是確定是否有重要業務問題沒有被充分的考慮。在這個階段結束后，一個數據挖掘結果使用的決定必須達成。（6）部署（Deployment）。通常，模型的創建不是項目的結束。模型的作用是從數據中找到知識，獲得的知識需要便于用戶使用的方式重新組織和展現。根據需求，這個階段可以產生簡單的報告，或實現一個比較復雜的、可重復的數據挖掘過程。
參考文獻
[1]Margaret H.Dunham.數據挖掘教程[M]．清華大學出版社，2005
[2]魏兵．數據挖掘技術在客戶關系管理中的應用研究[D]．南京理工大學碩士．2005
[3]章兢，張小剛．數據挖掘算法及其工程應用[M]．機械工業出版社，2006（6）：56～73
[4]趙閃．數據挖掘在客戶關系管理中的應用研究[D]．廣東工業大學碩士學位論文．2007
[5]邵兵家，于同奎．客戶關系管理一理論與實踐[M]．清華大學出版社，2004
[6]賈月娥．客戶關系管理趨勢談[J]．管理信息化．2003
第5篇：數據挖掘課程范文
關鍵詞：數據挖掘；教務管理；決策支持
中圖分類號：G647 文獻標志碼：A 文章編號：1674-9324（2014）13-0010-03
近年來，隨著高等學校擴招以及計算機在管理中的普及應用，學校教學管理系統積累了大量的數據。目前，這些數據只是用于簡單的成績分析，并未能充分用于規律分析和處理，未在學校管理和決策起到應有的作用。因此，利用數據挖掘技術對學生成績數據進行深層次分析，找出其中各種潛在模式及影響因素，將對學生選修課個性化管理、課程設置、教學計劃制訂和教學實踐有重要的指導作用[1-3]。本文針對高等院校教學管理系統普遍存在的問題，提出了將數據挖掘技術應用到本科生成績管理、分析和實踐，通過從學生成績數據中挖掘潛在的、有用的信息，目標是為教學管理者提供決策，為學生選課提供支持。
一、數據挖掘的概念
1989年，在第11界國際人工智能的專題研討會上，學者們提出了基于挖掘的知識發現（KDD）概念。1995年在美國計算機年會上，一些學者開始把數據挖掘視為數據庫知識發現的一個基本步驟或把兩者視為進義詞討論[4，5]。所謂數據挖掘（Data Mining），就是從大量、不完全、隨機的實際應用數據中，提取隱含的、未知的、具有潛在應用價值的信息和知識的過程。其主要特征表現為：數據源必須是真實的、大量的；挖掘加工出用戶感興趣的知識；形成的知識要可接受、可理解、可運用。通過數據挖掘，可以幫助決策者尋找規律，發現被忽略的要素，預測趨勢，并用于決策。數據挖掘是對數據內在和本質的高度抽象與概括，是對數據從感性認識到理性認識的升華。數據挖掘又被稱為知識發現（Knowledge Discovery，KD），因此許多知識發現中的算法，如人工智能，也常常被使用于數據挖掘過程中。數據挖掘一般以下7個步驟：（1）數據清理：消除噪聲和不一致數據。（2）數據集成：可以把多種數據源組合在一起，將數據結果放在數據倉庫中。（3）數據選擇：從數據庫中提取與分析任務相關的數據。（4）數據變換：通過匯總或聚集操作把數據變換或統一成適合挖掘的形式。（5）數據挖掘：使用智能方法提取數據模式。（6）模式評估：根據用戶某興趣度度量，識別表示知識的真正有趣的模式。（7）知識表示：實用可視化和知識表示及技術向用戶提供挖掘的有用知識。
二、數據挖掘技術在本科教學管理中的應用
大學本科教學管理，一般涉及了學生成績管理、選課管理、學生評教等幾部分內容，其實質上也是一個數據分析、加工利用和決策管理的過程。因此，利用上述數據挖掘的方法，對大學本科教學管理數據進行深層次的分析，可以將人們對數據的應用從低層的數據查詢提升到決策支持、信息預測，在教學管理的諸多方面發揮著重要作用。
1.本科生成績的挖掘加工。學生成績是評價教學質量的重要依據，也是評價學生對所學知識掌握程度的重要標志，在高等教育質量評價中居于重要位置。所以通過對學生的成績進行分析和挖掘，可以為教學管理者提供改善教學條件，加強教學管理，深化教學改革，提高教學質量等方面的重要依據。利用數據挖掘技術，通過不同范圍、不同角度分析學生的成績和分布規律，挖掘影響學生成績的因素。主要包括：①統計分析各門課程成績分布，包括最高分、最低分、及格率等；分析各門成績之間的關系。②按班級分析學生成績分布，以及影響班級成績的因素。生成各年級成績分布情況排名，年級成績分布曲線。③不同任課教師給予的學生平均成績；學生成績與教師學歷、職稱，教學經驗之間的關系。④各生源地成績分布，生源地與學生成績間的關系。利用關聯分析或分類分析，可以發現一些普遍性的現象。如通過分析學生的成績，可能發現“高等數學”成績好的學生，其在計算機語言類課程的成績也好。但這種分析，也可能導致對暫時不具有普遍性課程的忽略。
