時(shí)間：2023-02-28 15:52:40
序論：在您撰寫數(shù)據(jù)挖掘技術(shù)分析論文時(shí)，參考他人的優(yōu)秀作品可以開(kāi)闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
[關(guān)鍵詞]數(shù)據(jù)挖掘數(shù)據(jù)挖掘方法
隨著信息技術(shù)迅速發(fā)展，數(shù)據(jù)庫(kù)的規(guī)模不斷擴(kuò)大，產(chǎn)生了大量的數(shù)據(jù)。但大量的數(shù)據(jù)往往無(wú)法辨別隱藏在其中的能對(duì)決策提供支持的信息，而傳統(tǒng)的查詢、報(bào)表工具無(wú)法滿足挖掘這些信息的需求。因此，需要一種新的數(shù)據(jù)分析技術(shù)處理大量數(shù)據(jù)，并從中抽取有價(jià)值的潛在知識(shí)，數(shù)據(jù)挖掘（DataMining）技術(shù)由此應(yīng)運(yùn)而生。
一、數(shù)據(jù)挖掘的定義
數(shù)據(jù)挖掘是指從數(shù)據(jù)集合中自動(dòng)抽取隱藏在數(shù)據(jù)中的那些有用信息的非平凡過(guò)程，這些信息的表現(xiàn)形式為：規(guī)則、概念、規(guī)律及模式等。它可幫助決策者分析歷史數(shù)據(jù)及當(dāng)前數(shù)據(jù)，并從中發(fā)現(xiàn)隱藏的關(guān)系和模式，進(jìn)而預(yù)測(cè)未來(lái)可能發(fā)生的行為。數(shù)據(jù)挖掘的過(guò)程也叫知識(shí)發(fā)現(xiàn)的過(guò)程。
二、數(shù)據(jù)挖掘的方法
1.統(tǒng)計(jì)方法。傳統(tǒng)的統(tǒng)計(jì)學(xué)為數(shù)據(jù)挖掘提供了許多判別和回歸分析方法，常用的有貝葉斯推理、回歸分析、方差分析等技術(shù)。貝葉斯推理是在知道新的信息后修正數(shù)據(jù)集概率分布的基本工具，處理數(shù)據(jù)挖掘中的分類問(wèn)題，回歸分析用來(lái)找到一個(gè)輸入變量和輸出變量關(guān)系的最佳模型，在回歸分析中有用來(lái)描述一個(gè)變量的變化趨勢(shì)和別的變量值的關(guān)系的線性回歸，還有用來(lái)為某些事件發(fā)生的概率建模為預(yù)測(cè)變量集的對(duì)數(shù)回歸、統(tǒng)計(jì)方法中的方差分析一般用于分析估計(jì)回歸直線的性能和自變量對(duì)最終回歸的影響，是許多挖掘應(yīng)用中有力的工具之一。
2.關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是一種簡(jiǎn)單，實(shí)用的分析規(guī)則，它描述了一個(gè)事物中某些屬性同時(shí)出現(xiàn)的規(guī)律和模式，是數(shù)據(jù)挖掘中最成熟的主要技術(shù)之一。關(guān)聯(lián)規(guī)則在數(shù)據(jù)挖掘領(lǐng)域應(yīng)用很廣泛適合于在大型數(shù)據(jù)集中發(fā)現(xiàn)數(shù)據(jù)之間的有意義關(guān)系，原因之一是它不受只選擇一個(gè)因變量的限制。大多數(shù)關(guān)聯(lián)規(guī)則挖掘算法能夠無(wú)遺漏發(fā)現(xiàn)隱藏在所挖掘數(shù)據(jù)中的所有關(guān)聯(lián)關(guān)系，但是，并不是所有通過(guò)關(guān)聯(lián)得到的屬性之間的關(guān)系都有實(shí)際應(yīng)用價(jià)值，要對(duì)這些規(guī)則要進(jìn)行有效的評(píng)價(jià)，篩選有意義的關(guān)聯(lián)規(guī)則。
3.聚類分析。聚類分析是根據(jù)所選樣本間關(guān)聯(lián)的標(biāo)準(zhǔn)將其劃分成幾個(gè)組，同組內(nèi)的樣本具有較高的相似度，不同組的則相異，常用的技術(shù)有分裂算法，凝聚算法，劃分聚類和增量聚類。聚類方法適合于探討樣本間的內(nèi)部關(guān)系，從而對(duì)樣本結(jié)構(gòu)做出合理的評(píng)價(jià)，此外，聚類分析還用于對(duì)孤立點(diǎn)的檢測(cè)。并非由聚類分析算法得到的類對(duì)決策都有效，在運(yùn)用某一個(gè)算法之前，一般要先對(duì)數(shù)據(jù)的聚類趨勢(shì)進(jìn)行檢驗(yàn)。
4.決策樹(shù)方法。決策樹(shù)學(xué)習(xí)是一種通過(guò)逼近離散值目標(biāo)函數(shù)的方法，通過(guò)把實(shí)例從根結(jié)點(diǎn)排列到某個(gè)葉子結(jié)點(diǎn)來(lái)分類實(shí)例，葉子結(jié)點(diǎn)即為實(shí)例所屬的分類。樹(shù)上的每個(gè)結(jié)點(diǎn)說(shuō)明了對(duì)實(shí)例的某個(gè)屬性的測(cè)試，該結(jié)點(diǎn)的每一個(gè)后繼分支對(duì)應(yīng)于該屬性的一個(gè)可能值，分類實(shí)例的方法是從這棵樹(shù)的根結(jié)點(diǎn)開(kāi)始，測(cè)試這個(gè)結(jié)點(diǎn)指定的屬性，然后按照給定實(shí)例的該屬性值對(duì)應(yīng)的樹(shù)枝向下移動(dòng)。決策樹(shù)方法是要應(yīng)用于數(shù)據(jù)挖掘的分類方面。
5.神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)建立在自學(xué)習(xí)的數(shù)學(xué)模型基礎(chǔ)之上，能夠?qū)Υ罅繌?fù)雜的數(shù)據(jù)進(jìn)行分析，并可以完成對(duì)人腦或其他計(jì)算機(jī)來(lái)說(shuō)極為復(fù)雜的模式抽取及趨勢(shì)分析，神經(jīng)網(wǎng)絡(luò)既可以表現(xiàn)為有指導(dǎo)的學(xué)習(xí)也可以是無(wú)指導(dǎo)聚類，無(wú)論哪種，輸入到神經(jīng)網(wǎng)絡(luò)中的值都是數(shù)值型的。人工神經(jīng)元網(wǎng)絡(luò)模擬人腦神經(jīng)元結(jié)構(gòu)，建立三大類多種神經(jīng)元網(wǎng)絡(luò)，具有非線形映射特性、信息的分布存儲(chǔ)、并行處理和全局集體的作用、高度的自學(xué)習(xí)、自組織和自適應(yīng)能力的種種優(yōu)點(diǎn)。
6.遺傳算法。遺傳算法是一種受生物進(jìn)化啟發(fā)的學(xué)習(xí)方法，通過(guò)變異和重組當(dāng)前己知的最好假設(shè)來(lái)生成后續(xù)的假設(shè)。每一步，通過(guò)使用目前適應(yīng)性最高的假設(shè)的后代替代群體的某個(gè)部分，來(lái)更新當(dāng)前群體的一組假設(shè)，來(lái)實(shí)現(xiàn)各個(gè)個(gè)體的適應(yīng)性的提高。遺傳算法由三個(gè)基本過(guò)程組成:繁殖(選擇)是從一個(gè)舊種群(父代)選出生命力強(qiáng)的個(gè)體，產(chǎn)生新種群(后代)的過(guò)程；交叉〔重組)選擇兩個(gè)不同個(gè)體〔染色體)的部分(基因)進(jìn)行交換，形成新個(gè)體的過(guò)程；變異(突變)是對(duì)某些個(gè)體的某些基因進(jìn)行變異的過(guò)程。在數(shù)據(jù)挖掘中，可以被用作評(píng)估其他算法的適合度。
7.粗糙集。粗糙集能夠在缺少關(guān)于數(shù)據(jù)先驗(yàn)知識(shí)的情況下，只以考察數(shù)據(jù)的分類能力為基礎(chǔ)，解決模糊或不確定數(shù)據(jù)的分析和處理問(wèn)題。粗糙集用于從數(shù)據(jù)庫(kù)中發(fā)現(xiàn)分類規(guī)則的基本思想是將數(shù)據(jù)庫(kù)中的屬性分為條件屬性和結(jié)論屬性，對(duì)數(shù)據(jù)庫(kù)中的元組根據(jù)各個(gè)屬性不同的屬性值分成相應(yīng)的子集，然后對(duì)條件屬性劃分的子集與結(jié)論屬性劃分的子集之間上下近似關(guān)系生成判定規(guī)則。所有相似對(duì)象的集合稱為初等集合，形成知識(shí)的基本成分。任何初等集合的并集稱為精確集，否則，一個(gè)集合就是粗糙的(不精確的)。每個(gè)粗糙集都具有邊界元素，也就是那些既不能確定為集合元素，也不能確定為集合補(bǔ)集元素的元素。粗糙集理論可以應(yīng)用于數(shù)據(jù)挖掘中的分類、發(fā)現(xiàn)不準(zhǔn)確數(shù)據(jù)或噪聲數(shù)據(jù)內(nèi)在的結(jié)構(gòu)聯(lián)系。
8.支持向量機(jī)。支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展出來(lái)的一種新的機(jī)器學(xué)習(xí)方法。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則上的，盡量提高學(xué)習(xí)機(jī)的泛化能力，具有良好的推廣性能和較好的分類精確性，能有效的解決過(guò)學(xué)習(xí)問(wèn)題，現(xiàn)已成為訓(xùn)練多層感知器、RBF神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式神經(jīng)元網(wǎng)絡(luò)的替代性方法。另外，支持向量機(jī)算法是一個(gè)凸優(yōu)化問(wèn)題，局部最優(yōu)解一定是全局最優(yōu)解，這些特點(diǎn)都是包括神經(jīng)元網(wǎng)絡(luò)在內(nèi)的其他算法所不能及的。支持向量機(jī)可以應(yīng)用于數(shù)據(jù)挖掘的分類、回歸、對(duì)未知事物的探索等方面。
事實(shí)上，任何一種挖掘工具往往是根據(jù)具體問(wèn)題來(lái)選擇合適挖掘方法，很難說(shuō)哪種方法好，那種方法劣，而是視具體問(wèn)題而定。
三、結(jié)束語(yǔ)
目前，數(shù)據(jù)挖掘技術(shù)雖然得到了一定程度的應(yīng)用，并取得了顯著成效，但仍存在著許多尚未解決的問(wèn)題。隨著人們對(duì)數(shù)據(jù)挖掘技術(shù)的深人研究，數(shù)據(jù)挖掘技術(shù)必將在更加廣泛的領(lǐng)域得到應(yīng)用，并取得更加顯著的效果。
關(guān)鍵詞 技術(shù)情報(bào)分析；數(shù)據(jù)挖掘
