数据分析课程范文

导语：如何才能写好一篇数据分析课程，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

为了推进统整项目课程的“精准实施”，我们经常会在课程实施的不同阶段进行问卷调查，通过多视角的数据收集整理，并对数据进行精准分析，从而了解课程表象背后的学习原理。“智库百科”这样描述数据分析的意义：数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。数据分析对课程实施有非常重要的意义，我们可以针对精准的数据分析结果调整课程实施策略，始终把学习者放在学习的中心地位。

从数据分析中了解学习者的兴趣，可以让课程设计更具针对性。在统整项目课程中，让学生选择自己感兴趣的主题学习是我们的首要任务。在每一个统整项目课程实施前，我们都会让孩子们通过大量阅读对主题课程内容有一个较为深入的了解，在“大课”中，每个小主题的教师团队向所有学习者介绍本主题的特点，并通过多样化的方式吸引学生。大课之后，我们向学生发起问卷调查，让学生选择自己感兴趣的主题学习。比如，三年级《水的世界》统整课程，我们分了三个小主题：水的循环、水的污染、水的用途。我们通过问卷星问卷调查，让孩子们扫描二维码选择主题进行分组学习。通过对分组数据的分析，我们发现三个主题选择的数据并不是很均衡：水的循环占13.89%，水的污染占45.83%，水的用途占40.28%，孩子们最感兴趣的是“水的污染”，从这些数据中我可以很明显地看到孩子们对环保的话题很感兴趣。因此，针对这样的数据我们可以着力“水的污染”的研究。

通过数据分析，我们可以精准了解学生的需求。统整项目课程要顺利实施，需要站在儿童的视角来设计课程。现实世界中成人眼里的儿童需求往往和儿童的真实需求存在一定的差距，而可视化的数据分析可以让我们直观了解到儿童的真实想法。例如，在二年级《美丽中国》统整项目课程中，我们分地理与自然、建筑与景观、民族与服饰、美食与风俗、工艺与创造五个组对中国进行探索。在成人眼里，儿童“好吃”，认为选“美食与风俗”的会占绝大多数，但是实际差距却很大，实际数据是：地理与自然16.36%、建筑与景观8.18%、民族与服饰22.73%、美食与风俗15.45%、工艺与创造37.27%。可见，孩子们最喜欢“工艺与造”，而“美食与风俗”排在倒数第二。从这些数据可以看出，动手创造是孩子们最喜欢的事情，因此我们在课程设计中需要给孩子们创造更多“动手创造”的空间和机会。

通过数据分析，我们可以了解到家长的需求。统整项目课程的实施需要家长的高度认同与全程参与，家长参与的程度是儿童能进行课程深度学习的关键因素之一。因此，我们的课程设计需要了解家长的需求。例如，二年级《美丽中国》统整项目课程中，家长对学生能力培养很关注，特别是孩子的合作、探究、解决问题、语言表达等能力的培养，分别占73.56%、78.74%、79.89%、71.84%。基于这些数据，我们需要把学生面向未来的关键能力设计在整个课程之中，从而提升学生的综合素养。

总之，通过数据分析我们还可以看到很多看不到的东西。因此，统整项目课程实施过程中我们需要设计不同的问卷调查表，收集学生学习、教师教学、家长期盼等方面的数据，通过数据分析了解到课程的学习本质，促进学生的深度学习。

篇2

课程相关性分析数据挖掘相关分析典型相关分析关联规则一、引言

课程是实现教学内容传递的集中体现，是学校教育的目的性、计划性和组织性的集中体现。课程设置规定着课程类型、课程性质、课程排序和学时分配，还规定各类各科课程的学习目标、学习内容和学习要求等，其合理与否将直接影响到所培养人才的质量，关系到学生知识面的宽度、深度、动手实践和研究能力的高低，同时也已经成为了影响大学生就业的主要因素之一。因此，课程结构和课程内容的合理设置尤为重要。