2.學生選課信息的挖掘分析。選課就是學生利用計算機軟件選擇自己所上的課程。選課數據中可能隱藏著對教學管理具有重要的參考價值，數據挖掘技術可以用來找出這些隱藏在數據背后的信息和知識。主要可從以下幾個方面進行分析挖掘：分析各門課的課程歸屬和所占學分，確定學生選課時對不同課程歸屬課的學分多少的考慮；分析各門課的選課人數，確定課程的歡迎程度；分析各門課選課率，了解學生對目前課程安排中的滿意程度；分析某門課程的選課學生情況，了解選擇當前課程的學生的專業情況；分析各門課程的任課教師情況，了解任課教師的實際情況和綜合能力。具體的挖掘步驟可按如下進行：①首先要對選課的原始數據進行預處理，把其原始數據采樣后轉換成適合數據挖掘的數據。由數據收集階段得到的數據可能有一定的“污染”，表現在數據可能存在自身的不一致性，或者有缺失數據的存在等，因此要進行抽樣與清理。在處理的過程中，要明晰數據的上下結構和面向對象，為數據挖掘作好準備。②完成數據的預處理之后，確定參與挖掘的數據表，在教務選課系統中學生選課表是基本事實表，課程信息表、學生信息表和教師信息表可作為維表。③最后將預處理之后的數據進行狀態運行，在此基礎上選擇合適的數據挖掘算法進行數據挖掘。數據挖掘通過匯總或聚集操作將數據變換或統一成適合挖掘的形式，可單獨利用也可綜合利用各種數據挖掘方法對數據進行分析，挖掘用戶所需要的各種規則、趨勢、類別、模型等。挖掘的最終結果可以用可視化的圖形方式表現出來。根據挖掘的結果，得出選課背后隱藏的各種數據信息，如某些專業的學生喜歡選某位老師所開設的相關課程，部分學生總是選擇學分較多的有更多上機機會的課程等等。
3.學生評教信息挖掘分析。合理評價教學的技術水平是衡量一個學校教育質量的重要標準。教學評價就是根據教學目標和教學計劃的要求，系統全面地收集數據，對教學過程中的教學活動以及教學成果給予判斷的過程。評教內容一般包括對學生“學”的評價和對教師“教”的評價。下面以學生綜合測評指標和學生評教指標為例，將關聯規則和粗糙集理論應用于評價系統，通過對各指標的排序、約簡等，在一定程度上對評價指標優化，討論把數據挖掘技術引入學生評教指標優化和信息分析。另一方面，評定學生的學習行為，既可對學生起到信息反饋和激發學習動機的作用，又是檢查課程計劃、教學程序以至教學目的的手段。同時，考查學生個別差異，便于因材施教的途徑。評價要遵循“評價內容要全面、評價方式要多元化、多次化、注重自評與互評的有機結合”的原則。利用數據挖掘工具對學生的學習成績數據庫、行為記錄數據庫、獎勵處罰數據庫等進行分析處理，可以及時得到學生的評價結果，對學生出現的不良學習行為進行及時指正。同時，還能夠克服教師主觀評價的不公正、不客觀的弱點，減輕教師的工作量。另外，將關聯規則運用于教學評價數據中，可以探討教學效果的好壞與教師年齡、職稱之間的關系、學生各項素質指標之間的關系等，用來及時地對教師的教學和專業發展以及學生的學習和個性發展提供指導，這是非常有意義的。
4.教師信息的挖掘分析。教師信息是本科教學管理中的重要方面，如使教學評價過程科學化，增強教學工作的預測功能和評價功能，為教學的客觀決策和客觀評價教師、了解教師的教學質量提供了一種比較合理的管理依據。主要包括：①教師個人信息：包括教師學歷情況、職稱情況、科研情況、研究方向、級別、工作經歷等各種信息，可運用關聯規則方法對教學評價結果和教師個人信息一起進行挖掘，從而得出影響教學結果的潛在的教師個人信息的部分情況。②教師素質：包括教師的思想政治素質、道德素質、文化素質、智能素質、心理素質、身體素質、外在素質等七個方面，通過數據挖掘技術在學生成績或者相應的調查信息的挖掘，看出哪些因素對教學方面有較大影響，切實加強教師在哪些素質方面的培養和提高，從而有利于教學管理方法的制定和實施。③教師績效：包括教師的工作業績、工作態度、工作技能等方面的綜合考核。應用數據挖掘技術，可以從教學評價數據中進行數據挖掘，查詢教學效果與教師的工作態度、工作技能等的各種關聯，找到教師的教學效果與教師績效的關系問題，合理調配一門課程的上課老師，使學生能夠較好地保持良好的學習狀態，從而為教學部門提供了決策支持信息。
我國高校的教學管理長期沿用經驗管理模式，往往難以避免管理滯后的弊端，尤其是近年來隨著教學管理中產生的數據急劇增加以及對信息量的更高要求，把數據挖掘技術應用到教學管理系統中，必將為各教學管理部門的決策提供切實可行的依據，可以促進教育管理的進一步改革、完善和發展。對數據挖掘工具的有效利用，能夠客觀地反映教學系統中存在的問題，為實現高校的教學改革，將來在激烈的競爭中掌握主動，從而提高管理的科學性、針對性和高效率。
參考文獻：
[1]梁循.數據挖掘算法與應用[M].北京：北京大學出版社，2006.
