- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
数据挖掘在高校教育信息化中应用
数据挖掘在高校教育信息化中应用
[摘要]高校教育信息化的快速发展积累了大量的数据,利用数据挖掘技术可以发掘出数据中隐藏的规律和模式,从而为教育教学决策提供科学依据。文章对数据挖掘的概念和过程进行了简要介绍,探讨了数据挖掘在教学评价、课程设置和网络教学等方面的应用。
[关键词]数据挖掘 高校教育信息化 教学评价 Web挖掘
[作者简介]刘仕筠(1979- ),女,四川青神人,成都信息工程学院计算机基础教学部讲师,硕士,研究方向为教育信息化、数据挖掘和计算智能;盛志伟(1977- ),湖南益阳人,成都信息工程学院网络工程系讲师,硕士,研究方向为数据挖掘和网络安全;郭本俊(1975- ),成都信息工程学院软件工程系讲师,在读硕士,研究方向为计算机网络和并行计算。(四川成都610225)
[基金项目]本文系成都信息工程学院科研基金资助“数据挖掘在高校教育信息化中的应用”的最终研究成果。(项目编号:CRF200622)
[中图分类号]G642.0[文献标识码]A[文章编号]1004-3985(2009)02-0182-02
随着信息社会的来临,高校教育信息化带来的是信息量的急剧增长和对信息提取的更高要求,现在我们很难再依照传统方法在海量数据中寻找决策的依据,这就必须借助数据挖掘工具去发掘数据中隐藏的规律或模式,为教育教学决策提供科学依据和更有效的支持。
一、数据挖掘简介
(一)数据挖掘的定义
目前比较公认的对数据挖掘的定义是:数据挖掘,又称数据库中的知识发现,是从大量的、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、但又是有趣的、潜在有用的信息、模式和知识的过程。①
数据挖掘是一个非平凡过程,即数据挖掘的过程不是线性的,而是在挖掘过程中有反复、有循环。
(二)数据挖掘的过程
数据挖掘的过程一般分为:问题定义、数据预处理、数据挖掘算法执行以及结果的评估与表示四个阶段。②
1.问题定义。在问题定义过程中,由数据挖掘人员与领域专家协作,确定实际工作对数据挖掘的要求,并通过对各种算法的对比确定可以采用的学习算法。
2.数据预处理。数据预处理是数据挖掘过程中的一个重要步骤,数据质量的好坏直接影响着挖掘效果的优劣。数据预处理包括:数据清洗、数据集成、数据转换与数据消减。
数据清洗的任务是消除噪声或不一致数据,解决对象识别问题,因为数据的不一致性会导致数据挖掘结果的可信度降低。
数据集成主要是将多文件或多数据库运行环境中的异构数据进行合并处理,解决语义的模型性。用于数据挖掘的数据可能来自多个实际系统,因而存在着异构数据的转换问题。又由于多个数据源的数据之间可能存在许多不一致的地方,因此数据集成并非是简单的复制过程。
数据转换是将数据变换或统一成适合挖掘的形式,包括数据泛化处理、规格化、属性构造和平滑处理等。
数据消减的目的是缩小所挖掘数据的规模,但却不会或基本不会影响最终的挖掘结果。
3.数据挖掘算法执行。在数据挖掘算法执行阶段,根据对问题的定义,明确挖掘的任务或目的,如分类、聚类、关联规则发现或序列模式发现等。确定了挖掘任务后,就要决定所使用的算法,建立数据挖掘模型。
4.结果评估与表示。模型建立好之后,一方面应根据一定的评估标准,从挖掘结果中筛选出有意义的模式知识;另一方面要利用可视化和知识表达技术,向用户展示所挖掘出的相关知识。
(三)数据挖掘模型与算法
数据挖掘模型与算法是数据挖掘的关键。目前,数据挖掘的方法通常可以分为两大类:一类是统计型,常用的技术有概率分析、相关性分析、聚类分析和判别分析等;另一类是人工智能中的机器学习型,通过大量样本集的学习训练得出需要的模式或参数。下面简单介绍一下数据挖掘应用中常用的几种算法:
1.决策树。决策树主要是基于数据的属性值进行归纳分类,常用于分类的层次方法有“if-then”规则。决策树方法的最大优点就是可理解性强,比较直观。其缺点是处理复杂性的数据时,分支非常多,管理起来难度很大。
2.贝叶斯网络。贝叶斯网络基于贝叶斯定理,是建立在对数据进行统计处理基础上的方法。主要做法是将不确定事件通过网络连接起来,可以对与其他事件相关的事件的结果进行预测,其网络变量可以是可见的,也可以隐藏在训练样本中。贝叶斯网络具有分类、聚类、预测和因果关系分析的功能,其优点是易于理解,预测效果较好;缺点是对发生频率很低的事件预测效果不好。
3.粗糙集。常用于处理含糊性和不确定性的问题,发现不准确数据或噪声数据内在的结构联系,也可以用于特征归约和相关分析。其主要优点是不需要任何关于数据的初始的或附加的信息,因此广泛应用于不确定
文档评论(0)