课程相关性分析可定量描述课程之间的相关性，可根据相关系数值的大小确定课程间关系的紧密程度，然后从顺序性、整体性、关联性和连续性四个方面为优化课程设置提供参考信息，优化课程结构和课程内容。近年来，国内外教育工作研究人员开展了大量的课程相关性方面的研究，国内外多所著名高校已将课程相关性研究成果作为课程设置的基本依据。

目前课程相关性分析研究所采用的方法均基于数据分析，其方法主要包括传统数据分析法和数据挖掘分析法两种，而两者又有着本质的区别。在探索数据关系时，传统的分析方法一般是基于验证的方法，即用户首先对数据之间的关系做出一定的假设，然后通过数据分析来验证假设是否正确来得出相应结论，其分析过程是基于假设驱动的演绎型分析；数据挖掘不是用于验证某个假定的模式（模型）的正确性，而是在数据库中自己寻找模型，数据挖掘在本质上是一个完全基于发现驱动的归纳型分析过程。

本文对课程相关性分析中的数据挖掘过程及基于数据挖掘技术的课程相关分析方法进行介绍，以期为我国高校课程的优化设置研究提供理论指导和方法借鉴。

二、数据挖掘技术

数据挖掘（Data Mining，DM）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、随机的实际应用数据中，通过使用成熟的数据挖掘模型，提取出隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，得到数据中反映出来的数据内在的关系，从而进一步应用到具体的数据分析研究中去。数据挖掘得到的信息具有先前未知、有效和实用三个特征。

目前，数据挖掘技术的已被应用于关联分析（Association Analysis）、概念/类别描述（Concept/Class Description）、分类与估值（Classification and Estimation）、聚类分析（Clustering Analysis）、时间序列分析（Time-Series Analysis）、偏差分析（Deviation Analysis）、孤立点分析（Outlier Analysis）等方面，随着数据挖掘技术的发展，可能还会继续出现新的数据挖掘功能。课程相关性分析为其关联分析功能中的一部分，所采用的分析方法主要有相关分析法、典型相关分析法和关联规则分析法等。

数据挖掘分析过程各步骤之间互相影响、反复调整，形成一种螺旋式上升过程，具体分析流程见图1所示。目前已建立的数据挖掘模型有CRISP-DM模型（Cross Industry Standard Process for Data Mining）、ODDM模型（OLE DB for Data Mining）、Oracle9i数据挖掘模型等多种，对于课程相关性分析来说，具有直观、简单和可靠等特点的CRISP-DM模型最为适用，其模型见图2所示。

三、基于数据挖掘的课程相关性分析方法

基于数据挖掘的课程相关性分析方法主要有相关分析法、典型相关分析法和关联规则分析法，三种方法各具优缺点，互不可取代。

1.相关分析法

相关分析法又称单因子相关分析法，主要用于研究两个变量因子间的相关关系。作为教育信息多元统计分析方法的一种，相关分析法主要用于测定现象之间相关关系的规律性，据此进行预测和控制。将其用于课程相关性的探讨研究，可直接量化两门课程间的相关性，分析过程简单、快捷，显示方式直观，数据可信度高。

相关分析法在课程相关性分析研究中应用，主要有以下几个步骤：

篇3

关键词：数据分析人才；软件工程专业；计算思维能力；正情绪

0引言

Web技术的飞速发展产生了海量的用户生成内容，大量信息蕴藏其中，是潜在用户决策支持的有价值资源。如何挖掘海量用户生成内容催生了数据分析人才的市场需求。麦肯锡全球研究院报告预计，美国在2018年数据分析人才缺口将达到50%～60%，甚至可能更大。我国政府提出的“互联网+”行动计划，使得数据几乎渗透到每一个行业和业务职能领域。在大数据时代，具有丰富经验的数据分析人才需求倍增。