[2]劉曉霞.數據挖掘技術在高校教學中的應用[J].現代計算機，2008，（285）：115-116.
[3]張玉林.數據挖掘技術在教學過程中的指導作用[J].西安通信學院學報，2006，（02）：38-40.
[4]陳文偉.數據倉庫與數據挖掘教程[M].北京：清華大學出版社，2006.
第6篇：數據挖掘課程范文
關鍵詞:數據挖掘;信息處理;教學管理
中圖分類號:G434 文獻標識碼:A
Application Analysis of Data Mining Technology in Teaching Management
DONG Jun-kai
(Yanshan University, Hebei Qinhuangdao 066004)
Key words:data mining;information processing;teaching management
隨著信息技術在高校管理中的普及,在教學管理中積累了海量的各種數據。這些與教學相關的數據已經形成一個完整的信息數據庫。在當今信息化條件下,對這些數據進行處理、分析和挖掘,目的是想發現對學校教學管理、學生管理等各個方面有作用的指導信息。這些知識可以輔助學校管理者決策,提高學校的綜合實力,同時也可以為學校提高教學質量,優化教學資源提供可靠的數據依據[1]。
數據挖掘(Data Mining ,DM) 是一個多學科交叉融合而形成的新興學科,已經被廣泛應用于社會階層各個行業的多個方面。DM已經在許多領域取得令人滿意的應用效果。在教育方面,隨著數據信息的不斷增長,把數據挖掘技術應用到高校管理當中,可以促進教育體制的完善、發展以及必要的改革。DM技術能客觀地反映高校管理中存在的一些問題,為制定學校的方針政策提供重要依據。隨著教育信息化進程的推進,將數據挖掘技術應用于教育中,從大量的教育數據中發現隱藏的、有用的知識來指導教育、發展教育,成為當今勢在必行的重要的研究課題[2]。
1 數據挖掘技術
數據挖掘(DM, Data Mining) 就是從大量的、不完全、有噪聲的、模糊的、隨機的數據中,提取隱含在其中的,人們事先不知道的,但又是潛在有用的信息和知識(模型或規則)的過程,是一類深層次的數據分析方法。它是一門交叉學科,包括機器學習、數理統計、神經網絡、數據庫、模式識別、粗糙集、模糊數學等相關技術。將數據挖掘技術應用于教學評價無疑是非常有益的,它可以全面地分析教學評價結果與各種因素之間隱藏的內在聯系。
隨著數據挖掘技術的成熟及應用領域的不斷擴展,許多高校研究人員已開始研究將數據挖掘技術應用于高校教學管理中,這對提高學校的管理水平起到了很好的作用。利用數據挖掘技術可以從教學管理的各個層面,精確地展現目前存在的許多潛在的有用的各種信息。通過把數據挖掘技術引入到教學管理中,可以找出教學管理中存在的潛在因素,從而制定對應的措施,進一步引導學生學習積極性,最終提高教學質量,增強教學效果。
2 數據挖掘技術在教學中的應用
數據挖掘可以看成是一種決策支持過程,是深層次的數據信息分析方法,把數據挖掘技術應用于高校信息管理
是非常有幫助的,可以全面地分析各種因素之間隱藏的內在聯系。數據挖掘技術在教學管理的各個方面都有典型的應用,如學生信息、教師信息方面等,其中最常見的是在教學質量評價結果和成績分析中的應用。考慮到數據挖掘在教學質量評價結果和成績分析這方面的論文已經非常廣泛,因此這里只給出其他方面的應用。
2.1對教師方面信息的挖掘
數據挖掘技術應用于教學管理中,對教學水平的提高有著積極作用。如使教學評價過程科學化,增強教學工作的預測功能和評價功能,為教學的客觀決策和客觀評價教師、了解教師的教學質量提供了一種比較合理的管理依據,為教師教學質量的提高提出了一種新的分析思路和研究方法[3]。
(1)課堂教學信息:課堂教學是評價教師教學水平的重要依據。通過對教師的教學風格、教學方法、教學內容、講授思路、教學態度、教學過程、教學互動、教學效果等情況進行全面的監督調查,收集各種數據信息,從而得出教師在課堂上的各種教學能力方面的具體情況。在此信息基礎上,進行數據挖掘,找出各個方面影響學生學習成績高低的潛在規則,進行總結提高,找出其中存在的問題,切實提高教師的教學能力。在教學過程中,教師采用多種教學方法來完成自己的教學任務:比如傳統法、討論法、實驗法、多媒體輔助法、參觀法、調查法、實習法、提問法等。據此可以用數據挖掘的方法來挖掘數據庫中的數據,判定下一步我們應采取什么樣的教學方法,以滿足實際教學的需要。在網上進行問卷調查,從每個學生對教學方法的評價以及不同的教學方法得出的教學成績來進行分析,來判斷這些教學方法適合哪一類學生或哪門課程。
