技校網絡人才定向培養數據挖掘應用
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了技校網絡人才定向培養數據挖掘應用范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：為適應中國從“制造大國”向“智造大國”的轉變，培養一批“人無我有、人有我優”的技能型人才，是技工院校網絡專業課程設置與就業指導部門面臨的重要課題。大數據信息化系統的應用普及，存儲海量的畢業生就業數據。使用數據挖掘技術的關聯規則與聚類算法統計分析畢業生就業數據，科學地找出畢業生技術能力與企業崗位需求的客觀規律，及時指引專業課程的設置調整與就業指導工作，更好地為企業需求進行人才定向培養。
關鍵詞：數據挖掘；大數據；關聯規則；聚類算法
引言
隨著大數據時代的到來，數據挖掘與數據應用技術結合互聯網+、云計算、物聯網環境，反映著各行業的現狀與發展趨勢，成為了實現“人才強國戰略，制造強國戰略，創造驅動發展智匯強國戰略”宏偉目標的重要推手。同時，社會發展需要具有扎實技術、素質優良、創新潛能的技術人才；技工院校如何與時俱進培養優質人才，滿足社會發展需求?大數據應用與數據挖掘技術將指引學校教育培訓部門進行合理的課程設置和調整以及開展畢業生就業指導工作，以適應企業不斷發展的需求。
1教學現狀分析
目前，技工院校網絡技術專業的課程設置，主要分析網絡技術發展的趨勢、由行業技術專家和企業資深從業人員進行指導；調整課程體系，培養學生學習專業理論知識與掌握常用技術；學生學習完所有課程和經過崗位實訓實踐后，畢業直接在企業上崗工作，形成一種“專業（指導）->課程（指導）->就業”單向指導培養模式。“學生能短時間內滿足崗位需求嗎？能學以致用嗎？綜合職業能力如何？”實習指導部門會進行周期隨訪跟蹤工作及收集反饋信息，慢慢就積累了大量寶貴的數據；如何對這些數據收集分析，使其更好地持續地服務到后續的人才培養中呢？數據挖掘技術使這一目標得以實施，利用關聯規則和聚類算法進行統計、分析以上海量數據，獲取企業常需工種的專業技術需求和趨勢，與專業發展趨勢相結合，共同指導網絡專業課程體系的調整，形成一種新型雙向指導培養模式。把課程結構設置成“專業基礎課+專業核心課+職業修養課”三維一體課程體系，建立對學生實行“專業+職業”能力定向培養模式。
2數據挖掘技術
2.1數據挖掘技術數據挖掘（DataMining）又稱數據采礦、資料探勘，是數據庫中的知識發現。數據挖掘利用“互聯網+數據算法技術”，對海量的、模糊的、隱含的及有潛在價值的數據進行采集、分析處理；把數據內在的客觀規律提取出來，成為有價值的信息資源。數據挖掘的關聯規則和聚類算法具有描述和預測兩大功能，描述功能揭示數據的關聯性；預測功能幫助人們了解數據的分布，從而作為人們的行為導向。使用關聯規則和聚類算法，可以跟蹤學生的就業情況，進行數據挖掘，獲取網絡專業技術在企業對應崗位應用的情況，定向指導本專業人才培養的課程設置調整與實習指導工作開展。關聯規則，就是從海量數據中找出頻繁出現的數據集組成數據庫，然后設置最小支持度，對數據進行迭代篩選，結果數據集反映了企業崗位對應網絡專業相關技術的需求方向。聚類算法，簡而言之就是物以類聚，就是把海量的數據根據一定的條件進行劃分，把性質相近或相似的數據分為一類；從而將沒有明顯關聯的數據變成同類之間有關聯的幾組數據。聚類算法可以指引技工院校教育培訓部門合理調整專業選修課程的設置，更好與專業核心課程結合，達到提高“學生-崗位”定向培養的職業能力的目標。