1数据分析人才必备的重要素质

数据分析人才能对行业已有数据进行统计、分析、预测，能为企业经营决策提供科学量化的分析依据。2007年，复旦大学首先在国内开始培养数据分析人才，随后香港中文大学、北京航空航天大学等高等院校也相继开设了相关课程。分析上述高校人才培养计划可知，数据分析人才应该系统地掌握数据分析相关技能（主要包括数学、统计学、数据分析、商业分析和自然语言处理等），应具有较宽的知识面、独立获取知识的能力及较强的实践能力和创新意识，是一种复合型专业人才。《中国大数据技术与产业发展白皮书》在数据人才一章中明确指出，数据分析人才的培养要从本科阶段开始，要注重运用算法分析问题、解决问题，由此可见，计算思维能力是数据分析人才必须具备的重要素质之一。

2计算思维能力培养现状

自2002年以来，我国计算机教育专家将计算思维能力归结为计算机专业人才必备的4大专业基本能力，并且强调计算思维能力是其他3项能力（算法设计与分析、程序设计与实现以及系统能力）的基石。那么，如何在大数据时代背景下，依托应用型本科软件工程试点专业建设，培养软件工程专业学生的计算思维能力，为社会输送高质量数据分析人才？计算思维能力的强弱主要表现为学生能否正确运用抽象与分解、递归、启发式等方法解决计算求解问题。训练学生的计算思维能力可在算法与数据结构以及算法设计与分析课程（以下简称算法类课程）的教学中进行，因而算法类课程是本科阶段培养数据分析人才的重要课程。

然而，在算法类课程的实际教学过程中，存在两个较为常见的问题：

（1）学生理论联系实际的能力薄弱。学生要达到灵活运用算法解决实际问题，必须掌握算法的核心思想，但由于算法类课程中许多概念抽象，一些经典算法较为复杂，在这两门课程的学习和实践中，能体会到理论学习意义和动手实践乐趣的学生很少。

（2）系统能力培养没有受到教师的足够重视。由于算法类课程相关的综合设计课内学时少，教师无法引导学生从系统的角度认知综合设计，并对其进行分析、开发与应用。

由此可见，在算法类课程的现有教学环节中，训练学生计算思维能力的机会较少，必须结合当前数据分析人才市场需求的发展趋势，重新审视算法类课程的定位和内容，以达到夯实学生计算思维能力的目的。

3在算法类课程教学中培养学生计算思维能力的方法

从整体上，一个较高层次的数据分析人才应该掌握7大版块的知识结构，分别是数据采集、数据存储、数据提取、数据挖掘、数据分析、数据展现以及数据应用。以数据分析人才驱动为导向，培养软件工程专业学生计算思维能力的算法类教学方法主要是把算法类课程中算法分析与设计的思想融入数据分析中，用数据分析中的实际需求驱动学生学习书本上抽象的理论知识。以7大版块中最重要的数据挖掘版块作为载体，在算法类课程教学中培养学生的计算思维能力。

3.1基于实际数据分析任务的实验项目设计

目前，国际权威学术组织IEEE International Conference on Data Mining（ICDM）已评选出数据挖掘的10大经典算法：C4.5、k-means、SVM、Apriori、EM、PageRank、AdaBoost、kNN、Navie Bayes和CART。在教学过程中，可以根据不同类型的应用问题，结合这些经典数据挖掘算法布置实验任务，对每一实验任务制定实现该任务的实验目的、实验要求、实验内容、实验步骤和预期实验结果，让学生清晰地理解并实现这些实验任务。

以2013级软件工程专业学生参加中国好创意的“互联网情绪指标和生猪价格的关联关系挖掘和预测”为例，说明实验项目的设计。

（1）实验目的：针对来自国内互联网的生猪历年消费者情绪数据，挖掘消费者情绪指标和生猪价格之间的关联关系。

（2）实验要求：采用Apriori算法，对近期国内五花肉价格及生猪价格进行预测。

（3）实验内容及步骤：首先，对原始的生猪数据清洗是分析消费者情绪与生猪价格之间的关联关系的第一个阶段，其目的是删除无关数据；其次，统计与消费者正面情绪或消费者负面情绪同时出现的相关指标，并根据自定义的最小支持度阈值获得正面情绪或负面情绪的频繁项集；最后，根据自定义的置信度对获得的频繁项集进行筛选，得到有意义的频繁项集。