(2)教師個人信息:包括教師學歷情況、職稱情況、科研情況、研究方向、級別、工作經歷等各種信息,可運用關聯規則方法對教學評價結果和教師個人信息一起進行挖掘,從而得出影響教學結果的潛在的教師個人信息的部分情況。
(3)教師的素質方面:教師所具備的基本素質是實施教育教學的基礎。包括教師的思想政治素質、道德素質、文化素質、智能素質、心理素質、身體素質、外在素質等七個方面,其實這些方面可以通過數據挖掘技術在學生成績或者相應的調查信息的挖掘,看出哪些因素對教學方面有較大影響,切實加強教師在哪些素質方面的培養和提高,從而有利于教學管理方法的制定和實施。
(4)教師績效方面:包括教師的工作業績、工作態度、工作技能等方面的綜合考核。可以說教師的績效直接影響到教學管理的各個方面,如教師工作量的計算、教師的評價結果等等。應用數據挖掘技術,可以從教學評價數據中進行數據挖掘,查詢教學效果與教師的工作態度、工作技能等的各種關聯,找到教師的教學效果與教師績效的關系問題,合理調配一門課程的上課老師,使學生能夠較好地保持良好的學習狀態,從而為教學部門提供了決策支持信息,促使更好地開展教學工作,提高教學質量[4]。
2.2對學生方面信息的挖掘
對學生的素質培養一直是高校發展的重點,學生學習質量的好壞、綜合素質的高低決定了學校的辦學定位和發展目標,也為學生的人生選擇、自我發展起到了決定性作用。所以高校在擴招的同時要努力提高教學質量和管理水平,為學生的學習質量改善、綜合素質的提高提供保證[5]。
(1)學生的課堂行為表現:認知能力,是否能夠保證理解和掌握教師的所教授的內容;人際交往,課堂上教師、學生之間交流、提問氣氛是否活躍;學習態度,學生對教學中的各種問題是否積極參與、是否認真完成課題作業;情緒表現,學生能否進行順利地學習。通過對學生課堂行為表現與對應的學生成績之間的數據挖掘并結合實踐證明,學生在課堂上的表現狀態對學習效果有至關重要的影響。
(2)學生的作業情況:學生完成作業情況和成績,從而可以考查平時學習情況。通過對平時學習信息的數據挖掘,通常可以得出最終的學習情況。其實,各個學校的教學管理應該加大對學生的作業要求。
(3)學生的考試情況:考試是對教和學效果的檢驗,是教學中必不可少的環節之一。試題難度、考試信度、考試狀態等。如果將數據挖掘中的關聯規則應用于試卷分析數據庫中,然后根據學生得分情況分析出每道題的難易度、區分度、相關度等指標,教師就能夠對試題的質量作出比較準確的評價,進而可以用來檢查自己的教學情況及學生的掌握情況,并為今后的教學提供指導。
(4)學生的行為和獎懲情況:可以觀察學生在學習和生活中的和方面信息。這個側面也能從一定程度上反映學生的學習情況,但是這個方面往往集中反映學校的整體教學效果。如利用學生信息中的數據,采用樸素貝葉斯分類的方法,對學生信息數據,如不同課程性質課程的平均成績、社會實踐能力、獲獎情況、社會工作情況等進行分類與預測。從結果看來,樸素貝葉斯在學生信息分類預測中取得了很好的效果,這樣也就促進了高校的教學管理、人才培養等各方面的發展。
(5)學生個人信息:利用數據挖掘技術,比如可以對學生訪問情況進行分析,跟蹤、了解學生出勤情況。還可對學生年齡、性別等個人情況進行分析,了解學生的組成、結構,為合理地安排課程設置提供依據。通過對學生考試情況的分析,并結合出勤情況,可作為考查學生學習的情況,為合理地評估學生綜合素質提供依據。對于挖掘出來的規則信息可以利用可視化技術,以圖表或曲線等形式提供給教師,以使教師能充分利用學生的問題資源,從而提高教學質量。
(6)學生學習特征:學生特征包括兩個方面:一是學習準備,一是學習風格。學習準備包括初始能力和一般特征兩個方面。學生的初始能力是指學生在學習某一特定的課程內容時,已經具備的有關知識與技能的基礎,以及他們對這些學習內容的認識和態度。學習風格包括學習者的生理特征、心理特征和社會特征三個方面。學生的學習風格與學習活動有著密切的關系。對學生感知不同事物、并對不同事物做出反應這兩方面產生影響的所有心理特征構成了學習風格[6]。利用數據挖掘功能分析學生特征,并在此基礎上組織學習內容、明確學習目標、確定教學策略、選擇教學輔助媒體,為學生創造出一個適合其內部條件的外部學習環境,使有效學習發生在每個學生的身上。通過數據挖掘技術,把不同學習者的學習特征存入數據庫,教師可以通過它及時地了解學習者的需求、興趣愛好、個性差異等信息,并以此為依據為不同學習者提供動態的學習內容、相應的導航機制、推薦個性化的學習材料等服務,真正的實現因材施教。
