浅谈数据挖掘技术及其在高等学校教学中的应用.docVIP

　　浅谈数据挖掘技术及其在高等学校教学中的应用 作者：惠向晖　王亚伟　苏克勤　韩坷 论文 关键词:数据挖掘　高校教学　 教育 信息化 论文摘要:数据挖掘技术目前在商业、 金融 业等方面都得到了广泛的应用，而在教育领域应用较少。本文通过时数据挖掘在高校教学中的应用分析，认为数据挖掘技术可以帮助教学人员合理安排教学工作，协助辅导员对学生的管理，对提高学校的教学管理水平起到指导作用 1引言 随着12世纪信息化时代的到来，整个社会的信息总量呈几何级数迅速增长，人们利用信息技术生产和搜集数据的能力大幅度提高，积累的数据越来越多，但缺乏挖掘数据中隐藏知识的手段，导致了“数据爆炸但知识贫乏”的现象。随着数据库技术的成熟和数据应用的普及，在过去的若干年中，人们积累了大量的数据资料，但数据库中隐藏丰富的知识及有价值信息远远没有得到充分地发掘和利用，随着数据量以指数速度激增，人们渴求从数据汪洋中出现一个去粗存精、去伪存真的技术，越来越希望系统能够提供更高层次的数据分析功能，从中找出 规律 和模式，帮助决策者发现数据间重要但被忽略的因素，从而更好地支持决策或科研工作。正是为了满足这种要求，从数据库中发现知识(KDD)及其核心技术—数据挖掘技术应运而生。 2数据挖掘介绍 2.1概念及其特点 数据挖掘(DtaaMniing)是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的，人们事先不知道的但又潜在有用的信息和知识的过程，提取的知识表示为概念、规则、模式等。根据数据挖掘的目标，采用人工智能、集合论、统计学等方法，应用相应的数据挖掘算法，分析数据并通过可视化工具表述所获得的模式或规则。 数据挖掘有以下特点:(1)能发现反映系统局部特征和规律的模型;(2)自动趋势预测，能发现“新”的知识;(3)比较容易获得很多规则，并能及时更新。数据挖掘方法具有开放性思维方法，它可以及时借鉴和引用模型法的很多成果，比如神经 网络 、粗糙集、朴素贝叶斯算法等方法都已被利用在数据挖掘方法中。 2.2数据挖掘目的及其过程 2.2.1目的 数据挖掘期望发现的知识有如下几类:(1)反映同类事物共同性质的泛化知识;(2)反映一事物和其他事物之间依赖或关联的关联型知识;(3)分类、聚类知识，是反映同类事物共同性质的特征型知识和不同事物之间的差异型知识;(4)根据 历史 和当前的数据推测未来的预测型知识。 2.2.2挖掘的过程 挖掘过程是从大型库中挖掘未知的、有效的、可实用的信息，并使用这些信息做出决策。通常可以分为准备、数据挖掘、评价阶段以及运用阶段等四个阶段。 (1)数据准备阶段。数据准备阶段是消除数据噪声和与挖掘主题明显无关的数据，完成对数据的筛选、变换和预处理。经处理过的数据一般存储在数据仓库中。数据准备是否做得充分将影响到数据挖掘的效率和准确度以及最终模式的有效性。包括:①数据的选择:选择相关的数据;②数据的预处理:消除噪音、冗余数据;③数据的推测:推算缺失数据;④数据的转化:离散值数据与连续值数据之间的相互转换、数据值的分组分类、数据项之间的 计算 组合等;⑤数据的缩减:减少数据量。 (2)挖掘阶段。该阶段是数据挖掘的核心步骤，也是技术难点所在。根据数据挖掘的目标，采用人工智能、集合论、统计学等方法，应用相应的数据挖掘算法，分析数据并通过可视化工具表述所获得的模式或规则。 (3)评价阶段。在数据挖掘中得到的模式可能是没有实际意义或没有使用价值的，也有可能不能准确反映数据的真实意义，因此需要评估，确定有效的、有用的模式。评估可以根据用户多年的经验，有些模式也可以直接用数据来检验其准确性。如何将挖掘出的有用知识清楚易懂地提供给教育和管理工作者也是一项非常重要的工作，选择合适的可视化工具，将结果以关系表或用量化特征规则表示给用户。 (4)运用阶段。用户理解的、并被认为是符合实际和有价值的模式形成了知识。同时还要对知识进行一致性检查，解决与以前得到的知识互相冲突、矛盾的地方，使知识得到巩固。运用知识有两种方法:一种是只需看知识本身所描述的关系或结果，就可以对决策提供支持;另一种是要求运用知识对新的数据进行分析，由此可能产生新的问题，而需要对知识作进一步的优化。 2.2.3数据挖掘的方法 在数据挖掘算法的理论基础上，数据挖掘中的常用方法有:①生物学方法，包括人工神经网络、遗传算法等;②信息论方法包括决策树等;③集合论方法包括约略集、模糊集、最邻近技术等;④统计学方法;⑤可视化技术等方法。数据挖掘的各类算法包括预测模型、关联规则挖掘算法、分类规则挖掘算法、序列模式分析算法、聚类分析算法、WEB数据挖掘等。 3数据挖掘在高等学校教学中的应用 3.1学生的基本信息 利用数据挖掘技术，比如可以对学生访问情况进行分