（4）预期实验结果：解读最终得到的频繁项集，将挖掘的结果反馈到生猪养殖户，让其掌握生猪市场的供求关系。

个别有能力的学生还可以对以上内容进行拓展，从互联网大数据中找出其他一些具有参考价值的生猪价格预测先导指标。

实验任务的编码完成后，还要求学生从软件开发的角度撰写规范的项目报告，内容包括项目的需求分析、总体设计、详细设计、编码与测试等。教师可通过报告清楚了解学生是否有良好的计算思维能力。针对计算思维能力薄弱的学生，教师可以再布置另外的实验项目让其训练。例如，在“互联网情绪指标和生猪价格的关联关系挖掘和预测”实践项目中，要求项目报告中有目标场景、需求理解、方案创意说明、模型数据选取、数据分析、算法设计、实验设计、结果分析、原型系统介绍等。

3.2算法类课程教学内容拓展

由于本科阶段算法类课程的教学内容只涉及完成基于实际数据分析任务的基础知识，不包括数据挖掘算法，这就需要教师在算法类课程中拓展教学内容。因此，在教学过程中需要将经典的数据挖掘算法与算法类课程的理论知识巧妙融合。为此，教师需要详细分析实现每个数据分析任务需要的基本理论知识，然后按照书本相关内容的先后顺序串联起来并编写授课计划，体现算法类课程精华内容与实际数据分析任务的融合。为了保证学生对数据挖掘算法的深入理解，需要鼓励其利用课余时间广泛查阅相关资料，进行自主学习。

在2013级软件工程专业学生参加中国好创意的“互联网情绪指标和生猪价格的关联关系挖掘和预测”竞赛中，指导教师们利用课外时间给学生讲解关联规则挖掘算法的思想、原理、特点等。学生在学习关联规则挖掘算法的过程中进一步掌握了递归与分治思想、回溯法思想；理解了树型存储结构对关联规则挖掘算法性能的改进。通过这样的实践，参赛学生完成的作品清晰展示了他们在学习算法类课程中培养的计算思维能力。

3.3计算思维能力培养的跟踪

为了改进软件工程学生计算思维能力培养中可能存在的问题，收集应用于13级软件工程专业学生的实验项目、授课计划、项目报告、算法类课程的理论成绩与实践成绩。通过跟踪他们毕业设计的完成情况，分析曾在算法类课程上得到较好计算思维能力培养的学生的毕业设计情况，检验提出的方法。由于本研究的对象还没有进入毕业设计环节，故只进行算法类课程的理论成绩与基于实际数据分析任务的实验项目完成情况的分析。通过两门课程期末考试成绩可以看出，认真完成实验项目的学生理论考试成绩普遍高于不认真的学生，这充分说明基于实际数据分析任务的实验项目能有效改进目前算法类教学课程中存在的问题。

此外，还准备通过学院学生管理部门跟踪2013级软件工程专业学生的就业情况和用人单位的反馈意见，了解学生的专业能力，及时修改计算思维能力的培养方法，为探索应用型本科软件工程试点专业建设提供有力支撑。

