基于大數據工程專業人才培養目標的Python語言教學改革探析

劉海橋，袁丹丹

（海軍工程大學電子工程學院，湖北武漢 430000)

0 引言

隨著科技的發展，計算機成為各領域不可或缺的計算工具[1]。程序設計基礎是大學生了解計算機，學習算法，建立計算思維非常重要的通識課程[2]。由于Python語言具有簡單、高效、跨平臺等特點，逐漸成為相關專業的首選程序設計語言，學生可以不必拘泥于底層的實現，而是更好地關注問題本身，更高效地設計算法[3]。與此同時，學生的編程能力也將直接影響相關專業課程的開展，比如算法與數據結構、數據挖掘與機器學習、數據可視化等課程。

隨著大數據技術的應用，大數據工程專業要求學生掌握大數據技術原理、數據挖掘、數據可視化等方面的專業知識，涉及的專業課程包含數據挖掘與機器學習、人工智能、數據可視化等，而這些專業課程在實驗開展環節都需要借助程序設計語言，首選的便是Python 語言。所以學生的Python 編程能力一定程度上決定了專業課實驗能否高效地開展。

現有的Python 語言教學，主要圍繞語法、算法及簡單應用展開，與后繼專業課程結合度較低，脫離專業的應用背景。如何將通識課程與專業課程建設進行交叉融合，對培養綜合型人才具有重要意義[5-6]，所以基于大數據工程專業人才培養目標對Python 語言教學方法進行探索很有必要。本文分析了Python 語言課程現狀，結合數據挖掘與機器學習專業課程教學，從教學內容、教學模式、評價指標三個方面對Python語言教學方法進行探索，以期專業課實驗的高效開展。

1 課程現狀

大數據工程專業首選的編程語言是Python語言，所學習的便是Python語言程序設計基礎，根據人才培養目標，后續會接觸很多和數據處理、挖掘、可視化等相關的專業課程。從教學效果看，學生對Python語言的掌握不透徹，不具備實現復雜算法的編程能力，從而影響專業課實驗的高效開展。下面結合專業本身和Python 語言教學，對這一現狀產生的原因進行梳理。

1.1 課程內容脫離專業實踐

Python 語言程序設計基礎課程的教學總體目標是通過課程內容的學習，使得學生能夠掌握程序設計的基本方法，具備程序設計、編寫、維護的能力，使用Python語言解決實際問題的手段，同時具備基于生態的編程思維方式。鑒于此，課程明確三層目標：知識層、能力層和思維層。比如在能力層，要求學生掌握pyinstaller 庫、jieba 分詞庫的應用，同時要求學生能夠將Python語言運用在人機交互、網絡爬蟲等專業特色不明顯的應用場景。

課程的教學目標和教學內容的結構清晰，通過學生提交的作品，可以看出學生具備了利用Python語言解決簡單問題的能力。但是在專業課的教學過程中，可以發現學生缺乏對一些基礎的數據處理庫的掌握與應用，使得實驗開展過程中，需要花費大量時間講解這些基礎庫的用法，影響實驗的高效開展。

上述問題出現的原因在于Python 語言課程的內容設計上，沒有考慮到專業特色，沒有相關生態庫的介紹和鋪墊，沒有培養學生利用科學計算相關庫的編程習慣。

1.2 授課對象缺乏主觀能動

學生舉一反三的能力較弱，習慣于被動地接受知識，編程的主動性難以調動。此外，學生創新實踐能力較弱，現有的考核內容，很難檢驗學生編程的綜合能力。

1.3 考核評價沒有專業特色

現有的考核方式包含形成性考核和終結性考核。在考核內容方面，主要參考計算機等級考試二級的題型，比如在綜合應用方面，主要考核文本的分析及處理、簡單的算法設計、Turtle繪圖等。這些考核內容不能體現專業特色，比如缺乏對數據的預處理、對表格文件和圖片文件的讀取和分析等知識的考核，而這些專業知識在后續專業課程的教學中至關重要。

2 教學設計

首先在教學內容上，重新梳理知識體系，保留基本語法、程序結構、綜合應用三層結構不變，并在原有課程內容的基礎上，思考如何與后繼專業課程相結合。為此，需要分析大數據工程專業課程的教學計劃，從中提煉出與專業知識關聯性不強，但在專業課實驗開展過程中不可或缺的Python編程知識，比如涉及的生態庫等知識，然后結合Python 課程的知識架構，將這些提煉出的知識點融入Python教學中。這樣不僅能夠加強Python教學的實踐性，還能為后續專業課實驗的開展做好鋪墊。

其次在教學方法上，注重任務驅動教學模式。根據教學目標，合理設計任務，激發學生解決問題的好奇心和內在動力，引導學生認真聽課，積極思考，主動編程。通過任務驅動的教學模式，學生能夠更好地掌握知識，發現問題并解決問題。

