數據挖掘課程的教學探索

劉波 李承耕

【摘 要】數據挖掘已經成為很多應用領域的重要技術。本文分析了本科階段數據挖掘課程的特點，闡述了以理論和案例教學相結合的教學方法，以更好地培養應用型人才。

【關鍵詞】數據挖掘 案例教學 教學探索

【中圖分類號】G642 【文獻標識碼】A 【文章編號】1674-4810（2015）33-0063-02

我們生活在一個信息爆炸的時代，更具體地說我們生活在一個數據爆炸的時代。每天，來自商業、社會、科學、互聯網、移動設備等各個領域的數據以爆炸的方式增長著。巨大的數據中蘊藏著重要的信息和知識，因此我們需要強大和通用的工具，從海量的數據中發現這些有價值的信息，把數據轉化為知識，因此導致了數據挖掘的誕生。“數據挖掘是從大量數據中挖掘有趣模式和知識的過程。數據源包括數據庫、數據倉庫、Web、其他信息存儲庫或動態地流入系統的數據。”

隨著越來越多的企事業單位認識到數據挖掘的重要性，對數據挖掘人才的需要近兩年也呈現快速增長的態勢，大數據分析師更是被媒體稱為“未來最具發展潛力的職業之一”。因此很多高校開設了數據挖掘課程。通過本課程的學習，使學生了解數據挖掘技術的整體概貌，了解數據挖掘技術的主要應用及當前的研究熱點問題，了解數據挖掘技術的發展方向，掌握最基本的概念、算法原理和技術方法，培養學生應用數據挖掘解決實際問題的能力。本文分析了在本科階段開設數據挖掘課程的特點，闡述了教學內容和教學方法，對數據挖掘課程教學進行了新的思考和探索

一 數據挖掘課程特點

1.大數據背景

“大數據”成為近年來比較熱門的詞語，同時也反映數據的爆炸式增長給我們帶來的機遇和挑戰。大數據在維基百科上的解釋是：大數據是由數量巨大、結構復雜、類型眾多數據構成的數據集合，是基于云計算的數據處理與應用模式，通過數據的整合共享，交叉復用形成的智力資源和知識服務能力。大數據的四個特征是：數據量浩大；模態繁多、異構；生成快速；價值巨大。“大數據”分析的需求導致了數據挖掘的產生，也同時給數據挖掘帶來了巨大的發展前景。

2.學科發展快，內容豐富

數據挖掘出現于20世紀80年代后期，90年代之后開始突飛猛進的發展，新的和改進的算法不斷出現，所考察的數據類型日趨豐富，應用領域逐漸擴大。比如數據類型，有流、序列、圖、時間序列、生物序列、空間、音頻、圖像和視頻數據等。數據挖掘的模型和算法豐富，比如關聯規則的挖掘有Apriori算法，分類規則的挖掘有決策樹、神經元網絡、樸素貝葉斯、支持向量機等，聚類規則挖掘，時間序列挖掘等。

3.學科交叉，難度大

數據挖掘課程作為一門多學科交叉的專業課程，涉及的學科較多。如統計學，多元統計學，時間序列，統計推斷等；機器學習中的監督學習、無監督學習、半監督學習、主動學習等；數據庫系統和數據倉庫、計算機軟件編程和開發、Web搜索引擎。眾多的學科交叉增加了課程的教學難度，因此需要合理地規劃課程內容和重點，循序漸進地展開教學內容。

二 教學探索

1.課程內容體系

數據挖掘是一門多學科交叉的前沿學科，它結合了數據庫技術、統計學、機器學習、知識系統、信息檢索、高性能計算和可視化等多問學科的知識。然而在目前的大學課程體系中，很難在有限的時間內開設這些課程。

————————————————————————

* 韓山師范學院2014年校級優質網絡課程——數學模型資助項目，通訊作者：李承耕

特別是對于數學與統計學院的學生，數學基礎理論比較好，但是在數據庫技術、計算機軟件算法和編程方面比較薄弱，大部分的同學沒有編程經驗和數據處理分析能力。針對這些問題，我們數據挖掘課程的授課對象為大三或大四應用型專業的學生，并在前期課程中開設數學分析、高等代數、概率與統計、多元統計學等數學類課程，同時開設c語言、java語言、數值分析、數據庫原理等計算機課程，這些課程的開設為數據挖掘授課打下了必要的理論基礎。