3.4充分利用移动平台

为了让学生充分体验到算法类课程学习的成就感，在算法类教学过程中，要求学生以3～5人一组，形成一个团队，开发算法类课程教学App。该App的功能模块主要有算法类课程的教学资源、10种经典的数据挖掘算法讲解教案、基于数据分析任务的实验项目、学生作品展示区和交流区。课程结束后，学生对每一个团队开发的App进行互评，最终选用得分最高的课程教学App为下届的学生使用。由于有了这样的平台，教师和学生的沟通变得更加方便与及时，学生对算法类课程的学习不再受时空的限制。在移动终端普及的情况下，这种教学模式一方面能让学生充分利用课余时间，另一方面能营造一种学生之间良性竞争的学习氛围。尽管教学App的开发是学生计算思维能力培养的副产品，但也正是这种副产品给学生带来的成就感让学生在学习的过程中充满了正情绪，让计算思维能力的培养成为一个潜移默化的过程。

篇4

关键词: 数据库 关系候选码 数据依赖 完全函数依赖

从E.E.Codd提出关系规范化理论至今,关于这一理论的研究已经取得了很多成果。对于关系的候选码,在规范化理论中有严格的定义,但是针对具体的关系,尤其当没有给出关于关系的具体的语义信息时,只是已知关系的属性组及属性组上的数据依赖的情况下,该如何分析出关系的候选码,目前已经有一些研究,[1]-[2]但这些方法都较为复杂,不利于学生的掌握。本文提出一种基于图的分析方法,可以快速得到关系的候选码。

1.基于图的关系候选码分析方法介绍

分析关系的候选码的方法,主要依据的是候选码的定义[3],即设K为关系R〈U,F〉中的属性或属性组合,若KU,则K为R的候选码。其中,R为关系名,U为关系R的一组属性,F为属性组U上的一组数据依赖,KU表示U对K完全函数依赖。所谓数据依赖就是通过一个关系中属性间值的相等与否体现出来的数据间的相互关系。

现在已经提出的数据依赖的类型[4]-[5]主要有:

•函数依赖(Functional Dependency,简称FD);

•多值依赖(Multivalued Dependency,简称MVD);

•联接依赖(Join Dependency,简称JD)。

本文主要讨论的是函数依赖。函数依赖的定义[3]是:设R(U)是属性集U上的关系模式,X、Y是U的子集,若对于R(U)的任意一个可能的关系r,r中不可能存在两个元组在X上的属性值相等,而在Y上的属性值不等,则称X函数确定Y或Y函数依赖于X,记作XY。完全函数依赖是指在R(U)中,如果XY,并且对于X的任何一个真子集X′,都有X′Y,则称Y对X完全函数依赖,记作:XY。

分析具体关系的候选码时,主要解决三个问题:

首先,确定已知关系R〈U,F〉中哪些属性或属性组作为候选码的判断对象,设判断对象为K;

其次,对所有的判断对象K逐一判断是否满足KU;

最后,对已经满足KU的判断对象K再判断是否满足KU。

1.1确定候选码的判断对象K

确定已知关系R〈U,F〉中哪些属性或属性组作为候选码的判断对象(设判断对象为K)主要根据候选码的定义。由候选码的定义可知K可以是关系R中的属性,也可以是关系R中的属性组。这似乎就使选取候选码的判断对象的问题变成了一个组合问题,即若U中的属性个数为n,候选码的判断对象的个数就有可能是C(n,1)+C(n,2)+…+C(n,n)。在C(n,1)+C(n,2)+…+C(n,n)种可能中,是否有必要对每一种可能判断其满足KU?回答是否定的。因为对于没有出现在F中的属性或属性组,我们没有判断其是否满足KU的依据,所以也就没有判断的必要。据此,将候选码的判断对象的范围缩小为在F中出现的属性或属性组。

对于F中的任何一个数据依赖XY,称X为函数依赖中的决定因素,Y为函数依赖中的被决定因素。故在F中出现的属性或属性组有两种情况:决定因素和被决定因素,所以将候选码的判断对象确定为F中的决定因素和被决定因素。