(7)學生學習情況:學習評價是教育工作者的重要職責之一。評定學生的學習行為,既對學生起到信息反饋和激發學習動機的作用,又是檢查課程計劃、教學程序以至教學目的的手段,也是考查學生個別差異,便于因材施教的途徑。對學生學習行為和綜合素質進行評價,一般采用模糊論中的模糊綜合評判及模糊聚類的方法,對評價結果采用了對定性和定量指標加權平均算出綜合素質評價得分并排名的方法,而且由于學生綜合素質的評價指標是動態變化的,可以考慮選用動態聚類法對評判結果進行動態聚類分析。
2.3對選課數據的信息挖掘
學生通過網絡選擇自己所上的課程,選課數據背后可能隱藏著許多尚不被我們所知的重要信息,這些信息對教學管理具有重要的參考價值,而數據挖掘技術可以用來找出這些隱藏在數據背后的信息和知識的技術[7]。
在選課數據分析上,主要考慮以下幾個方面:分析各門課的選課數目,確定課程的歡迎程度;分析各門課的課程歸屬和選課學分,確定學生選課時對不同課程歸屬課的學分多少的考慮;分析各門課選課率,了解學生對目前課程安排中的滿意程度;分析選課學生的情況,了解選擇當前課程的學生的專業情況;分析任課教師情況,了解任課教師的實際情況和綜合能力。
首先要對選課的原始數據進行預處理,把其原始數據采樣后轉換成適合數據挖掘的數據。在處理的過程中,要明晰數據的上下結構和面向對象,為數據挖掘作好準備。完成數據的預處理之后,確定參與挖掘的數據表,在選課系統中學生選課表是基本事實表,學生信息表、教師信息表和課程信息表可作為周圍的維表。最后將預處理之后的數據進行狀態運行,在此基礎上選擇數據挖掘算法FP-growth進行數據挖掘。挖掘的最終結果可以用可視化的圖形方式表現出來。根據挖掘的結果,得出選課背后隱藏的各種數據信息,如某些專業的學生喜歡選某位老師所開設的相關課程,部分學生總是選擇學分較多的有更多上機機會的課程等等。
根據數據挖掘的分析結果,了解實際的情況,在此基礎上就進一步加強教學管理,合理設置各種課程和提高教
學質量,最終讓學生學習到更有用的知識和技能。
3 結束語
隨著信息量的急劇增長和對信息提取的更高要求,現在我們很難再依照傳統方法在海量數據中尋找決策的依據,這就必須借助數據挖掘法發掘數據中隱藏的規律或模式,為決策提供更有效的支持。數據挖掘能夠為教學改革提供有效的理論與實踐決策依據,在分析影響高校教學管理的各個層面中具有較好的作用。
在教學管理中,把常用的數據挖掘技術應用在教師信息、學生信息、選課信息等各個方面,每一種應用都和具體的挖掘情況相結合,根據實際情況,采用適當的挖掘方法,確實發掘數據中隱藏的內在聯系。結合學校的實際情況,采用合理的挖掘步驟,將挖掘后的結果分析應用到實際中,找出影響教學的關鍵因素,提高教學管理水平,使教師和學校教育決策者洞悉教學中存在的問題。
參考文獻:
[1]劉曉霞.數據挖掘技術在高校教學中的應用[J].現代計算機,2008,(285):115-116.
[2]楊永斌.數據挖掘技術在教育中的應用研究[J].計算機科學,2006,33(12):284-286.
[3]邱燕玲.數據挖掘在教學測評中的應用分析[J].科技資訊,2007,(07):131-132.
[4]楊金凡.數據挖掘在教學評價中的應用[J].電腦開發與應用,2007,20(4):77-79.
[5]駱毓燕,張霞,白云.基于樸素貝葉斯的學生信息分類預測研究[J].高等教育與學術研究,2008,(3):65-70.
第7篇：數據挖掘課程范文
關鍵詞：高職教育；個性化學習；數據挖掘；商業智能
中圖分類號：TP311.13
作為我國高等教育一支重要生力軍――高等職業教育近幾年來的發展可謂迅猛，無論是學校數還是學生人數，高職專科的規模已是我國高等教育的半壁江山。高職教育對人才的培養目標是為國家和地方經濟的發展輸送適應生產、建設服務等一線急需的應用型高素質人才，《國務院關于大力發展職業教育的決定》中就提出了“堅持以就業為導向，深化職業教育教學改革”，要求加強職業院校對學生實踐能力和職業技能的培養。
1 現狀
目前，高職學生在學校完成系統的課程學習依然是高職教育教學的主要方式，在此過程中，由于學生個體特性、就業意向、專業方向等各種因素的影響，獲取的知識無論從方式方法、內容結構，還是真正掌握的程度來說都因人而異，而這其中有相當大的部分是學生主動性選擇的結果；此外，在高職教育教學改革的嘗試中，大類招生、拓展專業等多項措施在很多職業院校中已然試行，這就給予學生更多的自和選擇的機會。