數據挖掘的內容豐富，包含的知識點很多，我們構建了課程的核心知識結構。核心知識為三部分：（1）數據預處理，主要任務包括數據清洗，數據集成，數據變換和數據規約；（2）數據倉庫，主要包括數據倉庫的基本概念，數據立方體，數據立方體的設計與實現；（3）數據挖掘，主要包括數據挖掘的基本流程，數據挖掘的主要算法，數據挖掘的常用工具及數據挖掘的應用實例。考慮到數學與統計學院學生的特點和教學課時的限制，教學重點為數據預處理、數據倉庫的基本概念、數據挖掘的主要模型三個方面，特別是數據挖掘的模型是重點講授的內容。由于數據挖掘的模型和算法非常多，我們采用首先講解數據挖掘的基本流程，然后重點講解數據挖掘中關聯分析、分類、聚類三個方面的模型。

我們采用理論講解、實驗操作、模型應用三個步驟來講解每個模型。理論講解使學生掌握數據挖掘模型的基本理論和算法流程。在實驗操作階段，學生要親手實現模型的基本算法，我們使用的編程語言是python，通過算法的實現，鞏固和加深學生對模型的理解。模型應用步驟要求學生綜合應用所學的數據挖掘模型知識，選擇一個應用領域，應用自己學習的算法解決這個實際問題，并按照數據挖掘的流程完成實驗報告。實驗報告要求按照數據說明、數據清理、數據集成、數據選擇、數據變換、數據挖掘、模式評估、知識表示等幾個部分完成，使學生掌握數據挖掘的全過程，充分認識數據挖掘各個階段要完成的工作。通過這三個階段的學習和實踐，學生基本掌握了數據挖掘的算法并具備了基本的模型應用能力。

2.以應用為背景，用案例教學方式組織教學

案例教學法是教師以具有鮮明代表性的案例為學生創設問題情境，引導學生通過對案例進行分析討論，在情境中掌握理論知識并總結規律，創造性地將知識與實踐相結合，找到更多的實際生活范例或提出解決實際問題的思路與方法。數據挖掘本身就是一門應用性很強的學科，課程內容非常適合進行案例教學。

數據挖掘課程主要針對數學與統計學院應用型本科專業開設，考慮到學生就業和當前市場需求，以及課程本身實踐性強的特點，在教學過程中注重理論結合實踐，培養學生解決實際問題的能力。因此，在向學生介紹目前常用的數據挖掘基本模型的基礎上，結合市場需求，以實例為切入點，采用案例教學的方式組織教學。案例的來源豐富，有醫療、商業、航空、環保等眾多領域，案例全部來自于真實的數據挖掘項目，每個案例有背景與挖掘目標、數據預處理、構建模型、模型評價、上機實驗幾個部分組成。通過講解真實案例，讓學生了解數據挖掘的算法在實際中是如何應用的，培養學生應用數據挖掘的思想，使學生對數據挖掘有了感性認識，激發其學習興趣。具體采用的案例如下表所示。

三 結束語

數據挖掘是一門多學科交叉的應用型學科，在數學與統計學院開設數據挖掘課程有現實意義，同時對教師和學生也是一個挑戰。因此通過將理論教學和實踐相結合，使用案例教學的方式組織教學，激發學生的學習興趣，提高課堂教學效率，增強學生實踐能力，培養學生應用數據挖掘的基本方法解決實際問題的能力。同時，數據挖掘也是一個快速發展的學科，因此也要不斷更新教學案例，不斷學習和總結，使教學更加完善合理。

參考文獻

[1]〔美〕Jiawei Han、Micheline Kamber、Jian Pei等.數據挖掘概念與技術（第3版）（范明、孟小峰譯）[M].北京：機械工業出版社，2012

[2]張良均等.MATLAB數據分析與挖掘實戰[M].北京：機械工業出版，2015

[3]譚磊.New Internet：大數據挖掘[M].北京：電子工業出版社，2013

[4]〔美〕Pang-Ning Tan、Michael Steinbach、Vipin Kumar.數據挖掘導論（范明等譯）[M].北京：人民郵電出版社，2006

[5]〔美〕Peter Harrington.機器學習實戰（李銳、李鵬、曲亞東等譯）[M].北京：人民郵電出版社，2013

[6]王青梅、趙革.國內外案例教學法研究綜述[J].寧波大學學報（教育科學版），2009（3）：7～11

〔責任編輯：林勁、李婷婷〕