1.2判断是否满足KU

对所有的判断对象K逐一判断是否满足KU。采用图示的方法,表示这一判断过程。对于F中的任何一个数据依赖XY,“”用有向边表示,并以决定因素X为起点指向被决定因素Y;每一个判断对象对应一个U(关系R的所有属性),并且在U中用圆圈将判断对象圈起,表示该判断对象已知;然后对每一个判断对象在F中找出与之有关的数据依赖,并用有向边在U中一一标出。当某一个判断对象所对应的U中,除了判断对象被圆圈圈起外,其余属性都被有向边所指时,就满足KU。否则,就不满足KU。

1.3判断是否满足KU

对已经满足KU的判断对象K,再判断是否满足KU。如果K为关系R中的属性,K的任何一个真子集K1是Ф,就有K1U,即满足KU。即如果K为关系R中的属性,K的任何一个非空真子集K′都是不存在,所以无需再判断K′是否满足K′U,该K就是关系R的候选码。如果K为关系R中的属性组,对于K的任何一个非空真子集K′,都要采用图示方法讨论它是否满足K′U。只要有一个非空真子集K′满足K′U,那么就不满足U对K完全函数依赖,即该K不是关系R的候选码。

2.基于图的关系候选码分析方法举例

本节通过一个多码的例子说明基于图的关系候选码的分析过程。假设已知关系R的定义如下:R,要求分析关系R的候选码。

第一步:确定候选码的判断对象K

F中的决定因素:AB,C,BC,ACD

被决定因素:A,B,C,D

第二步:判断是否满足KU

所以,满足KU的判断对象K有AB,BC,ACD。

第三步:判断是否满足KU

AB的非空真子集K′是A,B。在第二步已经判断过K′U,所以ABU。

BC的非空真子集K′是B,C。在第二步已经判断过K′U,所以BCU。

ACD的非空真子集K′是A,C,D,AC,CD,AD。A,C,D在第二步已经判断过K′U,所以现在只需判断AC,CD,AD。

所以ACDU,CDU。

关系R的候选码是AB,BC,CD。

关系候选码的定义是抽象、简洁的。但是对于关系数据理论的初学者,分析关系的候选码却常常遇到困难,尤其是对比较复杂的关系更是无从下手。运用该方法可以将抽象、简洁的定义,转换为形象、简单的分析过程,从而成为认识关系和学习关系数据理论的工具和帮助。

参考文献:

[1]严云洋,杨民.关系数据库模式中候选码的求解算法[J].现代计算机,1999,(06).

[2]姜翠霞.关于确定关系模式的候选码的研究[J].齐齐哈尔大学学报,2003,(04).

[3]萨师煊,王珊.数据库系统概论[M](第三版).北京:高等教育出版社,2000.

[4]施伯乐,丁宝康.数据库技术[M].北京:科学出版社,2002.

篇5

关键词：数据库应用技术；教学现状；应对策略

目前，在各类高等院校中，“数据库应用技术”课程已成为非计算机专业学生的一门必修课或选修课，开设该课程的主要目的是使学生掌握关系数据库的基本概念，掌握数据库管理系统Access的主要功能及其应用系统开发的基础知识，培养学生开发信息管理系统的初步能力。但根据北京理工大学珠海学院（以下简称“我校”）的调查结果显示，部分学生不能利用该课程的知识解决自己专业中的相关问题。例如，会计学专业的学生不会用Access在报表中实现计算和汇总，不会对一个具体的数据库应用系统进行分析与设计。本文通过对“数据库应用技术”课程的教学现状进行分析，指出其中的不足之处，并提出切实可行的应对策略。

一、教学现状分析

“数据库应用技术”课程中的基本概念和专业术语较多，同时要求学生理解和掌握数据库设计及实现所必需的知识和技能。学生在学习过程中普遍感觉该课程难以掌握。综合分析，主要有以下几个方面的原因。

1.教学内容

近年来，随着计算机技术的迅速发展，计算机相关的课程内容也在不断更新。要掌握这些新知识，必须花费一定的时间和精力，加上多数高校教师身兼几门课程及一些其他研究课题，因此，教师的计算机相关课程知识的更新速度缓慢，从而在一定程度上对教学产生了负面影响，比如课堂教学内容陈旧。