然而，在自主選擇的過程中，由于沒有一個可參照的、適合自己的挑選標準，高職學生進行各項選擇時在很大程度上有著“扎堆隨大流”、“哪個課能混好過”的心理，這就導致主動選擇的課程，其學習過程并不順暢、學習效果也不理想，沒有提升自身知識結構的質量。這種高職教育中教與學環節的脫節會對高職學生的能力培養產生有著不可忽視的影響。
2 研究思路
隨著教育信息化的深入發展，先進的信息技術手段在教育教學的方方面面都得以有效利用，這也為學生綜合能力培養的探索與嘗試提供了新的途徑，數據挖掘技術就是其中很重要的一種。數據挖掘指的是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。在此過程中，數據源必須是真實的、大量的、含噪聲的，而從中發現的是用戶所感興趣的知識內容，這些知識應該是可以接受和理解、并且能加以進一步運用的。
數據挖掘技術之所以在教育行業有更為廣泛、實際的應用，這是由于各個學校都會有自己的一整套數據庫系統，用于記錄學生的學籍信息、課程教學過程等歷史數據，這樣，就可以嘗試運用先進的數據挖掘技術和智能分析工具，通過對高職教育研究和教學過程中積累的海量數據進行采集分類、挖掘和分析，從多角度、多層次出發，構建識別個體特點、知識構成和獲取方式等要素之間關聯模式的數據模型。數據挖掘是一門交叉學科，其理論和方法有很多，包括K-最近鄰分類器、判別分析、人工神經網絡和分類樹等，它把人們對數據的應用從低層次的簡單查詢，提升到從數據中挖掘知識，提供決策支持。在這里就是要將數據挖掘方法與高職教育教學研究相結合，設計實際的分析應用系統，具體來說：
（1）數據挖掘技術面向高職教育這一特定領域中的主體――高職學生，針對專門的指標，包括個體特性、專業要求、就業意向等，著眼于課程這個知識載體，對它們之間的關系進行深層次、智能化的挖掘、分析；
（2）數據挖掘的應用會具體到建模、變量篩選和導入等方面，而不只是一些抽象的挖掘算法的研究；
（3）數據分析采用先進的商業智能工具，同樣，數據的展現手段基于平臺，具有開放化、模塊化、網絡化特點。
3 系統框架
系統定位于個性化學習分析，其框架結構參見圖1，主要由數據集成、數據建模、數據分析及展現等部分構成。具體來說，數據集成模塊完成定義數據結構、裝載、清洗、合并數據的功能；數據建模是指建立數據分析OLAP及數據挖掘模型；數據分析旨在分析和比較各種不同算法得出的結果，尋找最為匹配的算法，而數據展現的作用是根據分析結構靈活創建數據報告。
圖1 系統框架結構
在此架構下，各個子系統的功能如下所述：
（1）數據集成。分析和歸納課程教學過程中產生的系列數據，根據其特征和行為設計及定義便于分析和挖掘的數據結構，然后并進行數據集成。數據集成的工作包括從異構數據源獲取數據，將其進行清洗、轉換、合并，然后加載到數據倉儲中。數據集成執行的時間、相互的順序、成敗對將來的分析結果的有效性則至關重要。
（2）數據建模。典型的數據挖掘工具將在構建了數據倉庫后進行分析并生成結果，一些工具也可以使用關系型數據進行分析，數據分析的結果獨立于數據倉庫中使用的數據。數據挖掘核心的部分就是選擇挖掘算法并建立數據模型，這樣就可以根據學生個體信息、學生成績等數據之間的關系將這些學生劃分成分析有意義的組群并預測他們的行為；當把這些組發送回分析過程時，數據挖掘引擎允許分析人員和用戶根據這些簇進行劃分和細化。
（3）數據分析與展示。以學生個體信息和課程數據為輸入，利用所篩選出的最佳建模方法，逐步提出一個可實現個性化學習分析的數據模型，以衡量及提高模型預測的準確度。將分析結果以特定的客戶端或Web方式進行展現，以建立的分析結果展示平臺，具有高度的開放性、通用性和可擴展性。通過建模創建了正確的模型，數據挖掘的重點就從分析轉到結果上，數據報告的展現方式有多種，可通過專業的報告工具，也可自行編寫Web網站進行。
4 結束語
在高職教育教學研究中運用先進的數據挖掘技術手段，針對各項課程教學、學生管理數據進行深度挖掘、分析，研究個性化學習模式，為學生的自我學習規劃提供具體化、智能化分析結果以供參照，在此情況下，先進技術手段的支持，對教與學都有著不可忽視的影響。同時，也為人才培養的探索與嘗試提供新途徑。
參考文獻：
[1]趙云鵬，石麗，劉瑩.基于數據挖掘的高校規模分析及應用研究.第九屆全國信息獲取與處理學術會議論文集[C].2011.
[2].數據挖掘在高職院校教學管理中的應用[J].清遠職業技術學院學報，2010（12）.
[3]干娟.基于決策樹算法的學生綜合測評系統的設計[J].安徽電子信息職業技術學院學報，2011（04）.