中圖分類號(hào)TP392 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào) 1674-6708（2013）92-0211-02
1 概述
在面對(duì)海量的情報(bào)信息資源時(shí)，如何高效、準(zhǔn)確的開(kāi)展分析工作，為管理決策人員提供支持，已成為當(dāng)今科技工作的重要組成部分?？梢哉f(shuō)，情報(bào)分析方法和相關(guān)工具的合理使用決定了情報(bào)獲取的準(zhǔn)確性和有效性，并將直接影響制定戰(zhàn)略決策的有效性和科學(xué)性。
技術(shù)情報(bào)分析系統(tǒng)主要進(jìn)行與技術(shù)相關(guān)科技論文、專利、互聯(lián)網(wǎng)情報(bào)數(shù)據(jù)的分析，實(shí)現(xiàn)分析方法、算法、分析結(jié)果的表現(xiàn)形式以及分析報(bào)告自動(dòng)生成等技術(shù)。該情報(bào)分析系統(tǒng)除了基本的維度統(tǒng)計(jì)分析外，更多的側(cè)重于利用知識(shí)發(fā)現(xiàn)、數(shù)據(jù)挖掘等技術(shù)進(jìn)行情報(bào)數(shù)據(jù)的深度處理與分析。通過(guò)情報(bào)分析系統(tǒng)開(kāi)發(fā)設(shè)計(jì)，結(jié)合數(shù)據(jù)挖掘等技術(shù)的合理使用，使得系統(tǒng)使用者能夠快速、有效、全面地獲取技術(shù)的情報(bào)信息。
2 系統(tǒng)的設(shè)計(jì)與功能描述
2.3 數(shù)據(jù)挖掘技術(shù)設(shè)計(jì)
2.3.1數(shù)據(jù)文本特征表示
在進(jìn)行文本挖掘時(shí)，對(duì)文本特征進(jìn)行處理，實(shí)現(xiàn)對(duì)非結(jié)構(gòu)化的文本向結(jié)構(gòu)化轉(zhuǎn)換。情報(bào)分析系統(tǒng)采用向量空間模型（Vector Space Model，VSM）進(jìn)行文本的表示，并利用倒排文檔頻率TFIDF進(jìn)行專利文本的特征提取，以此作為論文、專利文本挖掘的基礎(chǔ)。
2.3.2關(guān)聯(lián)算法
在挖掘論文專利作者之間、機(jī)構(gòu)之間、國(guó)家之間的研究?jī)?nèi)容關(guān)聯(lián)性上，采用了基于文本挖掘的關(guān)聯(lián)算法。通過(guò)對(duì)技術(shù)關(guān)鍵詞的共生關(guān)系（Terms Co-occurrences）計(jì)算來(lái)識(shí)別、確定一組文獻(xiàn)內(nèi)部所包含的技術(shù)組（群）。
2.3.3 層次結(jié)構(gòu)可視化算法
情報(bào)分析系統(tǒng)中關(guān)于論文和專利的引證分析、專利同族分析采用了層次結(jié)構(gòu)可視化算法Hyperbolic Tree，即雙曲樹(shù)算法。其主要原理是將樹(shù)結(jié)構(gòu)在雙曲空間進(jìn)行布局，然后映射到歐式空間的龐萊卡圓盤進(jìn)行顯示。歐式空間中兩個(gè)相同大小的區(qū)域離龐萊卡圓盤中心越近，在雙曲空間中所占用的空間越??；反之，雙曲空間中兩個(gè)大小相同的區(qū)域離原點(diǎn)越近在龐萊卡圓盤中所占用的空間越大。
4 結(jié)論
本文提出運(yùn)用數(shù)據(jù)挖掘方法實(shí)現(xiàn)對(duì)大量數(shù)據(jù)的分析和判斷，可有效幫助科技情報(bào)機(jī)構(gòu)和人員提高綜合情報(bào)分析能力和決策的質(zhì)量。同時(shí)，該方法可按照不同需要進(jìn)行功能拓展，實(shí)現(xiàn)向更多的技術(shù)情報(bào)領(lǐng)域延伸。
參考文獻(xiàn)
[1]Dongpeng Yang. Application of Data Mining in the Evaluation of Credibility， 第十一屆亞太地區(qū)知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘國(guó)際會(huì)議（PAKDD），IOS Press出版， 2007.
[2]樂(lè)明揚(yáng).公安情報(bào)分析中的數(shù)據(jù)挖掘應(yīng)用研究.信息與電腦.2012（8）.
[3]蒲群瑩.基于數(shù)據(jù)挖掘的競(jìng)爭(zhēng)情報(bào)系統(tǒng)模型[J].情報(bào)雜志.2005，1.
數(shù)據(jù)挖掘技術(shù)是近些年發(fā)展起來(lái)的一門新興學(xué)科，它涉及到數(shù)據(jù)庫(kù)和人工智能等多個(gè)領(lǐng)域。隨著計(jì)算機(jī)技術(shù)的普及數(shù)據(jù)庫(kù)產(chǎn)生大量數(shù)據(jù)，能夠從這些大量數(shù)據(jù)中抽取出有價(jià)值信息的技術(shù)稱之為數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘方法有統(tǒng)計(jì)學(xué)方法、關(guān)聯(lián)規(guī)則挖掘、決策樹(shù)方法、聚類方法等八種方法，關(guān)聯(lián)規(guī)則是其中最常用的研究方法。關(guān)聯(lián)規(guī)則算法是1993年由R.Atal,Inipusqi,Sqtm三人提出的Apriori算法，是指從海量數(shù)據(jù)中挖掘出有價(jià)值的能夠揭示實(shí)體和數(shù)據(jù)項(xiàng)間某些隱藏的聯(lián)系的有關(guān)知識(shí)，其中描述關(guān)聯(lián)規(guī)則的兩個(gè)重要概念分別是Suppor（t支持度）和Confi-dence（可信度）。只有當(dāng)Support和Confidence兩者都較高的關(guān)聯(lián)規(guī)則才是有效的、需要進(jìn)一步進(jìn)行分析和應(yīng)用的規(guī)則。
二、使用Weka進(jìn)行關(guān)聯(lián)挖掘
Weka的全名是懷卡托智能分析環(huán)境（WaikatoEnviron-mentforKnowledgeAnalysis），是一款免費(fèi)的、非商業(yè)化的、基于JAVA環(huán)境下開(kāi)源的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件[2]。它包含了許多數(shù)據(jù)挖掘的算法，是目前最完備的數(shù)據(jù)挖掘軟件之一。Weka軟件提供了Explorer、Experimenter、Knowledge-Flow、SimpleCLI四種模塊[2]。其中Explorer是用來(lái)探索數(shù)據(jù)環(huán)境的，Experimenter是對(duì)各種實(shí)驗(yàn)計(jì)劃進(jìn)行數(shù)據(jù)測(cè)試，KnowledgeFlow和Explorer類似，但該模塊通過(guò)其特殊的接口可以讓使用者通過(guò)拖動(dòng)的形式去創(chuàng)建實(shí)驗(yàn)方案，Simple-CLI為簡(jiǎn)單的命令行界面。以下數(shù)據(jù)挖掘任務(wù)主要用Ex-plorer模塊來(lái)進(jìn)行。
（一）數(shù)據(jù)預(yù)處理
數(shù)據(jù)挖掘所需要的所有數(shù)據(jù)可以由系統(tǒng)排序模塊生成并進(jìn)行下載。這里我們下載近兩年的教師科研信息。為了使論文總分、學(xué)術(shù)著作總分、科研獲獎(jiǎng)總分、科研立項(xiàng)總分、科研總得分更有利于數(shù)據(jù)挖掘計(jì)算，在這里我們將以上得分分別確定分類屬性值。
（二）數(shù)據(jù)載入
點(diǎn)擊Explorer進(jìn)入后有四種載入數(shù)據(jù)的方式，這里采用第一種Openfile形式。由于Weka所支持的標(biāo)準(zhǔn)數(shù)據(jù)格式為ARFF，我們將處理好的xls格式另存為csv，在weka中找到這個(gè)文件并重新保存為arff文件格式來(lái)實(shí)現(xiàn)數(shù)據(jù)的載入。由于所載入的數(shù)據(jù)噪聲比較多，這里應(yīng)根據(jù)數(shù)據(jù)挖掘任務(wù)對(duì)數(shù)據(jù)表中與本次數(shù)據(jù)任務(wù)不相關(guān)的屬性進(jìn)行移除，只將學(xué)歷、職稱、論文等級(jí)、學(xué)術(shù)著作等級(jí)、科研獲獎(jiǎng)等級(jí)、科研立項(xiàng)等級(jí)、科研總分等級(jí)留下。
（三）關(guān)聯(lián)挖掘與結(jié)果分析
WeakExplorer界面中提供了數(shù)據(jù)挖掘多種算法，在這里我們選擇“Associate”標(biāo)簽下的Apriori算法。之后將“l(fā)owerBoundMinSupprot”（最小支持度）參數(shù)值設(shè)為0.1，將“upperBoundMinSupprot”（最大支持度）參數(shù)值設(shè)為1，在“metiricType”的參數(shù)值選項(xiàng)中選擇lift選項(xiàng)，將“minMetric”參數(shù)值設(shè)為1.1，將“numRules”（數(shù)據(jù)集數(shù)）參數(shù)值設(shè)為10，其它選項(xiàng)保存默認(rèn)值，這樣就可以挖掘出支持度在10%到100%之間并且lift值超過(guò)1.1且排名前10名的關(guān)聯(lián)規(guī)則。其挖掘參數(shù)信息和關(guān)聯(lián)挖掘的部分結(jié)果。
三、挖掘結(jié)果與應(yīng)用
以上是針對(duì)教師基本情況和科研各項(xiàng)總分進(jìn)行的反復(fù)的數(shù)據(jù)挖掘工作，從挖掘結(jié)果中找到最佳模式進(jìn)行匯總。以下列出了幾項(xiàng)作為參考的關(guān)聯(lián)數(shù)據(jù)挖掘結(jié)果。
