数据挖掘课程教学的方法的探讨.docVIP

数据挖掘课程教学的方法的探讨 　　摘要：国内外各大高校院所都非常重视数据仓库与数据挖掘课程的开设，尤其是在大数据环境下，数据挖掘的重要性更加凸显。本文详细分析了数据挖掘课程产生的背景，确立数据挖掘课程在计算机及相关专业的定位，梳理数据挖掘课程的理论方法与内容体系，强调注重理论与实际应用项目的结合，对指导数据挖掘课程的教学改革与创新具有重要的指导和借鉴意义。 　　关键词：数据挖掘；教学方法；大数据；课程体系 　　中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2018）13-0146-03 　　一、引言 　　1.数据挖掘课程产生的背景。20世纪90年代，以美国信息工程领域专家数据仓库的倡导者Willian Inmon在他对数据仓库的定义中涵盖了数据挖掘的概念。数据挖掘概念正式提出是在1995年的美国计算机年会（ACM）上。数据挖掘就是从大量的、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但又是潜在有用的信息和知识的过程。目前国内外高校、研究部门均将数据挖掘作为重要的课程开设，KDD、ACM等信息科学领域的顶尖国际会议也将数据挖掘作为重要的内容展开研讨。 　　2.数据挖掘课程在计算机及相关专业的定位。数据挖掘课程属于多个学科的重要专业课程（如图1所示），主要包括数据库技术、计算机应用技术、统计学方法、机器学习、预测技术、软计算、信息科学、可视化、网络与电子商务等。 　　随着信息技术的发展与普及，如何从海量的数据中提取有用的和有价值的信息即知识，已成为信息技术研究的重要问题，数据挖掘已经成为国内外高层管理决策研究的重要领域。在各个业务领域都涌现出大量的数据挖掘应用案例，可以在大量的分散的业务数据中挖掘有价值的信息，并使信息得到增值，以提高业务管理过程的经济效益和社会效益。大数据也是在数据挖掘研究及应用普及的基础上发展起来的，学习数据挖掘课程对今后大数据方面的应用研究将积累重要的研究基础。 　　二、数据挖掘课程的理论方法与内容体系 　　1.数据挖掘课程的理论方法。数据挖掘课程的理论方法主要包括：数据与信息的存储理论，数据采集与整合方法，数据的泛化与标准化，多维数据组织与管理；数据库建立与管理决策；主题数据库与数据仓库、多维数据库建立；数据挖掘理论与方法、KDD（Knowledge Discovery in Database，数据库中的知识发现）、DSS（Decision Support System，?Q策支持系统）、预测与决策方法；结构化与非结构化数据挖掘；公共信息平台架构及应用环境；大数据理论技术及应用。 　　2.数据挖掘课程的内容体系。数据挖掘课程由理论课程体系、教材体系与实验体系三部分组成。（1）理论课程体系的主要内容包括：①数据预处理阶段。数据的采集技术，数据清洗，数据整合标准，多维数据的数据结构，数据集成技术，等等相关内容。②面向主题数据库的建立方法及多维数据库的建立方法。③数据的访问部分。数据挖掘模型系统（预测与决策支持系统），可视化、KDD、商务智能软件系统等。（2）教材体系主要包括如下内容：数据采集与存储、数据结构、数据库管理、数据仓库、数据挖掘、决策支持系统、智能商务决策等。（3）实验课程体系的主要内容包括：①数据预处理及相关工具的应用。以运输企业动态监控管理与决策分析为例，主要的实验内容是运用GPS、RFID传输运输途中所产生的数据进行采集、存储与处理。熟练掌握在数据挖掘过程中如何采集和处理数据的方法及全部过程。②数据整合理论与方法的实验。通过对车载设备的GPS、RFID及运输途中相关业务数据的整合，让学生们熟悉掌握来自不同系统的数据结构形式以及如何在计算机内部存储和处理。③数据的存储管理。EDI、RFID、GPS、传感器等相关数据及运输途中动态产生的数据，对整合与标准化后的数据进行存储与管理。④对运输车辆进行动态监控与科学管理。通过GPS显示在GIS上的经纬度、车辆速度等信息，检验车辆运行的安全状态，车辆的超速、异常状态报警等监管功能。⑤数据挖掘模型系统的建立。快速发现知识算法，K均值算法，SVM算法，EM算法（最大期望算法，Expectation Maximization Algorithm），C4.5算法；PageRank算法（网页排序），贝叶斯分类算法，K最近邻（k-Nearest Neighbor，KNN）分类算法，Adaboost算法即自适应增强算法，CART算法即分类回归树算法。⑥常用数据挖掘工具。SPSS、SAS、R语言（R支持一系列分析技术，包括统计检验、预测建模、数据可视化工具）、WEKA（集成了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理、分类、回归、聚类、关联分析以及在新的交互式界面上的可视化）、Mah