此外，為了提高學生編程的主動性，除了任務驅動的教學模式，合理的考核指標也相當重要。課程現有的形成性考核占比40%，主要包含學生的實驗、課堂表現、期中成績。現基于成果導向原則，可以將課堂表現的10%分值改為創新實踐，用于檢驗學生編程的綜合能力。教學過程、教學方法最終要通過學生的學習成果來檢驗，所以學生掌握知識的程度才是衡量教學效果最有力的指標。

3 教學實施

3.1 設計數據處理教學內容，結合專業背景

為符合大數據工程專業人才培養目標，使得學生能夠很好地完成后續專業課程的高效開展，需要將專業課程中相關知識，進行合理劃分，對Python 課程教學內容進行有效融合。首先需要對大數據工程的專業課程進行分析。大數據工程專業的課程建設如圖1所示，主要分3層，可以看出程序設計基礎是眾多專業課程的核心通識課程。

以數據挖掘與機器學習課程為例，課程的內容包含模型評估、降維等數學理論知識，以及大量的機器學習算法，比如決策樹、神經網絡、支持向量機等。下面對數據挖掘與機器學習這門專業課程中的內容進行分析、提煉。

在模型評估章節，主要講解評估方法、性能度量等指標，這些內容更多的是涉及數值的計算，比如查全率、查準率、方差、標準差計算等，可以將其作為案例應用在Python 語言程序設計課程的“數值類型”章節；而錯誤率、精度是機器學習過程中計算最為頻繁的指標，可以應用在“組合數據類型”章節，從而有效地將專業課程與通識課程相結合。

在線性模型章節，主要講解線性回歸、線性判別分析等內容，這個章節需要使用numpy庫進行矩陣的運算。結合Python 課程教學內容，可以在“組合數據類型”章節中引入numpy庫，利用二元一次方程，凸顯numpy 庫的強大功能。需要注意的是，numpy 庫已經被列入計算機等級二級考試的提綱，對numpy庫的學習變得很有必要，尤其是大數據工程專業，更應具備使用numpy庫的編程實踐能力。

圖1 大數據工程專業的課程建設（部分）

在決策樹章節，主要講解如何構建決策樹。決策樹算法在數據預處理階段需要對數據進行讀取、去除無效數據等操作，而這些操作都需使用pandas 庫，那么對應的可以放在Python 課程的“二維文本文件處理”章節，通過和內置的open函數作比較，讓學生感受pandas處理數據的高效性，同時讓學生具備數據預處理的能力。

在神經網絡章節，主要講解感知機和簡單的BP神經網絡，這里采用手寫字體識別案例，涉及對圖片數據的處理，所以需要講解pillow庫，這個庫可以放在Python 語言程序設計課程的“二進制文件處理”章節講解，讓學生了解圖片數據的本質，以及如何將圖片數據轉換為numpy數據。

在支持向量機章節，主要講解支持向量機的推導過程及對偶問題。關于對偶問題的求解，需要利用SMO 算法，而SMO 算法本質上就是一個while 循環算法，可以作為案例應用在Python語言程序設計課程的“循環”章節。但是需要對問題進行簡化處理，目的是脫離SMO 算法本身，讓學生體會while 循環語句的應用場景。同樣的，在聚類章節，K-Means 算法也涉及while循環語句的思想，也可以引入到“循環”章節作為案例使用。

在機器學習算法求解過程中涉及的圖表，比如柱狀圖、協方差圖、AGNES 算法的樹狀圖等，需要利用matplotlib庫實現繪制，這個庫是科學計算中常見的可視化庫，可以引用在“計算生態”章節。

上述給出了數據挖掘與機器學習課程部分章節內容如何與Python 課程相融合。同樣在其他專業課程中，也會存在相應的需求，需要逐一梳理。這項跨團隊的工作，需要教師團隊深入到專業課程建設中，挖掘經典、高效的案例素材，切實做到通識課程和專業課程建設的連貫性，能夠讓學生很好地進行學科之間的遷移。

需要注意的是在案例的選取和講解過程中需避免過于生硬，不能為了引入而強行引入。要多用對比，比如在講解numpy 庫時，先利用list 列表，計算多元一次方程的求解問題，然后再引入numpy庫進行求解，通過對比讓學生感受numpy庫處理數據過程的高效性。再比如講解pandas庫時，可以先后利用open函數和pandas庫讀取csv文件，然后對數據進行處理，凸顯pandas庫的強大和高效。