1、科研立項(xiàng)得分與論文、科研總得分關(guān)聯(lián)度高，即科研立項(xiàng)為A級(jí)的論文也一定是A。這與實(shí)際也是相符的，因?yàn)榭蒲辛㈨?xiàng)得A的教師應(yīng)該是主持了省級(jí)或是國(guó)家級(jí)的立項(xiàng)的同時(shí)也參與了其他教師的科研立項(xiàng)，在課題研究的過(guò)程中一定會(huì)有國(guó)家級(jí)論文或者省級(jí)論文進(jìn)行發(fā)表來(lái)支撐立項(xiàng)，所以這類教師的論文得分也會(huì)很高。針對(duì)這樣的結(jié)果，在今后的科研工作中，科研處要鼓勵(lì)和幫助教師搞科研，為教師的科研工作提供精神上的支持和物質(zhì)上的幫助，這樣在很大程度上能夠帶動(dòng)整個(gè)學(xué)?？蒲泄ぷ鞯倪M(jìn)展。
2、副教授類的教師科研立項(xiàng)得分很高，而講師類教師和助教類教師的科研立項(xiàng)得分很低，這樣符合實(shí)際情況。因?yàn)楦苯淌陬惖慕處熡幸欢ǖ慕虒W(xué)經(jīng)驗(yàn)，并且很多副教授類的教師還想晉職稱，所以大多數(shù)副教授類教師都會(huì)申請(qǐng)一些課題。而對(duì)于講師類和助教類的教師，由于教學(xué)經(jīng)驗(yàn)不足很少能進(jìn)行省級(jí)以上的課題研究，因此這兩類教師的科研立項(xiàng)分?jǐn)?shù)不高。針對(duì)這樣的結(jié)果，在今后的科研工作中，科研處可以采用一幫一、結(jié)對(duì)子的形式來(lái)幫助年輕教師，這樣可以使青年教師參與到老教師的科研課題研究工作中去，在課題研究工程中提高科研能力和教學(xué)能力。
統(tǒng)計(jì)學(xué)論文2000字(一)：影響民族院校統(tǒng)計(jì)學(xué)專業(yè)回歸分析成績(jī)因素的研究論文
摘要：學(xué)習(xí)成績(jī)是評(píng)價(jià)學(xué)生素質(zhì)的重要方面，也是教師檢驗(yàn)教學(xué)能力、反思教學(xué)成果的重要標(biāo)準(zhǔn)。利用大連民族大學(xué)統(tǒng)計(jì)學(xué)專業(yè)本科生有關(guān)數(shù)據(jù)（專業(yè)基礎(chǔ)課成績(jī)、平時(shí)成績(jī)和回歸分析期末成績(jī)），建立多元線性回歸模型，對(duì)影響回歸分析期末成績(jī)的因素進(jìn)行深入研究，其結(jié)果對(duì)今后的教學(xué)方法改進(jìn)和教學(xué)質(zhì)量提高具有十分重要的指導(dǎo)意義。
關(guān)鍵詞：多元線性回歸；專業(yè)基礎(chǔ)課成績(jī)；平時(shí)成績(jī)；期末成績(jī)
為了實(shí)現(xiàn)教學(xué)目標(biāo)，提高教學(xué)質(zhì)量，有效提高學(xué)生學(xué)習(xí)成績(jī)是很有必要的。我們知道專業(yè)基礎(chǔ)課成績(jī)必定影響專業(yè)課成績(jī)，而且平時(shí)成績(jī)也會(huì)影響專業(yè)課成績(jī)，這兩類成績(jī)與專業(yè)課成績(jī)基本上是呈正相關(guān)的，但它們之間的關(guān)系密切程度有多大？它們之間又存在怎樣的內(nèi)在聯(lián)系呢？就這些問(wèn)題，本文主要選取了2016級(jí)統(tǒng)計(jì)專業(yè)50名學(xué)生的四門專業(yè)基礎(chǔ)課成績(jī)以及回歸分析的平時(shí)成績(jī)和期末成績(jī)，運(yùn)用SPSS統(tǒng)計(jì)軟件進(jìn)行分析研究，尋求回歸分析期末成績(jī)影響因素的變化規(guī)律，擬合出關(guān)系式，從而為強(qiáng)化學(xué)生的后續(xù)學(xué)習(xí)和提高老師的教學(xué)質(zhì)量提供了有利依據(jù)。
一、數(shù)據(jù)選取
回歸分析是統(tǒng)計(jì)專業(yè)必修課，也是統(tǒng)計(jì)學(xué)中的一個(gè)非常重要的分支，它在自然科學(xué)、管理科學(xué)和社會(huì)、經(jīng)濟(jì)等領(lǐng)域應(yīng)用十分廣泛。因此研究影響統(tǒng)計(jì)學(xué)專業(yè)回歸分析成績(jī)的相關(guān)性是十分重要的。
選取了統(tǒng)計(jì)專業(yè)50名學(xué)生的專業(yè)基礎(chǔ)課成績(jī)（包括數(shù)學(xué)分析、高等代數(shù)、解析幾何和概率論）、回歸分析的平時(shí)成績(jī)和期末成績(jī)，結(jié)合多元線性回歸的基礎(chǔ)理論知識(shí)[1-2]，建立多元回歸方程，進(jìn)行深入研究，可以直觀、高效、科學(xué)地分析各種因素對(duì)回歸分析期末成績(jī)?cè)斐傻挠绊憽?/p>
二、建立多元線性回歸模型1及數(shù)據(jù)分析
運(yùn)用SPSS統(tǒng)計(jì)軟件對(duì)回歸分析期末成績(jī)的影響因素進(jìn)行研究，可以得到準(zhǔn)確、科學(xué)合理的數(shù)據(jù)結(jié)果，全面分析評(píng)價(jià)學(xué)生考試成績(jī)，對(duì)教師以后的教學(xué)工作和學(xué)生的學(xué)習(xí)會(huì)有較大幫助。自變量x1表示數(shù)學(xué)分析成績(jī)，x2表示高等代數(shù)成績(jī)，x3表示解析幾何成績(jī)，x4表示概率論成績(jī)，x5表示平時(shí)成績(jī)；因變量y1表示回歸分析期末成績(jī)，根據(jù)經(jīng)驗(yàn)可知因變量y1和自變量xi，i=1，2，3，4，5之間大致成線性關(guān)系，可建立線性回歸模型：
（1）
線性回歸模型通常滿足以下幾個(gè)基本假設(shè)，
1.隨機(jī)誤差項(xiàng)具有零均值和等方差，即
（2）
這個(gè)假定通常稱為高斯-馬爾柯夫條件。
2.正態(tài)分布假定條件
由多元正態(tài)分布的性質(zhì)和上述假定可知，隨機(jī)變量y1服從n維正態(tài)分布。
從表1描述性統(tǒng)計(jì)表中可看到各變量的平均值1=79.68，2=74.66，3=77.22，4=78.10，5=81.04，1=75.48；xi的標(biāo)準(zhǔn)差分別為10.847，11.531，8.929，9.018，9.221，y1的標(biāo)準(zhǔn)差為8.141；有效樣本量n=50。
回歸分析期末成績(jī)y1的多元回歸模型1為：
y1=-5.254+0.221x1-0.4x2+0.154x3
+0.334x4+0.347x5
從表2中可以看到各變量的|t|值，在給定顯著水平？琢=0.05的情況下，通過(guò)t分布表可以查出，自由度為44的臨界值t？琢/2（44）=2.015，由于高等代數(shù)x2的|t|值為0.651小于t？琢/2（44），因此x2對(duì)y1的影響不顯著，其他自變量對(duì)y1都是線性顯著的。下面利用后退法[3]剔除自變量x2。
三、后退法建立多元線性回歸模型2及數(shù)據(jù)分析
從模型1中剔除了x2變量，多元回歸模型2為：
y1=-5.459+0.204x1+0.149x3+0.377x4+0.293x5（5）
在表4中，F(xiàn)統(tǒng)計(jì)量為90.326，在給定顯著水平？琢=0.05的情況下，查F分布表可得，自由度為p=4和n-p-1=45的臨界值F0.05（4，45）=2.579，所以F>F0.05（4，45），在表5中，所有自變量的|t|值都大于t？琢/2（45）=2.014，因此，多元回歸模型2的線性關(guān)系是顯著的。
四、結(jié)束語(yǔ)
通過(guò)對(duì)上述模型進(jìn)行分析，即各個(gè)自變量對(duì)因變量的邊際影響，可以得到以下結(jié)論：在保持其他條件不變的情況下，當(dāng)數(shù)學(xué)分析成績(jī)提高一分，則回歸分析成績(jī)可提高0.242分[4-5]；同理，當(dāng)解析幾何成績(jī)、概率論成績(jī)和平時(shí)成績(jī)每提高一分，則回歸分析成績(jī)分別提高0.149分、0.377分和0.293分。
通過(guò)對(duì)學(xué)生專業(yè)基礎(chǔ)課成績(jī)、平時(shí)成績(jī)與回歸分析期末成績(jī)之間相關(guān)關(guān)系的研究，一方面有利于教師把控回歸分析教學(xué)課堂，提高教師意識(shí)，注重專業(yè)基礎(chǔ)課教學(xué)的重要性，同時(shí)，當(dāng)學(xué)生平時(shí)成績(jī)不好時(shí)，隨時(shí)調(diào)整教學(xué)進(jìn)度提高學(xué)生平時(shí)學(xué)習(xí)能力；另一方面使學(xué)生認(rèn)識(shí)到，為了更好地掌握回歸分析知識(shí)，應(yīng)加強(qiáng)專業(yè)基礎(chǔ)課的學(xué)習(xí)，提高平時(shí)學(xué)習(xí)的積極性。因此，通過(guò)對(duì)回歸分析期末成績(jī)影響因素的研究能有效的解決教師教學(xué)和學(xué)生學(xué)習(xí)中的許多問(wèn)題。
統(tǒng)計(jì)學(xué)畢業(yè)論文范文模板(二)：大數(shù)據(jù)背景下統(tǒng)計(jì)學(xué)專業(yè)“數(shù)據(jù)挖掘”課程的教學(xué)探討論文
摘要：互聯(lián)網(wǎng)技術(shù)、物聯(lián)網(wǎng)技術(shù)、云計(jì)算技術(shù)的蓬勃發(fā)展，造就了一個(gè)嶄新的大數(shù)據(jù)時(shí)代，這些變化對(duì)統(tǒng)計(jì)學(xué)專業(yè)人才培養(yǎng)模式的變革起到了助推器的作用，而數(shù)據(jù)挖掘作為拓展和提升大數(shù)據(jù)分析方法與思路的應(yīng)用型課程，被廣泛納入統(tǒng)計(jì)學(xué)本科專業(yè)人才培養(yǎng)方案。本文基于數(shù)據(jù)挖掘課程的特點(diǎn)，結(jié)合實(shí)際教學(xué)經(jīng)驗(yàn)，對(duì)統(tǒng)計(jì)學(xué)本科專業(yè)開(kāi)設(shè)數(shù)據(jù)挖掘課程進(jìn)行教學(xué)探討，以期達(dá)到更好的教學(xué)效果。
關(guān)鍵詞：統(tǒng)計(jì)學(xué)專業(yè)；數(shù)據(jù)挖掘；大數(shù)據(jù)；教學(xué)
一、引言
通常人們總結(jié)大數(shù)據(jù)有“4V”的特點(diǎn)：Volume（體量大），Variety（多樣性），Velocity（速度快）和Value（價(jià)值密度低）。從這樣大量、多樣化的數(shù)據(jù)中挖掘和發(fā)現(xiàn)內(nèi)在的價(jià)值，是這個(gè)時(shí)代帶給我們的機(jī)遇與挑戰(zhàn)，同時(shí)對(duì)數(shù)據(jù)分析技術(shù)的要求也相應(yīng)提高。傳統(tǒng)教學(xué)模式并不能適應(yīng)和滿足學(xué)生了解數(shù)據(jù)處理和分析最新技術(shù)與方法的迫切需要。對(duì)于常常和數(shù)據(jù)打交道的統(tǒng)計(jì)學(xué)專業(yè)的學(xué)生來(lái)說(shuō)，更是如此。
