PBL教學模式在數據挖掘技術課程中的應用

楊琳

摘 要：數據挖掘技術是大數據相關專業的專業核心課程，其內容豐富，涉及知識點多，是一門交叉性很強的學科，教學難度大。結合高職特點，本文從該門課程教學模式及課程設計兩方面進行研究和探索，為數據挖掘技術課程的教學提供一些參考。

關鍵詞：數據挖掘；PBL；課程設計；挖掘建模

如今，大數據的蓬勃發展，各行各業的決策越來越依靠大數據說話，傳統的數據庫技術已經不能滿足現實需求，數據挖掘技術這一知識發現型數據技術日趨成熟。隨著大數據技術與應用專業紛紛在各大高職院校中設置，數據挖掘技術作為專業核心課程，同時也是一門涉及多學科領域的交叉學科，課程內容豐富，教學難度較大。隨著數據技術的發展，數據挖掘在商務智能、人工智能、機器學習等領域有著舉足輕重的地位，是一門面向未來的課程。通過本門課程學習，可以培養學生的數據思維及應用能力，無論以后從事大數據相關事業，或其他的行業都可終身受益。面對本門課程的復雜性，怎樣進行課程設計，讓高職學生得以掌握，是作為教學工作者一直思考的問題，本文從教學模式及課程設計兩方面對此進行探討。

一、選取先進的教學模式

高職大數據技術及應用專業開設的數據挖掘技術課程是一門基于大數據的數據挖掘技術，兼有大數據的數據類型多、數據價值密度低、處理速度快的特征。同時，數據挖掘涉及數據庫理論、統計學等數學知識、編程算法、編程工具等相關學科，有范圍廣，交叉性強，難度大的特點。高職生的數學、編程算法理論基礎較為薄弱，用傳統的教學模式來進行教學對該門課程的教學是不夠的，選取一個合適的教學模式來優化教學尤為重要。

數據挖掘過程主要有：確定挖掘目標——數據取樣——數據探索——數據預處理——挖掘建模——模型評價六個步驟。具體實施過程中很難單純用理論描述，通常會引入案例來實現這一過程。通過各種教學模式的綜合比較發現， PBL教學模式非常適合數據挖掘技術這門課程。

PBL教學模式是問題驅動型教學模式，以問題為學習的起點，圍繞著專業領域可能遇到的真實案例進行學習，整個過程以學生為中心，教師更多是擔任認知指導，每個課程單元即問題結束后要進行評價。這一過程和數據挖掘過程不謀而合。

二、基于PBL教學模式進行課程設計

數據挖掘技術這一門課程主要分為理論教學和實踐操作兩個部分，本文主要從理論教學這一部分入手。在教學過程中，為了避免過程的交叉重復，理論教學主要選取一個項目貫穿教學全過程，實踐操作項目和理論教學同步，由淺入深，便于學生理解掌握。這就要求理論教學引入的案例具有廣泛性，能夠覆蓋到全部知識點。在此，本文以連鎖餐飲為案例，作一個說明引導。

與此同時，數據挖掘技術在高職課程中開設，主要特點在于應用，必須要掌握一門數據挖掘工具，常用的工具有SPSS、R語言，Python語言等等。鑒于Python語言眾多開源庫，如用于數據分析的Pandas，用于可視化的Matplotlib，用于數值計算的Numpy，用于機器學習的Sklearn等資源豐富，操作簡單實用，是目前最主流的數據挖掘工具。因此，本門課程選用Python語言進行編程展現。

1、問題驅動，案例主導

數據挖掘的目的是在大量數據中提取有用的信息，從而幫助用戶作決策。針對案例，如連鎖餐飲進行數據挖掘應用，先找到問題點，確定挖掘目標。真實情境是連鎖餐飲同質化，客戶流失加速，市場競爭大，資源未得到有效合理的應用等問題。驅動型問題主要是通過數據挖掘開發應用需求，以解決某連鎖餐飲經營危機，如：菜單智能推送、客戶群分類、菜品銷售預測等。

2、數據探索及預處理

通過對原始數據取樣，使用Python數據分析工具進行數據探索，對數據質量進行異常值、缺失值分析，對數據特征進行分布、對比、統計、周期性、貢獻度、相關性分析。通過對數據進行探索分析，了解數據的規律和趨勢，為數據預處理環節提供支持。

在數據挖掘中，由于數據量大，價值密度低，常常存在大量數據不完整、不一致、有異常數據等情況，將會嚴重影響挖掘建模的效率及準確性，因此數據預處理在數據挖掘中占有極為重要的地位，由于數據量大，數據預處理的工作量占比很重，一般在60%左右，屬于數據挖掘技術中的苦力活。一般數據預處理主要由以下四個部分組成：數據清理、數據集成、數據變換、數據規約。其中，涉及大量的數據知識，在高職學生中主要以應用為主，如數據變換中的規范化，如最小-最大規范化和零-均值規范化，教學過程中用Python代碼和數學公式對比演示，這樣學生能夠輕松掌握，不再對著一個個專業術語不知所措。

3、挖掘建模，評價優化

在PBL教學模式中，提出驅動性問題是該模式的關鍵。在建立數據挖掘模型時，問題的提出直接影響模型的選擇。以連鎖餐飲為例，在此前通過數據預處理以后，數據符合數據建模要求，進入建模階段。根據數據挖掘的目標和數據的形式，可以通過不同的建模方法獲取不同的信息，幫助企業作出商業決策，提升競爭力。數據挖掘建模主要有：分類與預測、聚類分析、關聯規則、時序模式、離群點檢測。教師先簡單介紹幾種挖掘模型的特征及實現方法，然后用PBL的問題驅動法提出問題，引導學生通過共同探討分析選擇模型，最后實現模型構建及模型評價優化。

在此，做簡單的類比，幫助學生通俗地理解業務與挖掘模型的關系。可以通過菜單智能推送這一商業模式，提高點菜效率，提升客戶體驗，選擇的關聯規則這一挖掘建模模式可以實現；通過對餐飲客戶消費行為的測量，可以評判客戶的價值，可以選用聚類分析這一挖掘建模模式；對菜品銷售進行預測，選用時序模式可以解決生產和銷售的匹配度，讓資源優化。

不同的商業決策可以通過不同的挖掘建模方法解決，選用不同的算法可以得出不同的結果，如選用LM神經網絡和CART決策樹兩種算法建立預測模型，得到的結論并不一致，可以通過調參優化、模型評價等方法得到最優解。

4、實踐實戰，總結提煉

通過設置和理論課程同進度的實踐項目，讓學生學到的知識點得以強化，并提高動手及編程能力。同時，數據挖掘常常應用在分析或方案中，用數據說話是當今決策的重要手段。高職生重操作輕寫作很顯然不利于技能提升，所以在提交實踐成果主要以項目報告形式提交。除了建模代碼外，還要結合Python可視化編程，及過程解析和總結說明等方式展現在項目報告中，從而鍛煉學生的綜合素養。

三、結論

本文主要針對數據挖掘技術這門教學難度大，綜合性強的交叉性課程，在高職中開展的教學方式進行探討。使用PBL教學模式，解決了照搬照抄機械模仿學習方法，通過問題啟發驅動學生思考，從而達到教學目標。

參考文獻：

[1] 何鋒； 劉祖根； 余建坤； 余益民. 數據挖掘技術課程中的貫穿式案例教學設計 [J]. 科技資訊，2019（10）： 169-171

[2] 張艷. 大數據背景下的數據挖掘課程教學新思考[J]. 計算機時代，2014（4）： 59-61