2.2數據挖掘的應用（1）挖掘流程確定數據挖掘的目標，將數據挖掘技術應用到技工院校網絡專業人才培養與就業指導工作中；既能促進課程設置的合理性，又能使就業指導具有針對性。確定數據范圍，為確保數據的時效性，選取前兩屆畢業生的就業數據進行初步挖掘處理，然后使用篩選條件進行迭代操作，逐層深度挖掘，最終利用獲取的就業信息數據，再與課程體系建立關聯。數據挖掘系統操作流程，如圖1。數據挖掘系統的幾個重要組成部分：①獲取挖掘數據源：前兩屆網絡專業畢業生的在校基本信息和就業信息。②創建挖掘庫：關聯規則、聚類算法。③設計挖掘規則：根據挖掘庫內的規則，確定關聯條件，對數據進行篩選，提取有價值的關聯。④條件庫：對數據頻繁集進行篩選的條件集合；迭代篩選，直到數據集為無交集數據。⑤數據庫：學生就業的各種類型信息，如學歷、性別、必修課程、選修課程、專業技能等級、崗位類型、崗位薪酬。⑥挖掘結果分析：通過逐層深度挖掘，獲取課程、技能等級與企業崗位薪酬的關聯信息，提供有價值的指導性報告。（2）挖掘應用在網絡專業人才培養和實習指導工作中，需要對學生就業的影響因素進行量化分析，獲取有效數據。數據挖掘主要針對學歷與崗位關聯；專業技能等級與崗位關聯；課程主修方向與崗位關聯；薪酬等級與崗位關聯進行分析。①數據采集學生基本信息，包括學生學籍信息、課程信息、實習信息三大數據源；采集創建關系數據庫。如表1。②數據預處理學生信息關系數據庫中可能存在不完整、冗余、空值等情況，因此在挖掘操作前，需要對數據進行預處理，提高數據的準確性和完整性。這樣有利于建立高質量的數據庫系統。如學生生源地、課程學分及一些退學、服兵役的學生記錄。同時通過添加關系，把各數據表關聯起來，為數據挖掘做好準備。③使用關聯規則進行挖掘在關系數據庫中提取學生各類型信息，對數據進行抽象和離散化處理。學生性別有女（A1）、男（A2）；學歷有中技（B1）、高技（B2）、本科（B3）；主修方向網絡設備（C1）、網絡系統（C2）、網站建設（C3）；專業技能等級有中級工（D1）、高級工（D2）、技師（D3）；崗位薪酬級別有月薪4000元以上（E1）、月薪3000-4000元（E2，不含4000）、月薪3000元以下（E3）。對以上各項類別進行抽象處理后，建立信息表，如表2。④使用聚類算法分析、分類挖掘結果聚類算法的聚類因子從信息表數據項中獲取，算法策略利用數據庫中關系查詢讀取功能，獲得挖掘結果；分析出專業課程設置、技能等級與崗位需求，薪酬級別的關聯性，提取客觀規律。得出“硬件/軟件”主修方向、“中技/高技/本科”學歷、“中級工/高級工/技師”技能等級的畢業生；不同專業方向和技術水平的畢業生，分別對應哪些崗位，哪個薪酬級別；將會進行更有針對性的定向技術培養和就業指導。數據項的關聯規則。如表3。根據聚類算法策略，獲得性別、學歷、技能等級、主修方向與薪酬級別的關聯規則；挖掘分析出人才培養各階段各層次和就業崗位的對應規則。發現性別與薪酬的關聯支持度最小；學歷和主修方向和技能等級三因素結合與薪酬級別支持度有不同的對應關系：中技學歷中等技能等級并主修網絡設備對應中高等級薪酬的支持度置信度高；高技學歷技師等級主修網絡系統或網站建設對應中高等級薪酬的支持度置信度高。通過支持度與置信度的概率分析有效地根據學生的具體條件和學業情況，進行分層職業崗位定向培養，達到更有針對性的學習與就業指導。摘取主修網絡系統方向的職業崗位定位培養方案。如表4。
3結語
創新，是復興的征程上，推動國家興旺發達的不竭動力。培養智造型人才是技工院校職業技能教育的時代課題。“互聯網+數據挖掘”是信息時代的重要工具，也是技工院校人才培養改革與發展的技術推手；使用數據挖掘技術從海量、復雜的學生信息中，分析獲取有規律有價值的數據，找出網絡專業技術能力與企業相關崗位能力需求之間對應關系，指引技工院校及時合理的調整課程設置與能力培養模式與目標，對學生進行分層專業能力定向培養，提高核心競爭力，為國家建設培養輸送高質量、高素質的創新性技能人才；同時也解決學生畢業就業難的問題，實現畢業即就業，更好地滿足企業崗位需求，短時間內進行專業角色轉換，投入到國家的生產建設中，實現“制造大國”向“智造強國”的轉變。
參考文獻：
[1]任昱衡.數據挖掘:你必須知道的32個經典案例[M].電子工業出版社，2018（10）.
[2]喻梅于健.數據分析與數據挖掘[M].清華大學出版社，2018（3）.
[3]吳翌琳房祥忠.大數據探索性分析[M].中國人民大學出版社，2016（7）.
作者：杜嘉茵 單位：廣州市機電技師學院