引入新的知識點，就意味著有新的挑戰，如果案例的設計不夠吸引學生，反而會適得其反。下面將進一步提出采用任務驅動教學模式，旨在提高教學質量。

3.2 采用任務驅動教學模式，提高教學質量

上一小節以數據挖掘與機器學習課程為例，給出專業課程與Python 程序設計基礎課程之間知識體系的融合方案。教學內容明確后，還需要設計好教學任務，從而驅動學生學習。好的任務設計，可以很好地激發學生內在學習動力，同時也能讓課程教學主線明確，結構清晰。良好的教學任務設計應該滿足以下幾點原則：

1)基于Python課程教學計劃

依據專業課程，在Python 知識架構中，構建新的案例，但是需要注意的是，這些案例知識點一定是依據原有的教學計劃，比如pillow、numpy 等第三方庫，不要為了結合專業課程，將教學內容復雜化，甚至超綱。Python課程內容的設計是依據課程教學計劃，結合專業課程的教學實際，構建合理的案例，并且能夠和現有的知識有機融合。

2)簡單到深入層層遞進

案例應該由淺入深，層層遞進，不要割裂知識結構，要抓住主線。比如，在組合數據類型章節中引入numpy，不是為了講解矩陣計算，而是為了引入一種全新的組合數據類型，這種類型不是Python內置的數據類型。先通過對list案例的設計，逐步引出numpy這種新的組合數據類型，結合案例，分析矩陣類型處理數據的特點，培養學生矩陣處理數據的思維方式。再比如，在講解pillow庫時，要明確pillow庫是為了處理二進制文件，而圖片是最常見的二進制文件。open函數可以讀取二進制文件，但是無法對里面的bit流進行高效解析，除非精通圖片的壓縮算法，否則需要借助第三方庫。總之，案例的引入，要抓住教學主線，由淺入深。

3)有對比有啟發

案例的設計要有對比，通過對比，學生能夠得到很好的啟發，理解為什么這么用，達到綜合創造的層次（布魯姆教育分類法的后兩層），也就是進一步地改進問題。比如numpy 庫可以和原有的list 對比，pillow處理后的圖片和處理前的圖片對比；pandas和原生的open函數對比等。

結合上述原則，對Python課程的教學案例進行設計，案例如表1 所示，這里篇幅原因，給出前3 章節的知識架構。通過對專業課程知識的梳理，引導程序設計課程案例的構建，將大數據工程專業領域的知識技能很好地融入Python課程教學中。

表1 任務驅動教學模式下案例設計

3.3 明確創新驅動評價指標，激發學生動力

課程的評價如圖2 所示，包含期末成績和過程性成績，過程性成績中有實驗、期中等。為激發學生的學習動力，提出新的指標“創新實踐”。“創新實踐”指標的難點在于如何衡量“創新”，以及如何評價“創新”。

圖2 課程考核方式

編程的創新可以分為算法上的創新和應用創新。算法創新又可以進一步分為：

1)減少代碼量，比如100行的代碼用50行實現；

2)挖掘已有方法的新功能，比如sum 函數，可以設置第二個參數作為初始值；

3)降低算法復雜度，比如對素數求解問題，給出新的高效的算法。

應用上的創新，可以有：

1) 利用現有的知識解決實際問題，比如利用turtle庫設計一個倒計時；

2)挖掘新的有意思的第三方庫，比如二維碼生成庫、Office辦公類的庫、GUI開發庫等。

明確好創新類型后，梳理每個章節的知識點，給出可以創新的具體評價指標，并給出分值，如表2所示。

這些指標及內容可以在授課前，就給學生明確，這樣更有利于學生的主動思考。同時，需要積極反饋學生的成果，好的作品、好的思路需要作為模板共享給學生，這樣一方面能給學生明確創新方向，還能激發學生之間的競爭力。

4 結束語

在大數據工程專業教學過程中，學生對Python語言掌握不精，實驗內容不能高效開展，主要原因是課程內容脫離專業實踐、授課對象缺乏主觀能動以及考核評價沒有專業特色。針對上述問題，給出基于大數據工程專業人才培養目標的Python 語言教學方法的探索。在教學內容方面，結合專業背景，設計與數據處理相關的教學內容，以數據挖掘與機器學習專業課程為例，梳理出和程序設計相關的知識，設計出專業背景下的教學案例，融合到Python 教學內容中；在教學模式方面，采用任務驅動式的教學模式，旨在提高教學質量，在實驗課環節，分析教學目標，設計實驗任務，通過任務驅動，引導學生自主學習，激發學生學習的興趣；在評價指標方面，明確基于創新驅動的評價指標，旨在激發學生學習動力，通過構建創新指標，規定創新點，確定評價指標。通過對Python語言教學內容的設計，激發學生學習的主動性，提高教學質量，為后續專業課程中實驗內容的高效開展打下良好基礎。

表2 創新驅動評價指標