二、課程教學(xué)探討
針對(duì)統(tǒng)計(jì)學(xué)本科專業(yè)的學(xué)生而言，“數(shù)據(jù)挖掘”課程一般在他們?nèi)昙?jí)或者四年級(jí)所開(kāi)設(shè)，他們?cè)谇捌谝呀?jīng)學(xué)習(xí)完統(tǒng)計(jì)學(xué)、應(yīng)用回歸分析、多元統(tǒng)計(jì)分析、時(shí)間序列分析等課程，所以在“數(shù)據(jù)挖掘”課程的教學(xué)內(nèi)容選擇上要有所取舍，同時(shí)把握好難度。不能把“數(shù)據(jù)挖掘”課程涵蓋了的所有內(nèi)容不加選擇地要求學(xué)生全部掌握，對(duì)學(xué)生來(lái)說(shuō)是不太現(xiàn)實(shí)的，需要為統(tǒng)計(jì)學(xué)專業(yè)本科生“個(gè)性化定制”教學(xué)內(nèi)容。
（1）“數(shù)據(jù)挖掘”課程的教學(xué)應(yīng)該偏重于應(yīng)用，更注重培養(yǎng)學(xué)生解決問(wèn)題的能力。因此，教學(xué)目標(biāo)應(yīng)該是：使學(xué)生樹(shù)立數(shù)據(jù)挖掘的思維體系，掌握數(shù)據(jù)挖掘的基本方法，提高學(xué)生的實(shí)際動(dòng)手能力，為在大數(shù)據(jù)時(shí)代，進(jìn)一步學(xué)習(xí)各種數(shù)據(jù)處理和定量分析工具打下必要的基礎(chǔ)。按照這個(gè)目標(biāo)，教學(xué)內(nèi)容應(yīng)以數(shù)據(jù)挖掘技術(shù)的基本原理講解為主，讓學(xué)生了解和掌握各種技術(shù)和方法的來(lái)龍去脈、功能及優(yōu)缺點(diǎn)；以算法講解為輔，由于有R語(yǔ)言、python等軟件，學(xué)生了解典型的算法，能用軟件把算法實(shí)現(xiàn)，對(duì)軟件的計(jì)算結(jié)果熟練解讀，對(duì)各種算法的改進(jìn)和深入研究則不作要求，有興趣的同學(xué)可以自行課下探討。
（2）對(duì)于已經(jīng)學(xué)過(guò)的內(nèi)容不再詳細(xì)講解，而是側(cè)重介紹它們?cè)跀?shù)據(jù)挖掘中的功能及綜合應(yīng)用。在新知識(shí)的講解過(guò)程中，注意和已學(xué)過(guò)知識(shí)的融匯貫通，既復(fù)習(xí)鞏固了原來(lái)學(xué)過(guò)的知識(shí)，同時(shí)也無(wú)形中降低了新知識(shí)的難度。比如，在數(shù)據(jù)挖掘模型評(píng)估中，把混淆矩陣、ROC曲線、誤差平方和等知識(shí)點(diǎn)就能和之前學(xué)過(guò)的內(nèi)容有機(jī)聯(lián)系起來(lái)。
（3）結(jié)合現(xiàn)實(shí)數(shù)據(jù)，讓學(xué)生由“被動(dòng)接收”式的學(xué)習(xí)變?yōu)椤爸鲃?dòng)探究”型的學(xué)習(xí)。在講解每種方法和技術(shù)之后，增加一個(gè)或幾個(gè)案例，以加強(qiáng)學(xué)生對(duì)知識(shí)的理解。除了充分利用已有的國(guó)內(nèi)外數(shù)據(jù)資源，還可以鼓勵(lì)學(xué)生去搜集自己感興趣的或者國(guó)家及社會(huì)大眾關(guān)注的問(wèn)題進(jìn)行研究，提升學(xué)生學(xué)習(xí)的成就感。
（4）充分考慮前述提到的三點(diǎn)，課程內(nèi)容計(jì)劃安排見(jiàn)表1。
（5）課程的考核方式既要一定的理論性，又不能失掉實(shí)踐應(yīng)用性，所以需要結(jié)合平時(shí)課堂表現(xiàn)、平時(shí)實(shí)驗(yàn)項(xiàng)目完成情況和期末考試來(lái)綜合評(píng)定成績(jī)。采取期末閉卷理論考試占50%，平時(shí)實(shí)驗(yàn)項(xiàng)目完成占40%，課堂表現(xiàn)占10%，這樣可以全方位的評(píng)價(jià)學(xué)生的表現(xiàn)。
三、教學(xué)效果評(píng)估
經(jīng)過(guò)幾輪的教學(xué)實(shí)踐后，取得了如下的教學(xué)效果：
（1）學(xué)生對(duì)課程的興趣度在提升，課下也會(huì)不停地去思考數(shù)據(jù)挖掘有關(guān)的方法和技巧，發(fā)現(xiàn)問(wèn)題后會(huì)一起交流與討論。
（2）在大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目或者數(shù)據(jù)分析的有關(guān)競(jìng)賽中，選用數(shù)據(jù)挖掘方法的人數(shù)也越來(lái)越多，部分同學(xué)的成果還能在期刊上正式發(fā)表，有的同學(xué)還能在競(jìng)賽中取得優(yōu)秀的成績(jī)。
（3）統(tǒng)計(jì)學(xué)專業(yè)本科生畢業(yè)論文的選題中利用數(shù)據(jù)挖掘有關(guān)方法來(lái)完成的論文越來(lái)越多，論文的完成質(zhì)量也在不斷提高。
（4）本科畢業(yè)生的就業(yè)崗位中從事數(shù)據(jù)挖掘工作的人數(shù)有所提高，說(shuō)明滿足企業(yè)需求技能的人數(shù)在增加。繼續(xù)深造的畢業(yè)生選擇數(shù)據(jù)挖掘研究方向的人數(shù)也在逐漸增多，表明學(xué)生的學(xué)習(xí)興趣得以激發(fā)。
教學(xué)實(shí)踐結(jié)果表明，通過(guò)數(shù)據(jù)挖掘課程的學(xué)習(xí)，可以讓學(xué)生在掌握理論知識(shí)的基礎(chǔ)上，進(jìn)一步提升分析問(wèn)題和解決實(shí)際問(wèn)題的能力。
關(guān)鍵詞：數(shù)據(jù)挖掘；決策樹(shù)；C4.5算法；教學(xué)管理；高校教學(xué)
中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2012）30-7150-04
隨著數(shù)字信息化社會(huì)的飛速發(fā)展，計(jì)算機(jī)技術(shù)和數(shù)據(jù)庫(kù)管理系統(tǒng)被廣泛應(yīng)用于科學(xué)探索、商業(yè)、金融業(yè)、電子商務(wù)、企業(yè)生產(chǎn)等各種行業(yè)，已逐漸發(fā)展成為一種智能管理過(guò)程。數(shù)據(jù)挖掘作為一種新興的數(shù)據(jù)分析技術(shù)，它的研究成果取得了令人矚目的成就[1]。利用數(shù)據(jù)庫(kù)技術(shù)，通過(guò)對(duì)教務(wù)管理的大量數(shù)據(jù)進(jìn)行多層次、多維度的加工處理，從而實(shí)現(xiàn)人性化管理，為科學(xué)決策提供支持。
畢業(yè)論文在教學(xué)體系中占有十分重要的位置，是本科生培養(yǎng)計(jì)劃中衡量教學(xué)質(zhì)量的重要指標(biāo)。提高畢業(yè)論文教學(xué)質(zhì)量是一項(xiàng)系統(tǒng)工程，為研究在當(dāng)前的教學(xué)條件下如何提高畢業(yè)論文教學(xué)質(zhì)量，本文采用數(shù)據(jù)挖掘技術(shù)對(duì)影響畢業(yè)論文成績(jī)管理的多方面因素進(jìn)行了深入分析和挖掘，以期發(fā)現(xiàn)對(duì)學(xué)校畢業(yè)論文教學(xué)管理有用的知識(shí)，將這些知識(shí)應(yīng)用于本科學(xué)生畢業(yè)論文教學(xué)實(shí)踐中，為學(xué)校管理者提供有用的信息，進(jìn)而獲得更好的管理效益，為學(xué)校未來(lái)的發(fā)展提供更廣闊的空間，發(fā)揮重要的作用。
1 數(shù)據(jù)挖掘簡(jiǎn)介
數(shù)據(jù)挖掘（Data Mining），又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)（Knowledge discovery in Database. KDD）[2]，是通過(guò)分析每一個(gè)具體數(shù)據(jù)，從大量的、有噪聲的、模糊的、隨機(jī)的海量數(shù)據(jù)中尋找其規(guī)律的技術(shù)，它是數(shù)據(jù)庫(kù)研究中的一個(gè)很有應(yīng)用價(jià)值的新領(lǐng)域。
1.1 數(shù)據(jù)挖掘的定義
H包含如下功能：
綜上所述，數(shù)據(jù)挖掘具有三大特點(diǎn)：其一是處理大型數(shù)據(jù)；其二應(yīng)用數(shù)據(jù)挖掘的目的是發(fā)現(xiàn)未知的、有意義的模式或規(guī)律；其三是一個(gè)對(duì)大量數(shù)據(jù)處理的過(guò)程，有特定的步驟[3]。
1.2 數(shù)據(jù)挖掘的主要方法
數(shù)據(jù)挖掘是一個(gè)多學(xué)科交叉領(lǐng)域，它由人工智能、機(jī)器學(xué)習(xí)的方法起步，并與統(tǒng)計(jì)分析方法、模糊數(shù)學(xué)和可視化技術(shù)相融合，以數(shù)據(jù)庫(kù)為研究對(duì)象，圍繞面對(duì)應(yīng)用，為決策者提供服務(wù)。
數(shù)據(jù)挖掘的方法主要可分為六大類：統(tǒng)計(jì)分析方法、歸納學(xué)習(xí)方法、仿生物技術(shù)、可視化技術(shù)、聚類方法和模糊數(shù)學(xué)方法。歸納學(xué)習(xí)法是目前重點(diǎn)研究的方向，本文根據(jù)給定的訓(xùn)練樣本數(shù)據(jù)集，采用歸納學(xué)習(xí)法中的決策樹(shù)技術(shù)構(gòu)造分類模型，將事例分類成不同的類別。
2 決策樹(shù)算法基本理論
2.1 決策樹(shù)方法介紹
