大数据背景下数学建模教学改革思考.docVIP

大数据背景下数学建模教学改革思考 　　摘要：大数据的五V特征对数学建模教学产生新的冲击，这表现在课程目标、课程内容、教学手段等方面。面对样本数据收集的信息化、自动化、全样本和大数据化，课程应更加侧重于发现海量数据下各种关联细节的相关分析能力的培养；在教学内容上，应增加反映兼顾大数据和信息技术特点的数据挖掘内容和环节；在教学手段上，数学软件的应用及编程能力的强化应成为数学建模必不可少的手段之一。 　　关键词：数学建模；大数据；全样本；数据挖掘；编程能力 　　中图分类号：G712 文献标志码：A 文章编号：1673-9094-（2018）05C-0074-03 　　随着新技术和新应用带动数据爆发式的增长，大数据正逐步走进人们生活，并对传统数学建模课程产生深刻的影响。近年来，在美国大学生数学建模大赛中，具有显著大数据特征的赛题不断涌现，以2017年A赛题为例，其关于赞比西河管理问题的解决涉及大量非结构化数据，特别是地理数据，对数学建模能力的考核已经不再表现为分析问题能力和数据执行能力的获取，而是上述两种能力的合取。2018年大赛甚至系统性地专门增加一个数据处理题以反映时代对这方面的要求。因此，在数学建模教学中，任何割裂分析问题能力与数据执行能力联系的做法已经无法应对大数据对数学建模能力提出的挑战。具体到教学改革上，需要我们分析好大数据型问题对数学建模课程的影响，对传统数学建模的课程目标、课程内容、教学手段做出相应调整。 　　一、构建体现大数据特点的数学建模课程目标 　　课程目标是教学活动的指导思想，是课程设计的出发点和依托。因此，数学建模课程目标应顺应大数据发展的要求进行相应调整，为构建与大数据处理相适应的，新的课程观、课程目标、课程内容、课程结构和课程活动方式奠定基础。 　　数学建模的主要目的是培养学生应用数学理论和知识解决实际问题的能力，而应用好数学解决问题的前提是建模时首先能正确地面对数据类型和关系，进行合理假设。人们在自觉和非自觉状态下创造的大量非结构化数据和半结构化大数据，它们有些表现为传统的数、表等结构化特征，有些则表现为诸如文本数据、音频数据和视频数据等现代非结构化数据和半结构化数据，多且杂乱。因此，在数学建模课程目标的设定上首先应体现数据结构的特点对调整数学建模课程目标提出的要求。 　　大数据具有5V特征，即Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。如，智能制造中设备产生的数据流实时、高速，这些高速数据通过通讯网络快速与控制系统链接，数据流数量级的计算加速大幅提升数据处理与分析的效率，使得机器硬件性能得以充分挖掘，进而提升经营与管理的效益；其他如医学扫描数据、天文数据、网站流量等，其具有低价值密度的特点。这些不同于以往数据的特征要求我们需要有新的数学建模课程目标与之匹配，这主要表现在数据观、数据刻画及数据表现等几个方面。 　　传统数学建模中，数据收集只能通过随机样本，利用少数的特征对总体的属性进行统计推断。在大数据时代，人们可以通过互联网、即时通讯工具以及数据库，获取各种海量数据。因此，大数据背景下，全数据或海量数据成为样本数据，即样本就是总体，样本就是大数据。 　　面对这样的全样本或海量数据，随机抽样有时仅表现为一种逻辑上的意义。而在大数据背景下，一方面，?稻菔占?过分地依赖技术手段，很难进行人为的精度控制；另一方面，数据无论在空间和时间方面，来源更加复杂，格式更加多样，这就使得数据的前期清洗处理变得非常困难。由于存在系统性的偏差，很难将全部的杂质项从数据中萃取掉，在秉持“数据多比少好”的情况下，就得接受数据混乱和不确定性的代价。当然，在大数据中，忽略一部分模型的精确性，并不是说不要模型的精确性，而是指我们对于模型精确性的可控性在减弱。所以，新的数学建模分析应更加侧重于发现海量数据下的各种关联细节，这可以成为数学建模逻辑思维能力培养新的补充目标，从而使我们在知识与技能、过程与方法等维度上把握好该课程的教学。 　　随着数据通讯技术，尤其是移动智能设备的普及发展，人们可以在任何时间和地点发布信息和获取数据，数据的实时分析成为提高大数据分析效率的必由之路。与传统数据相比，数据不再局限于一条条记录，伴随着大量由物联网、传感器等产生的图片、视频等非结构化数据的产生，实时分析需要学生掌握新的数据挖掘技术，并以集群、分割、孤立点分析及其他算法深入数据内部挖掘价值，从而实现处理数据量和处理数据速度的统一。 　　此外，数据仓库、联机分析和数据挖掘技术的不断完善，推动着数据以图形和图像等可视化方式的执行，[1]展示数据、理解数据、演绎数据呼唤数据的可视化；从直方图到网状图，从三维地图到动态模拟，从动画技术到虚拟现实，枯燥乏味的