第8篇：數據挖掘課程范文
摘要：基于現代計算機技術的快速發展，網絡技術和高等院校教育教學系統實現了有機整合，并且促進了教育教學與組織管理等多種活動的信息化發展，一定程度上提高了教育教學質量以及效率，構建了全新的教育教學管理模式。在此背景下，教育教學數字化發展速度也不斷加快，信息量增長速度加快，對于信息提取的要求也隨之提高。所以，在大量數據當中獲取重要的信息也逐漸成為高等院校教育教學決策的重要依據。基于此，文章將高校教育教學作為研究重點，闡述了數據挖掘技術的具體應用，以供參考。
關鍵詞：高校教育教學;數據挖掘技術;運用
一、數據挖掘概述
所謂的數據挖掘，具體指的就是在海量且模糊隨機數據當中提取出隱含其中，同時具有潛在價值的信息與知識過程。將數據挖掘技術應用在教育教學當中，可以對海量數據予以深入挖掘與分析，進而獲得數據當中所隱含的潛在信息內容，更好地為高校教育教學管理人員決策提供有力支持[1]。
二、高校教育教學管理中的數據挖掘技術應用
2.1在教學質量提升方面的應用
高等院校為了更好地提高教學管理的質量，教務管理部門會在學期期末測評學員領導與任課教師的教學思想、態度以及教學方法等，并且根據最終的評分結果來明確教師的教學質量。然而，受評價人員對標準理解以及把握程度的影響，學生評價仍存在隨意性特征。
在這種情況下，導致評分結果很難對教學效果進行真實地反映，因而也影響了教學質量的評估。
但是，將數據挖掘技術應用在教學質量評估方面，通過對關聯規則算法的合理運用，可以將教學質量評價當中的不同指標權重系數進行設定，并通過Apriori的算法來掃描數據集，在數據挖掘的作用下，獲取學歷、年齡以及職稱三者之間存在的聯系，同樣也可以獲得教學質量和方法的關系[2]。
為此，高校教務管理部門就可以將獲得的規律應用在教學管理實踐當中，合理地設置督學小組并制定出聽課制度，將教學課堂教學的質量真實且客觀地反映出來，實現高校教學水平的全面提升。
2.2課程體系結構的有效完善
高等院校教育體系當中的專業建設作用十分重要，所以，必須要具備高質量的課程體系結構設置。在對學生成績數據庫以及畢業生去向數據庫等多種數據信息進行數據挖掘以后，可以通過對關聯分析與序列模式的分析和探究，獲得數據與數據間存在的相關性。
其中，課程間的關系和先后順序亦或是課程和課程體系結構之間的關系等等。在此基礎上，保證學習高級課程前事先學習先行課程。以計算機專業《數據結構》為例，在教學中將《C語言》作為重要的先行課程，以保證學生在學習《數據結構》內容的時候可以具備良好語言基礎，更深入地理解并靈活地應用數據結構當中的算法。
而在完成《數據結構》學習以后，應根據學生就業走向和市場的實際需求來確定是否安排《JAVA語言程序設計》課程教學。這樣一來，學生的學習成績實現了有效地提高，更利于學生未來就業。除此之外，對內容重復的課程進行有效地壓縮，將落后的課程內容適當地刪除，與專業特點相結合。
由此可見，將數據挖掘技術應用在高校教學中，對于專業建設以及課程改革決策具有積極的作用。
三、網絡教學中的數據挖掘技術應用
在網絡教學中應用數據挖掘技術，可以從Web文件以及Web活動當中選擇出用戶較為感興趣的有價值模式以及信息，這就是所謂的Web挖掘[3]。因為接受教育對象在多個方面都存在差異，具體表現在個人學習目標、學習能力與知識基礎的差異等。為此，網絡教學也必須要能夠適應個性化的學習需求。可以把不同用戶學習狀況與軌跡詳細記錄并存放至數據庫當中，通過對WEB挖掘技術的合理運用，在序列模式挖掘的作用下合理地分類文檔，以保證學生信息檢索速度的提高。
另外，也可以根據學生訪問瀏覽的數據挖掘并分析，針對訪問的數據展開聚類分析，以保證更好地了解學生感興趣的內容，并為其推送相關內容。與此同時，可以在相關聯的頁面當中合理地設置超鏈接，對網站結構予以有效地改善，確保頁面間的鏈接與用戶訪問的習慣更吻合。
結束語：
總而言之，在高校教育教學中合理地運用數據挖掘技術可以在大量數據信息當中處理并提取出更具價值的信息內容，促進高等院校教育教學管理工作的正常開展，特別是評估與決策方面，數據挖掘技術的作用更為明顯。
除此之外，該技術也可以應用在網絡教學當中，使得網絡教學資源配置更加合理，在教育教學中充分發揮自身的效用。上文針對數據挖掘技術在高校教育教學中的實際應用展開了相關性地研究和分析，主要的目的就是為了更好地幫助高校進行決策，為學生提供更為理想的學習環境，在提高學生學習興趣的基礎上，增強高校教育教學的質量與效率。
參考文獻
[1]侯錕.數據挖掘技術在高校教育教學中的應用[J].吉林省教育學院學報(下旬),2012,28(7):51-52.