決策樹(shù)[4]方法是以事例學(xué)習(xí)為基礎(chǔ)的歸納推算法，著眼于從一組無(wú)序的，無(wú)規(guī)則的事例中推斷出類似條件下會(huì)得到什么值這類規(guī)則的方法，它是一種逼近離散值函數(shù)的方法，也可以看作一個(gè)布爾函數(shù)[5]。決策樹(shù)歸納方法是目前許多數(shù)據(jù)挖掘商用系統(tǒng)的基礎(chǔ)，可以應(yīng)用于分析數(shù)據(jù)，同樣也可以用來(lái)作預(yù)測(cè)。建模過(guò)程中，即樹(shù)的生長(zhǎng)過(guò)程是不斷的把數(shù)據(jù)進(jìn)行切分，采用“自頂向下，分而治之”的方法將問(wèn)題的搜索空間劃分為若干個(gè)互不交叉的子集，通常用來(lái)形成分類器和預(yù)測(cè)模型。如圖1所示，為決策樹(shù)的示意圖。
決策樹(shù)一種類似流程圖的樹(shù)形結(jié)構(gòu)，是一種知識(shí)的表現(xiàn)形式。為了對(duì)未知樣本進(jìn)行分類，生成具體的分類規(guī)則，信息樣本的各個(gè)屬性值要在決策樹(shù)上進(jìn)行測(cè)試。主要分為兩個(gè)階段：在第一階段中生成樹(shù)。決策樹(shù)最上面的節(jié)點(diǎn)為根節(jié)點(diǎn)，是整個(gè)決策樹(shù)的開(kāi)始，然后遞歸的進(jìn)行數(shù)據(jù)分區(qū)，每次切分對(duì)應(yīng)一個(gè)問(wèn)題，也對(duì)應(yīng)著一個(gè)節(jié)點(diǎn)；在第二階段中對(duì)樹(shù)進(jìn)行修剪，此過(guò)程中去掉一些可能是噪音或異常的數(shù)據(jù)，防止決策樹(shù)的過(guò)匹配，進(jìn)而保證生成決策樹(shù)的有效性和合理性。當(dāng)一個(gè)節(jié)點(diǎn)中的所有數(shù)據(jù)都屬于同一類別，或者沒(méi)有屬性可以再用于數(shù)據(jù)進(jìn)行分割時(shí)，分割工作停止。具體的工作流程如圖2所示。
2.2 C4.5算法
1986年Ross Quinlan首次提出了ID3決策樹(shù)算法，它是最早的決策樹(shù)算法之一。ID3算法運(yùn)用信息熵理論，選擇當(dāng)前樣本中具有信息增益值的屬性作為測(cè)試屬性，對(duì)樣本的劃分則依據(jù)測(cè)試屬性的取值[6]。C4.5算法是在ID3算法基礎(chǔ)上發(fā)展起來(lái)的，它繼承了ID3算法的全部?jī)?yōu)點(diǎn)，并增加了新的功能改進(jìn)了ID3算法中的不足，可以進(jìn)行連續(xù)值屬性處理并處理未知值的訓(xùn)練樣本。在應(yīng)用單機(jī)的決策樹(shù)算法中，C4.5算法不僅分類準(zhǔn)確而且執(zhí)行速度快。
C4.5通過(guò)兩個(gè)步驟來(lái)建立決策樹(shù)：第一階段樹(shù)的生成，第二階段樹(shù)的剪枝。C4.5算法采用信息增益率來(lái)記錄字段不同取值的選擇，首先計(jì)算各個(gè)屬性的信息增益率，尋找到規(guī)則信息的優(yōu)劣，選出信息增益率最大的屬性作為結(jié)點(diǎn)，自頂向下生成決策樹(shù)。C4.5算法構(gòu)造決策樹(shù)的基本策略如下：
首先計(jì)算出給定樣本所需的期望信息，設(shè)S為一個(gè)包含s個(gè)數(shù)據(jù)樣本的集合，對(duì)于類別屬性，可以取m個(gè)不同取值，分別對(duì)應(yīng)于m個(gè)不同的類別[Ci（i∈1，2，...，m）]。假設(shè)類別[Ci]中的樣本個(gè)數(shù)為[si]，期望信息為：
其中，[Pi]是任意樣本屬于[Ci]的概率，并用[sis]估計(jì)。
接著，計(jì)算當(dāng)前樣本集合所需用的信息熵，設(shè)一個(gè)屬性A具有n個(gè)不同的值[（a1，a2，...an）]，利用屬性A可以將集合S劃分為n個(gè)子集[S1，S2，...Sn]，其中[Sj]包含了S集合中屬性A取[aj]值的樣本數(shù)據(jù)。如果屬性A被選作測(cè)試屬性，設(shè)[Sij]為[Sj]中屬于[Ci]類別的樣本集，根據(jù)A劃分計(jì)算的熵為：
然后利用屬性A對(duì)當(dāng)前分支結(jié)點(diǎn)進(jìn)行相應(yīng)樣本集合劃分計(jì)算信息增益：
最后，求信息增益率，表達(dá)式為：
C4.5算法的偽代碼如下：
輸入：訓(xùn)練樣本Samples；目標(biāo)屬性Target—attribute；候選屬性的集合Attributes
輸出：一棵決策樹(shù)
1）創(chuàng)建根節(jié)點(diǎn)root；
2）If Samples都在同一類C Then；
3）返回label=類C的單結(jié)點(diǎn)樹(shù)root；
4）If Attributes為空Then；
5）返回單結(jié)點(diǎn)樹(shù)root，[label=Samples]中最普遍的Target-Atribute值；
6）Else；
7）For each測(cè)試屬性列表Attributes中的屬性；
8）IF測(cè)試屬性是連續(xù)的Then；
9）對(duì)測(cè)試屬性進(jìn)行離散化處理，找出使其信息增益比率最大的分割閾值；
10）Else；
11）計(jì)算測(cè)試屬性的信息增益比率；
20）添加子樹(shù)Generate Tree C4.5；
21）對(duì)已建立的決策樹(shù)計(jì)算每個(gè)結(jié)點(diǎn)的分類錯(cuò)誤，進(jìn)行剪枝，并返回根結(jié)點(diǎn)Root。
3 畢業(yè)論文成績(jī)管理系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)
利用數(shù)據(jù)挖掘技術(shù)對(duì)學(xué)生的成績(jī)數(shù)據(jù)進(jìn)行提煉，所產(chǎn)生的結(jié)果和信息會(huì)對(duì)以后的教學(xué)管理工作提供有用的信息，進(jìn)而獲得更好的管理效益。解決問(wèn)題的重點(diǎn)在于怎樣對(duì)學(xué)生的畢業(yè)論文成績(jī)進(jìn)行全面且深度的分析，從而挖掘出成績(jī)與其他因素之間隱藏的內(nèi)在聯(lián)系。本文采用決策樹(shù)技術(shù)挖掘信息時(shí)，主要操作步驟如下：
1）確定挖掘來(lái)源：清晰地定義挖掘?qū)ο螅鞔_挖掘目標(biāo)是數(shù)據(jù)挖掘所有工作中重要的一步。本文中應(yīng)用于挖掘的數(shù)據(jù)信息是畢業(yè)生的畢業(yè)論文成績(jī)，旨在通過(guò)對(duì)大量成績(jī)數(shù)據(jù)進(jìn)行各層次的挖掘，全面了解具體影響學(xué)生畢業(yè)論文成績(jī)的各方面因素，正確的針對(duì)問(wèn)題擬定分析過(guò)程。
2）獲取相關(guān)知識(shí)：數(shù)據(jù)是挖掘知識(shí)最原始的資料，根據(jù)確定的數(shù)據(jù)分析對(duì)象，抽象出數(shù)據(jù)分析中所需要的特征信息模型。領(lǐng)域問(wèn)題的數(shù)據(jù)收集完成之后，與目標(biāo)信息相關(guān)的屬性也隨之確定。這些數(shù)據(jù)有些是可以直接獲得的，有些則需要對(duì)學(xué)生進(jìn)行調(diào)查才能的得到。
3）數(shù)據(jù)預(yù)處理：此過(guò)程中是對(duì)已收集的大量數(shù)據(jù)進(jìn)行整合與檢查。因?yàn)榇娣旁跀?shù)據(jù)庫(kù)中的數(shù)據(jù)一般是不完整的、不一致的，通常還含有噪聲的存在。因此就需要對(duì)數(shù)據(jù)庫(kù)中數(shù)據(jù)進(jìn)行清理、整理和歸并，以提高挖掘過(guò)程的精度和性能。
4）數(shù)據(jù)轉(zhuǎn)換：對(duì)預(yù)處理后的數(shù)據(jù)建立分析模型，對(duì)于特定的任務(wù)，需要選擇合適的算法來(lái)建立一個(gè)準(zhǔn)確的適合挖掘算法的分析模型。本文采用決策樹(shù)技術(shù)進(jìn)行分類建模來(lái)解決相應(yīng)的問(wèn)題。
5）分類挖掘知識(shí)和信息：此階段的工作目的是根據(jù)系統(tǒng)最終要實(shí)現(xiàn)的功能和任務(wù)來(lái)確定挖掘的分類模型。選擇合適的數(shù)據(jù)挖掘技術(shù)及算法，并采用恰當(dāng)?shù)某绦蛟O(shè)計(jì)語(yǔ)言來(lái)實(shí)現(xiàn)該算法，對(duì)凈化和轉(zhuǎn)換過(guò)得數(shù)據(jù)訓(xùn)練集進(jìn)行挖掘，獲得有價(jià)值的分析信息。
6）知識(shí)表示：將數(shù)據(jù)挖掘得到的分析信息進(jìn)一步的解釋和評(píng)價(jià)，生成可用的、正確的、可理解的分類規(guī)則呈現(xiàn)給管理者，應(yīng)用于實(shí)踐。
7）知識(shí)應(yīng)用：將分析得到的規(guī)則應(yīng)用到教學(xué)管理中，教師可以利用所得到的知識(shí)針對(duì)性的開(kāi)展畢業(yè)設(shè)計(jì)的教學(xué)活動(dòng)，進(jìn)一步指導(dǎo)教學(xué)工作，提高教學(xué)水平和學(xué)生的畢業(yè)論文質(zhì)量。
4 結(jié)論
最終發(fā)現(xiàn)影響學(xué)生畢業(yè)論文成績(jī)主要的因素不是指導(dǎo)教師的職稱，學(xué)生的基礎(chǔ)及感興趣程度，而是指導(dǎo)教師的學(xué)歷高低。根據(jù)具體分類規(guī)則的結(jié)論，學(xué)校教學(xué)管理工作應(yīng)加重對(duì)教師的素質(zhì)及能力培養(yǎng)，合理的分配每個(gè)教師的畢業(yè)論文指導(dǎo)工作，不僅能夠有效的完成畢業(yè)課題指導(dǎo)工作，更有助于學(xué)生整體論文質(zhì)量的提高。
在高校教學(xué)數(shù)字化的時(shí)代趨勢(shì)下，利用數(shù)據(jù)挖掘技術(shù)來(lái)挖掘提取教學(xué)工作中的全面而有價(jià)值信息，可以為教育管理者的教學(xué)工作提供有效的參考信息，改進(jìn)教學(xué)管理方法，提高教學(xué)質(zhì)量和學(xué)生的綜合素質(zhì)，是高校保持良好的可持續(xù)發(fā)展的有力工具。
參考文獻(xiàn)：
[1] 劉玉文.數(shù)據(jù)挖掘在高校招生中的研究與應(yīng)用[D].上海：上海師范大學(xué)，2008.
[2] 魏萍萍，王翠茹，王保義，張振興.數(shù)據(jù)挖掘技術(shù)及其在高校教學(xué)系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)工程，2003.29（11）：87-89.
