刘辉

摘 要：大数据与云计算的普及对数据挖掘人才提出了更多更高的需求，越来越多的高校开设了面向商科生的数据挖掘课程。然而，数据挖掘是一门理论与实践并重且涉及多学科的交叉学科课程，传统的教学方法在给商科生的授课过程中面临许多问题。结合数据挖掘课程的特点，分析了教学过程中的问题，并提出了建设性的意见。

关键词：数据挖掘;教学改革;交叉学科;实践教学

中图分类号：G4     文献标识码：A      doi：10.19311/j.cnki.1672-3198.2019.23.086

0 引言

隨着互联网和移动计算的发展与应用，每天产生海量的数据，数据挖掘在社会各个领域得到空前的重视与广泛的应用。这是一门理论与实践结合的学科，其中许多数学模型与算法，都具有深邃的思想与广泛的应用潜力。近年来，数据挖掘技术已经在客户发掘、市场分析、商品推荐和人力资源等多个领域引起了极大的关注，为商务应用提供了强大的数据分析和决策支持能力，数据挖掘科学也逐渐成为高校商科专业的核心课程之一。例如，许多高校的市场营销、人力资源管理、国际贸易与物流等专业都陆续开设数据挖掘课程。然而，传统的数据挖掘课程教学方法与实践环节是针对计算机专业、统计学相关专业的学生设置的，而商科生的数量基础与计算机编程能力偏弱，为商科学生讲述数据挖掘课程将是一个具有挑战性的任务。

1 高校数据挖掘课程的特点

1.1 交叉学科

数据挖掘是一门与计算机科学、数理统计、模式识别等多学科交叉的新兴科学，该课程内容主要介绍数据挖掘的概念与基本任务，教学内容包含关联规则、分类、聚类、回归等数据挖掘任务，例如谱聚类算法就涉及数据结构、线性代数、运筹学等多个学科的知识。

1.2 知识综合应用程度高

数据挖掘课程中的许多数学模型与分析算法，是多门学科知识的高度凝练与综合运用，学生在数据挖掘课程的学习过程中往往会觉得知识不够用，对模型算法的理解不够深刻。商科学生需要恶补相应学科的知识点，学习强度大，主观能动性比较差的学生容易放弃。

1.3 理论与实践结合密切

数据挖掘是一门理论和实践紧密结合的学科，理论模型与计算机实现联系紧密，挖掘算法与应用场景联系紧。针对各种数据分析任务，都有许多种不同的算法，学生需要掌握各种数据挖掘算法的特点，根据具体的应用领域与场景选择合适算法进行应用。

1.4 不断改进与发展的学科

随着人工智能、云计算的飞速发展，越来越多研究者投入到大数据分析领域，不断完善和提出新的数据挖掘模型与算法。在该门课程的教学中需要向学生介绍最新的研究进展与发展动态。例如，深度学习与增强学习等最前沿的知识点。

2 数据挖掘课程教学面临的问题

2.1 理论要求较高与商科生数理基础较弱之间的矛盾

数据挖掘课程通常以数理统计与概率论、计算机算法等课程作为前置课程，数学模型通常以公式推导和算法分析为主，具有较强的理论性。然而，商科专业的学生一般仅具备初级计量经济学的基础知识，数据结构、统计学与机器学习及其他知识储备较弱。学生在课程学习开始普遍感觉难度较大，理论知识要求达不到所需要的标准。数据挖掘课程的较高理论性要求与商科生的数理基础较弱之间是教学过程一个不可忽视的问题。

2.2 理论与实践环节脱节

目前高校开设的数据挖掘课程授课偏重于数学模型与算法理论上的讲述，不重视甚至省略了实践环节的教学，纯粹的理论知识对于基础较差的商科生而言晦涩难懂，课堂内容显得枯燥无味。理论与实践环节的脱节导致的问题有两个方面：一是学生无法集中精力理解理论模型，无法编程实现相应算法;二是学生无法与实际应用联系起来，缺乏实战经验。

2.3 教学过程可视化与形象化手段缺乏

数据挖掘往往面临海量数据的分析处理，大数量处理带来的困难之一是数据的可视化与算法挖掘过程的形象化展示。教学过程的可视化与形象化手段缺乏导致课堂氛围不活跃，难于激发学生对数据分析的听课兴趣，更谈不上学生在课程之后的知识应用能动性和创新性的培养。

2.4 缺乏实例数据驱动教学过程

在数据挖掘教学过程中，由于课时限制与实例数据的缺乏，大多数高校教师偏重于理论知识的讲解，使用的教学案例与数据都是较老的教材与过时的小样本数据集，缺乏真实的实例驱动教学过程。

3 数据挖掘课程教学的建议

3.1 注重应用实践环节，弱化理论推导

结合商科生的特点与培养目标，设计应用型和实践性强的课程问题和以案例体系为主的教学方案，以实例教学为主，理论推导为辅的教学模式，极大地调动学生的学习积极性。

3.2 采用可视化工具，流程化与形象化数据挖掘过程

建议采用KNIME与WEKA可视化数据挖掘工具，将数据挖掘的过程看成一个以数据变换为主导的探索过程，将数据读取→预处理→分析→结果展示以流程化、图形化的方式展示出来，并对数据挖掘过程进行现场调试，让学生亲身体会数据挖掘的流程。

3.3 收集真实数据与案例，激发学习兴趣

教师在教学与科研过程收集和处理一些真实世界的数据，例如推荐系统、临床医学、体育运动等方面的数据，并将这些数据应用于实践教学环节，以真实数据激发学生的学习动力。

3.4 因材施教，创新考核方式

数据挖掘课程传统的考核方式通常以期末笔试成绩作为评分的主要依据，而笔试往往侧重于理论推导，对于算法的编程实现与实践应用方面的考核较弱。建议因材施教，采用多种考核方式：一是鼓励数量基础较好的学生开展数学模型与算法上的深入研究;二是鼓励计算机基础较好的学生编程实现数据挖掘算法;三是提倡收集并整理新的数据集，并将现有算法应用于这些数据集上。

4 结语

数据挖掘是一门新兴的交叉学科，随着人工智能、云计算的飞速发展，新的模型与算法不断加入并扩展数据挖掘的知识体系。在大数据背景下，面向商科生开设数据挖掘课程具有理论与现实意义，但对该课程的教学是一个巨大的挑战。高校教师需根据该课程自身特点，同时考虑商科生的基础弱、面向应用的条件，不断总结教学、调整教学方式，提高该课程的教学质量。

参考文献

[1]商俊燕.数据挖掘课程案例驱动教学法初探[J].教育教学论坛，2014，（40）：69-70.

[2]张艳.大数据背景下的数据挖掘课程教学新思考[J].计算机时代，2014，（4）：59-61.

[3]陈欣，王月虎.大数据背景下数据挖掘课程的教学方法探讨[J].文教资料，2017：176.

[4]王洪，洪铃.大数据背景下《数据挖掘理论》课程教学思考[J].现代商贸工业，2018，39（20）：146-148.

[5]屈莉莉，陈燕.大数据背景下数据挖掘课程的教学改革与探索[J].教育教学论坛，2014，（16）：57-58.

[6]商俊燕.数据挖掘课程案例驱动教学法初探[J].教育教学论坛，2014，（40）：69-70.