第9篇：數據挖掘課程范文
【關鍵詞】數據挖掘教學質量教學評價
隨著高職教育的快速發展，高職院校的教學質量的自我評價已經成為學校科學管理的重要保障。教育部為了確保高校的教育質量，于2003年確立了5年一輪的評估制度。各高職院校在推進教育評估工作的同時，積極地組織自評，建立健全了全院教職工共同參與的教學質量內部自我評估機制。而建立健全高職院校教學質量評價系統是提高教師教學質量的重要途徑，也是提高教學管理水平的迫切需要。數據挖掘是從大量的數據中提取知識的有效技術，不僅可以實現教學評教數據的知識挖掘。這些知識可以為學校提高教學質量，同時也可以輔助學校管理者決策，為進一步優化教學資源提供可靠的數據依據。
一、教學質量評價的作用
高職院校的教學質量是高等職業教育的生命線，教學質量的評價作為提高教學質量的手段被擺到了越來越重要的位置，而教師在教育工作中擔負著溝通教與學的橋梁作用，其工作質量的好與壞會直接影響到教育質量的好壞。在教學管理中，對高職教師進行教學質量測評，是教學活動中提高教學質量的一個重要環節，也是教學管理的核心。教學質量測評在教學過程中發揮著諸多作用，具體表現在以下幾個方面：
1、通過教學質量測評，進一步加強人才培養工作的宏觀管理與指導，推動學校自覺地按照教育規律不斷明確辦學指導思想、堅持教育創新、深化教學改革、加強教學基本建設、強化教學管理、全面提高教育質量。
2、教學質量評價能夠從整體上對教學活動進行調控，以確保教學活動能夠按照預定目標進行，并且能最終達到該目標。
二、數據挖掘概述
1、數據挖掘的定義
簡單的說，數據挖掘(Data Mining)就是從大量的、隨機的實際應用數據中，提取或挖掘隱含在其中的、人們事先不知道的、但又有用的知識的過程。數據挖掘涉及多學科技術的集成，包括了數據庫和數據倉庫、機器學習、統計學、人工智能、神經網絡、信息檢索、模式識別等多個領域的理論和方法。與數據挖掘相近的同義詞有知識提取、數據捕撈、數據融合、數據分析、決策支持和從數據中挖掘知識等。
2、數據挖掘的方法
數據挖掘源于多個學科，受多個學科影響，數據挖掘的核心技術融合了數據庫、機器學習、統計學、人工智能等多個學科領域的理論和方法，數據挖掘利用的技術越多，得出結果的精確性就會越高。目前數據挖掘方法很多，比較典型的有關聯分析、序列模式分析、分類分析、聚類分析等。
(1)關聯分析
所謂關聯分析，也就是利用關聯規則進行數據挖掘，通過關聯規則挖掘，可以發現那些隱藏在海量數據間的相互關系，發現那些潛在的、隱含在數據記錄中的有用信息。利用關聯規則進行數據挖掘是由Rakesh Apwal等人首先提出的。
(2)序列模式分析
序列模式分析，側重分析數據間的前后序列關系，它能發現數據庫中“在一段時間內，先進行了一活動后，又接著進行了另一項活動”之類的知識。
(4)聚類分析
聚類分析是統計學中的一種研究方法，主要研究”物以類聚”的問題，它是把物理或抽象的集合分割為多個類的過程，使得同一類中的對象具有高度的相似性，而不同類之間對象的差別較明顯。與分類分析不同，在聚類分析中，預先不知道記錄數據中分類信息，并且目標數據分成幾類也不知道，需要依據某種度量標準，合理地劃分記錄數據到各個簇中。聚類分析的方法很多，具體可以分為系統聚類法、模糊聚類法、基于密度的方法等。
三、教學質量評價存在的問題
現在的教學質量評價中尚存在著一些新的問題。像許多高職院校一樣，我院在多年來的教學、管理和教學質量評價工作積累了大量的數據，但目前對這些海量數據的研究處理還僅停留在初級的數據備份、查詢及簡單基本的統計階段，使得這些數據不能發揮其應有的價值。如何更有效地利用大這些大量的數據記錄信息理性探析并指導高職院校教師更好的教學已變得非常重要。
四、數據挖掘技術在教學評價中的應用
1、基于數據挖掘的教學評價流程
(1)確定挖掘對象。源數據庫存儲了來自教務系統不同模塊的數據，主要有教師基本信息、課程基本信息、評價基本信息等，這些都是評價數據分析的基礎。清晰定義問題，認清數據挖掘的目的，是數據挖掘的關鍵一步，挖掘的最后結果是不可預測的，但是要探索的問題一般是可以預見的。
(2)數據的采集。教師需要在教學過程中，主要收集教學數據信息，有些信息需要可以直接獲得，有的信息需要進行調查獲得。此項工作繁瑣，耗時，工作量大。
(3)數據的預處理。數據的預處理主要包括數據集成、選擇、轉換等過程。此過程的實施是針對算法而準備的，不同的算法一般需要不同的分析數據模型。
(4)數據分析。進行數據分析，首先要選擇合適的挖掘算法，目的是為了建立一個分析數據模型，并使用合適的軟件實現這一算法，繼而對所轉換的數據進行挖掘。
(5)結果分析與表示。根據用戶的不同，對分析結果庫中的數據進行分析，把具有價值信息提取出來，以文字、圖形等形式反饋給最終用戶。例如教師可利用所得的信息改進教學策略，指導進一步的教學。
2、數據挖掘在高職院校教學評價中的作用
在高職院校的教學工作中，有許多教師根據教學需要，往往每位教師所教的課程不止一門，在整個教學質量評價活動中，評價某位教師的授課質量不能僅限于某個班級、某一學期、某一門課程成績排名，而是由我們事先設定好的挖掘模型從其開始授課時起，對其在各個學期、不同的班級及不同課程的平均成績進行數據挖掘，客觀得出該教師的總體教學效果。
總之，我院擁有信息量龐大的歷屆教學評價數據和人事信息數據，現在我們很難再依照傳統方法在海量數據中尋找決策的依據，數據挖掘作為一種工具，其技術日趨成熟，我們將數據挖掘技術應用于教學評價中，可以借助它去發掘數據中隱藏的規律或模式，為建立教學評價模型提供了捷徑，為決策提供科學的依據。
注：河北省教育學會“十二五”規劃課題(XHX NO，12550038)
參考文獻：