[3] 劉林東. Web挖掘在考試系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2005（2）：150-154.
[4] Tom M Mitchell.（美）卡內(nèi)基梅隆大學(xué).機(jī)器學(xué)習(xí)[D].曾華軍，張銀奎，譯，北京：機(jī)械工業(yè)出版社，2003.
關(guān)鍵詞：醫(yī)學(xué)院校；目標(biāo)驅(qū)動(dòng)；課程設(shè)計(jì)；畢業(yè)論文
中圖分類號(hào)：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2012）12-0218-02
一、背景
“數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘”是國(guó)內(nèi)外高等院校一門重要的課程，是國(guó)家基礎(chǔ)教育較為重視的一門學(xué)科，受到不同專業(yè)學(xué)生的喜愛(ài)。其教學(xué)目標(biāo)是提高學(xué)生的數(shù)據(jù)分析水平和能力，除了教授學(xué)生數(shù)據(jù)分析的常見(jiàn)方法之外，還將引導(dǎo)學(xué)生如何對(duì)實(shí)際的問(wèn)題進(jìn)行建模，如何對(duì)模型進(jìn)行簡(jiǎn)化和求解。利用實(shí)例教學(xué)等方法，可以很好地將數(shù)據(jù)挖掘中的抽象概念、模型、公式等闡述清楚，讓學(xué)生易于理解和接受。近年來(lái)，數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用越來(lái)越廣泛。在疾病診斷、治療、器官移植、基因研究、圖像分析、康復(fù)、藥物開(kāi)發(fā)、科學(xué)研究等方面都獲得了可喜的成果。運(yùn)用各種數(shù)據(jù)挖掘技術(shù)了解各種疾病之間的相互關(guān)系、各種疾病的發(fā)展規(guī)律，總結(jié)各種治療方案的治療效果，以及對(duì)疾病的診斷、治療和醫(yī)學(xué)研究都是非常有價(jià)值的。因此，我們學(xué)院也把這門課程作為計(jì)算機(jī)專業(yè)及信息管理與信息系統(tǒng)專業(yè)的必修課。把計(jì)算機(jī)與醫(yī)學(xué)結(jié)合，使得學(xué)生的培養(yǎng)方案全面包括了計(jì)算機(jī)與醫(yī)學(xué)的知識(shí)點(diǎn)。由于該課程原本屬于研究生階段開(kāi)設(shè)的專業(yè)課程，教材也大多側(cè)重于介紹體系結(jié)構(gòu)、算法原理、效率分析與改進(jìn)等理論知識(shí)，其中所涉及的內(nèi)容大多比較深，許多知識(shí)都超出了本科生的接受范圍，此外，教材對(duì)相關(guān)理論在實(shí)際應(yīng)用方面的說(shuō)明也比較少，不利于安排實(shí)驗(yàn)教學(xué)。因此要實(shí)現(xiàn)“數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘”課程的教學(xué)目標(biāo)，必須在理論教學(xué)和實(shí)驗(yàn)教學(xué)環(huán)節(jié)綜合考慮學(xué)時(shí)多少、教學(xué)條件以及學(xué)生的接受情況等因素，靈活地加以選擇安排。
二、存在的問(wèn)題
主要包括以下幾方面：①課堂上以教師講、學(xué)生聽(tīng)的教學(xué)形式為主，學(xué)生學(xué)習(xí)處于被動(dòng)狀態(tài)，他們的創(chuàng)造性因此被嚴(yán)重扼殺；②教師對(duì)專業(yè)課程體系和學(xué)生的知識(shí)體系不夠重視，對(duì)課程體系的講解不到位，造成學(xué)生在學(xué)習(xí)時(shí)課程之間聯(lián)系不上，知識(shí)銜接不好，對(duì)知識(shí)的運(yùn)用和融會(huì)貫通比較差；③實(shí)驗(yàn)與理論脫節(jié)?！皵?shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘”課程理論講授的算法與實(shí)驗(yàn)軟件中的算法有很大差距，使得學(xué)生難以理解。比如對(duì)于理論上講授的關(guān)聯(lián)規(guī)則算法，實(shí)驗(yàn)中使用SQL SERVER 2005中的商務(wù)智能工具做實(shí)驗(yàn)，學(xué)生發(fā)現(xiàn)有很多參數(shù)與理論上講授的有很大不同；④醫(yī)學(xué)院校的學(xué)生對(duì)純粹計(jì)算機(jī)理論知識(shí)接受困難。由于該門課程是交叉學(xué)科，涉及計(jì)算機(jī)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)等知識(shí)，如果學(xué)生的其他學(xué)科學(xué)得不好，就會(huì)對(duì)該課程的學(xué)習(xí)產(chǎn)生障礙；⑤教師講授沒(méi)有把理論課程結(jié)合到實(shí)際應(yīng)用中。有很多學(xué)生不知道學(xué)習(xí)這門課的意義，老師沒(méi)有很好引導(dǎo)學(xué)生，激活他們的學(xué)習(xí)熱情。
三、目標(biāo)驅(qū)動(dòng)的教學(xué)框架
對(duì)于以上問(wèn)題，本文提出了一個(gè)新的教學(xué)體系，設(shè)計(jì)了一套基于目標(biāo)驅(qū)動(dòng)的教學(xué)框架，把教師與學(xué)生緊密聯(lián)系起來(lái)，從教學(xué)大綱的設(shè)置，教材的選擇，理論教學(xué)，實(shí)驗(yàn)教學(xué)，課程設(shè)計(jì)及畢業(yè)論文，全面引導(dǎo)學(xué)生從初步了解到深入學(xué)習(xí)的過(guò)程。對(duì)于我們學(xué)校的實(shí)際情況，有兩個(gè)專業(yè)的學(xué)生要學(xué)習(xí)這門課程。一個(gè)是計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)，一個(gè)是信息管理與信息系統(tǒng)專業(yè)。對(duì)于兩個(gè)不同的專業(yè)，我們?cè)O(shè)置不同的教學(xué)大綱。比如對(duì)于計(jì)算機(jī)專業(yè)的學(xué)生，數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘教學(xué)總時(shí)數(shù)為72學(xué)時(shí)，其中理論為54學(xué)時(shí)，實(shí)驗(yàn)為36學(xué)時(shí)。
1.理論教學(xué)。對(duì)于信息管理與信息系統(tǒng)專業(yè)的學(xué)生，我們可以設(shè)置如下的教學(xué)計(jì)劃，可分為三個(gè)主要部分。我們教材選擇韓家煒的《數(shù)據(jù)挖掘概念與技術(shù)》，第一部分：第一至四章為數(shù)據(jù)挖掘的基礎(chǔ)知識(shí)，包括數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘的基本概念和相關(guān)知識(shí)介紹；第二部分：第五、六章介紹了數(shù)據(jù)挖掘的算法和工具；第三部分：第七章是數(shù)據(jù)挖掘的聚類分析的實(shí)際應(yīng)用。本課程是信息管理與信息系統(tǒng)專業(yè)本科生專業(yè)必修課。通過(guò)該課程的學(xué)習(xí)，要求學(xué)生掌握數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘的基本概念，了解基本方法和應(yīng)用背景。掌握數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)和建立，掌握數(shù)據(jù)挖掘的主要步驟和實(shí)現(xiàn)方法，數(shù)據(jù)挖掘的常用算法，實(shí)現(xiàn)數(shù)據(jù)挖掘的具體操作。理論學(xué)時(shí)的安排，第一章緒論（6學(xué)時(shí)）；第二章數(shù)據(jù)倉(cāng)庫(kù)（4學(xué)時(shí)）；第三章數(shù)據(jù)預(yù)處理（8學(xué)時(shí)）；第四章數(shù)據(jù)挖掘發(fā)現(xiàn)知識(shí)的類型（8學(xué)時(shí)）；第五章數(shù)據(jù)挖掘中常用算法（12學(xué)時(shí)）；第六章數(shù)據(jù)挖掘的工具及其應(yīng)用（8學(xué)時(shí)）；第七章數(shù)據(jù)挖掘應(yīng)用實(shí)例（8學(xué)時(shí)）。
2.實(shí)驗(yàn)教學(xué)。本課程配合理論教學(xué)，通過(guò)系統(tǒng)的實(shí)踐教學(xué)鍛煉，著重培養(yǎng)學(xué)生的獨(dú)立分析問(wèn)題和解決問(wèn)題的能力，熟練掌握數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)和建立以及各類數(shù)據(jù)挖掘方法，使學(xué)生具有一定的數(shù)據(jù)分析和挖掘能力，能在認(rèn)識(shí)基礎(chǔ)上，提出有效的數(shù)據(jù)挖掘方法，依據(jù)實(shí)際例子，寫出解決方案。學(xué)生應(yīng)在實(shí)驗(yàn)課前明確實(shí)驗(yàn)的目的和要求，然后針對(duì)相關(guān)問(wèn)題寫出解決方案。實(shí)驗(yàn)時(shí)對(duì)實(shí)際方案的運(yùn)行結(jié)果應(yīng)能進(jìn)行分析并提出改進(jìn)方法，最終寫出實(shí)驗(yàn)報(bào)告。通過(guò)實(shí)驗(yàn)教學(xué)應(yīng)達(dá)到以下基本要求：①理解數(shù)據(jù)倉(cāng)庫(kù)的工作機(jī)理及其構(gòu)建過(guò)程；②掌握典型的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)及其開(kāi)發(fā)工具的使用；③理解數(shù)據(jù)挖掘技術(shù)的工作原理與流程；④掌握典型數(shù)據(jù)挖掘工具的使用；⑤掌握幾種典型的數(shù)據(jù)挖掘算法；⑥掌握使用SQL SERVER 2000和SPSS工具解決實(shí)際問(wèn)題。實(shí)驗(yàn)成績(jī)包括：實(shí)驗(yàn)教學(xué)過(guò)程成績(jī)、實(shí)驗(yàn)報(bào)告成績(jī)，各占50%。實(shí)驗(yàn)過(guò)程表現(xiàn)成績(jī)包括：學(xué)習(xí)態(tài)度是否認(rèn)真、實(shí)驗(yàn)操作是否正確規(guī)范、基本技能掌握程度是否具有創(chuàng)新意識(shí)等方面。實(shí)驗(yàn)報(bào)告成績(jī)包括：實(shí)驗(yàn)報(bào)告格式是否正確、原理是否論述清楚、實(shí)驗(yàn)結(jié)果分析討論是否符合邏輯，報(bào)告字跡是否清楚等方面。
3.課程設(shè)計(jì)。理論課和實(shí)驗(yàn)課接近結(jié)束時(shí)，我們把最后三周作為本門課程的課程設(shè)計(jì)。課程設(shè)計(jì)的目的是讓學(xué)生進(jìn)一步深刻理解所學(xué)知識(shí)。由于本門課程很多算法不容易理解，如何讓學(xué)生把所學(xué)知識(shí)結(jié)合到醫(yī)學(xué)應(yīng)用中是課程設(shè)計(jì)的關(guān)鍵。比如我們對(duì)信息管理與信息系統(tǒng)專業(yè)的學(xué)生課程設(shè)計(jì)，要求學(xué)生每人選擇一個(gè)老師給定的題目，課程設(shè)計(jì)有詳細(xì)的要求，比如題目“數(shù)據(jù)挖掘在醫(yī)學(xué)診斷中的應(yīng)用”要求學(xué)生能把本門課程相關(guān)的算法結(jié)合使用，最后給出詳細(xì)的分析。通過(guò)課程設(shè)計(jì)，我們發(fā)現(xiàn)，學(xué)生對(duì)本門課程更有興趣。
4.畢業(yè)論文。我們把課程一般開(kāi)設(shè)在大三的下學(xué)期，也就是說(shuō)學(xué)生學(xué)完這門課程后，就做了該門課的課程設(shè)計(jì)，使得學(xué)生對(duì)數(shù)據(jù)挖掘相關(guān)知識(shí)有了比較深刻的認(rèn)識(shí)。這樣，我們可以引導(dǎo)學(xué)生畢業(yè)論文的選擇。畢業(yè)論文畢竟是反映學(xué)生大學(xué)四年所學(xué)知識(shí)，也對(duì)他們將來(lái)就業(yè)起到提前培訓(xùn)的作用。把理論結(jié)合實(shí)踐，老師對(duì)學(xué)生的引導(dǎo)也十分重要。
我們根據(jù)醫(yī)學(xué)院校的特征，提出了一套目標(biāo)驅(qū)動(dòng)的教學(xué)理念，從學(xué)生認(rèn)識(shí)這門課程到學(xué)生理論課的學(xué)習(xí)，實(shí)驗(yàn)課的學(xué)習(xí)，課程設(shè)計(jì)及畢業(yè)論文的完成，在老師的指導(dǎo)下，使用我們的考核體系，可提高學(xué)生對(duì)所學(xué)課程的興趣。
參考文獻(xiàn)：
關(guān)鍵詞：遠(yuǎn)程開(kāi)放教育，數(shù)據(jù)挖掘，應(yīng)用，智能化
1 前言
現(xiàn)代遠(yuǎn)程開(kāi)放教育的全過(guò)程基本上都是通過(guò)瀏覽網(wǎng)站的形式進(jìn)行的，學(xué)生在Web上的行為都會(huì)產(chǎn)生大量的信息，這些信息在遠(yuǎn)程教育的全過(guò)程中十分寶貴，充分挖掘這些信息及其背后潛在的信息，反饋來(lái)指導(dǎo)遠(yuǎn)程教育中的各個(gè)環(huán)節(jié)，以此來(lái)為學(xué)生提供個(gè)性化的服務(wù)內(nèi)容，增強(qiáng)遠(yuǎn)程開(kāi)放教育的競(jìng)爭(zhēng)力。利用數(shù)據(jù)庫(kù)技術(shù)來(lái)存儲(chǔ)管理數(shù)據(jù)，利用網(wǎng)絡(luò)和計(jì)算機(jī)學(xué)習(xí)的方法來(lái)分析數(shù)據(jù)，從而挖掘出大量的隱藏在數(shù)據(jù)背后的知識(shí)，即數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)---KDD（Knowledge Discovery in Databases），其中，數(shù)據(jù)挖掘技術(shù)便是最為關(guān)鍵的環(huán)節(jié)。論文參考網(wǎng)。基于遠(yuǎn)程開(kāi)放教育將是當(dāng)前和未來(lái)教育的重要輔助系統(tǒng)，本文提出并介紹信了把數(shù)據(jù)挖掘技術(shù)應(yīng)用于現(xiàn)代遠(yuǎn)程開(kāi)放教育系統(tǒng)中。
2 數(shù)據(jù)挖掘概述
2.1數(shù)據(jù)挖掘（DataMining）定義
數(shù)據(jù)挖掘就是從大量存儲(chǔ)的數(shù)據(jù)中，利用模式識(shí)別、統(tǒng)計(jì)和數(shù)學(xué)的技術(shù)，篩選發(fā)現(xiàn)新的有意義的關(guān)系、模式和趨勢(shì)的方法。就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。它主要依靠人工智能、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)技術(shù)，對(duì)數(shù)據(jù)進(jìn)行歸納推理，從中挖掘出潛在的模式，預(yù)測(cè)未來(lái)趨勢(shì)，為決策提供支持。
2.2數(shù)據(jù)挖掘的主要任務(wù)
（1）關(guān)聯(lián)分析。兩個(gè)或兩個(gè)以上變量的取值之間存在的規(guī)律性稱為關(guān)聯(lián)。數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫(kù)中存在的一類重要的、可被發(fā)現(xiàn)的知識(shí)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫(kù)中隱藏的關(guān)聯(lián)網(wǎng)。
（2）聚類分析。聚類是把數(shù)據(jù)按照相似性歸納成若干類別，同一類中的數(shù)據(jù)彼此相似，不同類中的數(shù)據(jù)相異。
（3）分類。分類就是找出一個(gè)類別的概念描述，它代表了這類數(shù)據(jù)的整體信息。
（4）預(yù)測(cè)。預(yù)測(cè)是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并由此模型對(duì)未來(lái)數(shù)據(jù)的種類及特征進(jìn)行預(yù)測(cè)。
（5）時(shí)序模式。時(shí)序模式是指通過(guò)時(shí)間序列搜索出的重復(fù)發(fā)生概率較高的模式。它是用己知的數(shù)據(jù)預(yù)測(cè)未來(lái)的值，但這些數(shù)據(jù)的區(qū)別是變量所處時(shí)間的不同。
（6）偏差分析。在偏差中包括很多有用的知識(shí)，數(shù)據(jù)庫(kù)中的數(shù)據(jù)存在很多異常情況，發(fā)現(xiàn)數(shù)據(jù)庫(kù)中數(shù)據(jù)存在的異常情況是非常重要的。偏差檢驗(yàn)的基本方法就是尋找觀察結(jié)果與參照之間的差別。
2.3數(shù)據(jù)挖掘?qū)ο?/p>
根據(jù)信息存儲(chǔ)格式，用于挖掘的對(duì)象有關(guān)系數(shù)據(jù)庫(kù)、面向?qū)ο髷?shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫(kù)、空間數(shù)據(jù)庫(kù)、時(shí)態(tài)數(shù)據(jù)庫(kù)、異質(zhì)數(shù)據(jù)庫(kù)以及Internet等。
2.4數(shù)據(jù)挖掘技術(shù)實(shí)施的步驟
（1）確定業(yè)務(wù)對(duì)象。清晰地定義出業(yè)務(wù)問(wèn)題，認(rèn)清數(shù)據(jù)挖掘的目的是數(shù)據(jù)挖掘的重要一步。挖掘的最后結(jié)構(gòu)是不可預(yù)測(cè)的，但要探索的問(wèn)題應(yīng)是有預(yù)見(jiàn)的，為了數(shù)據(jù)挖掘而數(shù)據(jù)挖掘則帶有評(píng)價(jià)，并以用戶能理解和觀察的方式將發(fā)現(xiàn)的知識(shí)呈現(xiàn)給用戶。
（2）數(shù)據(jù)準(zhǔn)備。這個(gè)階段的工作包括數(shù)據(jù)集成、數(shù)據(jù)選擇、預(yù)分析和轉(zhuǎn)換。要對(duì)Web服務(wù)器上的數(shù)據(jù)進(jìn)行挖掘，必須研究站點(diǎn)之間異構(gòu)數(shù)據(jù)的集成問(wèn)題，只有將這些站點(diǎn)的數(shù)據(jù)都集成起來(lái)，提供給用戶一個(gè)統(tǒng)一的視圖，才有可能從巨大的數(shù)據(jù)資源中獲取所需的東西。
（3）數(shù)據(jù)挖掘。這個(gè)階段就是利用數(shù)據(jù)挖掘工具對(duì)經(jīng)過(guò)轉(zhuǎn)換的數(shù)據(jù)進(jìn)行挖掘和發(fā)現(xiàn)知識(shí)的過(guò)程。不同的數(shù)據(jù)挖掘工具有不同的算法，面向不同的分析需求，并且當(dāng)具體使用操作時(shí)，也在一定程度上受到數(shù)據(jù)分析人員的思維方式和行為習(xí)慣的影響。數(shù)據(jù)挖掘利用人工智能領(lǐng)域中一些已經(jīng)成熟的算法和技術(shù)。如：人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、決策樹(shù)方法、鄰近搜索算法、規(guī)則推理、模糊邏輯、公式發(fā)現(xiàn)等來(lái)進(jìn)行數(shù)據(jù)的挖掘。
（4）結(jié)果分析。論文參考網(wǎng)。數(shù)據(jù)挖掘的結(jié)果由分析人員根據(jù)發(fā)現(xiàn)知識(shí)的領(lǐng)域重要性、可信度和支持度等閥值來(lái)對(duì)發(fā)現(xiàn)結(jié)果進(jìn)行評(píng)價(jià)，并以用戶能理解和觀察的方式將發(fā)現(xiàn)的知識(shí)呈現(xiàn)給用戶。通常會(huì)用到可視化技術(shù)。
（5）知識(shí)的同化。將分析所得到的知識(shí)集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去。
3 現(xiàn)代遠(yuǎn)程開(kāi)放教育系統(tǒng)簡(jiǎn)介
遠(yuǎn)程開(kāi)放教育系統(tǒng)能實(shí)現(xiàn)個(gè)性化學(xué)習(xí)、實(shí)時(shí)教學(xué)、實(shí)時(shí)考試和智能答疑。為每一個(gè)接受網(wǎng)絡(luò)遠(yuǎn)程教育的學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)進(jìn)程。能根據(jù)與當(dāng)前學(xué)習(xí)者相類似的學(xué)生的學(xué)習(xí)模式自動(dòng)地對(duì)其后繼知識(shí)的學(xué)習(xí)進(jìn)行預(yù)測(cè)以及合理推薦，并對(duì)學(xué)習(xí)者的學(xué)習(xí)過(guò)程進(jìn)行分階段的評(píng)價(jià)，依據(jù)其績(jī)效信息動(dòng)態(tài)調(diào)整其學(xué)習(xí)難度、練習(xí)與測(cè)試內(nèi)容，對(duì)學(xué)生提出的問(wèn)題實(shí)現(xiàn)智能化答疑，對(duì)該學(xué)習(xí)者薄弱環(huán)節(jié)進(jìn)行有效指導(dǎo)，做到因材施教和全天候?qū)W習(xí)。
遠(yuǎn)程開(kāi)放教育系統(tǒng)由用戶系統(tǒng)、WEB服務(wù)器、應(yīng)用服務(wù)器、數(shù)據(jù)服務(wù)器、用戶數(shù)據(jù)庫(kù)和資源數(shù)據(jù)庫(kù)組成。
用戶系統(tǒng)用于實(shí)現(xiàn)遠(yuǎn)程開(kāi)放教育系統(tǒng)的顯示功能，其功能是：實(shí)現(xiàn)信息的和接受，管理員通過(guò)它來(lái)實(shí)現(xiàn)系統(tǒng)的管理、更新、維護(hù)等，主要是通過(guò)XML語(yǔ)言和HTTP協(xié)議實(shí)現(xiàn)WEB瀏覽器與WEB服務(wù)器的鏈接和信息通訊。WEB服務(wù)器用于完成遠(yuǎn)程開(kāi)放教育系統(tǒng)的事務(wù)處理，用于處理學(xué)習(xí)過(guò)程中的各種事務(wù)。應(yīng)用服務(wù)器直接為WEB服務(wù)器提供相關(guān)服務(wù)，處理WEB服務(wù)器以及XML文檔組成的用戶的事務(wù)請(qǐng)求信息。論文參考網(wǎng)。數(shù)據(jù)庫(kù)服務(wù)器用于完成數(shù)據(jù)處理，為應(yīng)用服務(wù)器提供相關(guān)服務(wù)，完成數(shù)據(jù)查詢、修改和更新等服務(wù)，并把運(yùn)行結(jié)果反饋給應(yīng)用服務(wù)器。資源數(shù)據(jù)庫(kù)中主要由遠(yuǎn)程開(kāi)放教育系統(tǒng)中要使用的課件庫(kù)、答疑庫(kù)、作業(yè)庫(kù)、試題庫(kù)和必要的超級(jí)鏈接等構(gòu)成。用戶數(shù)據(jù)庫(kù)主要用于存儲(chǔ)遠(yuǎn)程開(kāi)放教育系統(tǒng)中要使用的的注冊(cè)檔案、用戶目前的學(xué)習(xí)內(nèi)容、學(xué)習(xí)進(jìn)展、作業(yè)情況和考試情況等信息。
4 數(shù)據(jù)挖掘技術(shù)在遠(yuǎn)程開(kāi)放教育中的應(yīng)用
現(xiàn)代遠(yuǎn)程開(kāi)放教育是隨著現(xiàn)代信息技術(shù)的發(fā)展而產(chǎn)生的一種新型教育形式，其基本特征是利用計(jì)算機(jī)網(wǎng)絡(luò)和多媒體技術(shù)，提供豐富的教學(xué)資源供學(xué)習(xí)者選用，教學(xué)形式由原來(lái)的以教為主變?yōu)橐詫W(xué)為主。數(shù)據(jù)挖掘技術(shù)在現(xiàn)代遠(yuǎn)程開(kāi)放教育中的應(yīng)用主要有以下幾方面：
（1）在個(gè)性化學(xué)習(xí)方面的應(yīng)用
由于每個(gè)學(xué)習(xí)者的知識(shí)背景、學(xué)習(xí)習(xí)慣和學(xué)習(xí)目標(biāo)都不一樣，故個(gè)性化學(xué)習(xí)在遠(yuǎn)程開(kāi)放教育中就顯得非常重要。為了實(shí)現(xiàn)此功能，基于WEB的智能遠(yuǎn)程開(kāi)放教育系統(tǒng)首先要根據(jù)學(xué)習(xí)者的特點(diǎn)和學(xué)習(xí)目標(biāo)來(lái)收集學(xué)習(xí)者的數(shù)據(jù)信息，然后對(duì)收集到的信息進(jìn)行預(yù)處理，再應(yīng)用一種合理的挖掘算法或綜合應(yīng)用不同的算法，如關(guān)聯(lián)規(guī)則分析、聚類和分類技術(shù)、統(tǒng)計(jì)分析以及時(shí)序模式技術(shù)等，來(lái)處理此數(shù)據(jù)，最終發(fā)現(xiàn)用戶的訪問(wèn)模式，但是通過(guò)模式挖掘后，生成的規(guī)則數(shù)目大、表達(dá)晦澀且不好用，這時(shí)就需要用到智能查詢機(jī)制、可視化和聯(lián)機(jī)分析等技術(shù)對(duì)模式進(jìn)行分析評(píng)價(jià)，經(jīng)過(guò)模式分析和應(yīng)用技術(shù)處理后，選擇一種學(xué)習(xí)者易于理解和接受的表達(dá)方式將知識(shí)數(shù)據(jù)顯現(xiàn)出來(lái)。利用數(shù)據(jù)挖掘與學(xué)習(xí)內(nèi)容綁定的技術(shù)，系統(tǒng)就可以以可視化方式來(lái)指導(dǎo)學(xué)習(xí)者學(xué)習(xí)和個(gè)性化發(fā)展，這樣系統(tǒng)就實(shí)現(xiàn)了個(gè)性化學(xué)習(xí)功能。
（2）在資源庫(kù)建設(shè)方面的應(yīng)用
資源庫(kù)建設(shè)在整個(gè)系統(tǒng)中至關(guān)重要，為了建立覆蓋面廣、功能齊全的資源庫(kù)，我們就必須編制信息資源目錄，征集種類資源信息，并進(jìn)行資源、資源信息篩選、資源信息整理和存儲(chǔ)；同時(shí)按學(xué)科門類建設(shè)積件庫(kù)。當(dāng)老師在系統(tǒng)內(nèi)制作課件，為了有針對(duì)性和避免重復(fù)，我們可以對(duì)所有學(xué)習(xí)者已選的課程進(jìn)行聚類，并通過(guò)聚類學(xué)習(xí)算法來(lái)自動(dòng)確定每門課程的類別標(biāo)記。接著利用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則，估計(jì)出一組相關(guān)同位類課程，再利用泛化關(guān)聯(lián)規(guī)則，找到其上位類課程，或利用序列模式，預(yù)測(cè)出與之有關(guān)的學(xué)生未來(lái)可能選擇的同級(jí)課程，最后圍繞學(xué)習(xí)者的需求權(quán)限進(jìn)行課程設(shè)置。
（3）在實(shí)時(shí)教學(xué)方面的應(yīng)用
在本系統(tǒng)中，由于引入了互聯(lián)網(wǎng)技術(shù)、人工智能技術(shù)、數(shù)據(jù)庫(kù)技術(shù)和知識(shí)發(fā)現(xiàn)技術(shù)，通過(guò)機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等方法設(shè)計(jì)出了個(gè)性化處理引擎，從大量的數(shù)據(jù)中進(jìn)行數(shù)據(jù)挖掘，提取有用的、潛在的信息。學(xué)生可以通過(guò)網(wǎng)絡(luò)實(shí)現(xiàn)每天24小時(shí)的學(xué)習(xí)，而且本系統(tǒng)可以更多且及時(shí)的了解到學(xué)生的學(xué)習(xí)學(xué)習(xí)進(jìn)度、需求、能力、興趣愛(ài)好等方面的信息，并動(dòng)態(tài)地根據(jù)這些信息調(diào)整學(xué)習(xí)計(jì)劃和進(jìn)度，讓學(xué)生得到針對(duì)其“個(gè)性”的教育，實(shí)現(xiàn)因材施教。
（4）在智能答疑方面的應(yīng)用
基于WEB的遠(yuǎn)程教學(xué)系統(tǒng)中的智能答疑系統(tǒng)只要用戶能上網(wǎng)，就可解答學(xué)生在學(xué)習(xí)過(guò)程中產(chǎn)生的問(wèn)題。它能根據(jù)學(xué)生用戶訪問(wèn)日志、問(wèn)題記錄等數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，用智能抽取的方法實(shí)現(xiàn)智能答疑。從用戶訪問(wèn)日志和提問(wèn)信息里面可以分析出學(xué)生的行為。智能答疑系統(tǒng)后臺(tái)存儲(chǔ)了大量的由經(jīng)驗(yàn)豐富的教師精心挑選的問(wèn)題答案，對(duì)于用戶提出的問(wèn)題．系統(tǒng)首先通過(guò)對(duì)問(wèn)題的分析自動(dòng)在數(shù)據(jù)庫(kù)中尋找最適合的答案。這樣通過(guò)數(shù)據(jù)挖掘，針對(duì)學(xué)生用戶提問(wèn)記錄、日志不斷更新和調(diào)整學(xué)生用戶知識(shí)庫(kù)，使問(wèn)題的回答更加精確。
（5）在實(shí)時(shí)考試方面的應(yīng)用
本系統(tǒng)的實(shí)時(shí)考試系統(tǒng)是一個(gè)基于數(shù)據(jù)庫(kù)和WEB的遠(yuǎn)程在線式實(shí)時(shí)的測(cè)試系統(tǒng)。它能考慮個(gè)別學(xué)習(xí)者的能力和特性，按照考試的目的和必要性，提供各種問(wèn)項(xiàng)信息，如難易程度、辨別程度等。并且還能同步打分，提供成績(jī)進(jìn)展情況，根據(jù)個(gè)人特性解釋問(wèn)題，按個(gè)人及科目對(duì)考試結(jié)果進(jìn)行各種統(tǒng)計(jì)分析和評(píng)價(jià)，并存入學(xué)生用戶數(shù)據(jù)中。這些功能的實(shí)現(xiàn)是由于系統(tǒng)采用關(guān)聯(lián)規(guī)則、聚類和分類工具對(duì)數(shù)據(jù)庫(kù)中抽取的數(shù)據(jù)進(jìn)行處理，分析出學(xué)生的特性及其對(duì)課程各知識(shí)點(diǎn)的掌握程度，并結(jié)合學(xué)生的考試目的恰當(dāng)?shù)胤答伣o學(xué)生，這樣提高了學(xué)生學(xué)習(xí)的效率。
5 結(jié)束語(yǔ)
在現(xiàn)代遠(yuǎn)程開(kāi)放教育網(wǎng)站設(shè)計(jì)中，基于XML（ExtensibleMarkup Language，可擴(kuò)展標(biāo)記語(yǔ)言）的新一代系統(tǒng)設(shè)計(jì)環(huán)境，可以更好地描述半結(jié)構(gòu)化和結(jié)構(gòu)化的數(shù)據(jù)，更有利于進(jìn)行數(shù)據(jù)搜索和挖掘。如何整合XML和Web服務(wù)技術(shù)，以此為契機(jī)開(kāi)展數(shù)據(jù)挖掘和知識(shí)獲取，在現(xiàn)代遠(yuǎn)程開(kāi)放教育網(wǎng)站的設(shè)計(jì)中以學(xué)習(xí)者為中心,提供一種基于資源的學(xué)習(xí),教學(xué)資源可以適應(yīng)各種學(xué)習(xí)者的需要和背景進(jìn)行不同的組合，提供更加優(yōu)良的、個(gè)性化的服務(wù)。
參考文獻(xiàn)：
[1]李爽，陳麗．國(guó)內(nèi)外網(wǎng)上智能答疑系統(tǒng)比較研究[J]．北京，中國(guó)電化教育，2003（5）
[2]蘇新寧．?dāng)?shù)據(jù)挖掘理論與技術(shù)[M]．北京：科學(xué)技術(shù)文獻(xiàn)出版社，2003
[3]趙丹群．?dāng)?shù)據(jù)挖掘：原理、方法及其應(yīng)用[J]．現(xiàn)代圖書(shū)情報(bào)技術(shù)，2000，(6)
[4]周云真，舒建文，王平根．據(jù)挖掘在基于WEB的智能遠(yuǎn)程教育系統(tǒng)中的的應(yīng)用[J] ．南京：文教資料，2006（10）