此外，在同一所高校中，所有非计算机专业的“数据库应用技术”课程教学大纲基本雷同。在统一化的教学大纲指导下，在教学内容、学时等因素的限制下，教师不能积极发挥教学主动性和创造性，不能较好地将该课程引入到相关专业中来，从而导致学生不能从中体会到该课程和自己所学专业的关系。

2.教学模式

多数非计算机专业开设“数据库应用技术”课程的目的是培养学生利用数据库管理系统解决本专业中一些实际问题的能力，其根本目的是应用。但目前该课程一般采用教师课堂上讲概念、讲案例，学生上机验证该案例的教学模式。这种以教师为中心、把上机作为验证手段的教学模式，不能让学生全面地认识和应用所学知识。

另外，随着高校教学改革的推进，多数课程的教学学时都在减少，按传统的系统性、渐进式教学方法已经无法完成相应的教学任务。上述教学模式的最终结果是学生对该课程的学习目标不明确，不知道学完后能用它来解决什么问题。虽然最终考试成绩优秀，但动手能力较差，不会用该课程的知识来解决本专业的实际问题。

3.考核方式

考核方式是教学的指挥棒，是对教学成果的检验，也是促进学生认真学习的一种手段。目前很多高校对该课程的考核方式以笔试为主，试题类型主要有选择题、判断题、程序题，基本概念是考核的重点。这样的考核方式不能适应现代计算机教育的需求。

一方面，这种考核方式考核的主要内容是学生的记忆力，临近考试时，学生死记硬背书上的内容，忽视上机操作，从而使得这门原本实践性强、创造性强的课程变得枯燥乏味。考试过后，学生又容易忘记所学的内容，这是“应试教育”的必然结果。另一方面，这种考核方式不利于考核学生的真实水平，难以激发学生的学习积极性。在现实中，一些学生不擅长死记硬背，却能够利用该课程的知识解决一些实际的问题。但在笔试情况下，这样的实践能力并不能得到充分的体现，从而打击了学生实践的积极性。

二、应对策略

1.更新教学内容

我校组织该课程的教学团队，以先进的教学理论和学习理论为基础，依托广州大学开发的“纸质教材—学习辅助光盘—在线学习资源—技能实训”的立体化教材资源，进行试验研究，重点深入探索基于“四位一体”资源下的学习效果与效率的研究，并结合我校教学实际，充实、完善和建设特色鲜明的本课程的教学案例与资源。

立体化教材资源各构成部分各司其职，在课程教学各环节中扮演着不同的角色。

（1）纸质教材：以Microsoft Access 2007作为数据库管理系统开发的工具，采用启发式案例教学方法，结合国家等级考试大纲编写。以学生熟悉的任务等方式引出各章节的知识点，让学生通过具体任务掌握课程的应用技术和相关知识。

（2）学习辅助光盘：它是纸质教材的拓展，将各章节中任务解决过程的重点与难点操作，制作成光盘，并配以原始操作文件，让学生直观地了解整个任务解决的过程，最终实现纸质教材中任务解决的目标。

（3）在线学习资源：为了满足学生不同的学习习惯以及不同的学习水平，鼓励学生自主学习和拓展学习，依托网络教学平台的在线学习资源，为学生提供一个理想的数字化网络学习环境。

（4）技能实训：目的在于加强以应用能力培养为核心的实践教学。精选实验实践内容、制定相应的技能练习题库。实验与测试相结合，以任务形式引导学生进行技能训练，指导学生通过训练，提高数据库操作与应用能力。

教学内容的确定遵循“适度的基础知识+实际操作能力”的原则。以下是我校会计学专业“数据库应用技术”课程的教学内容表。

2.改进教学模式

篇6

关键词：互联网联网 数据分析师 人才培养

互联网行业在快速发展，“互联网+”概念的提出标志着互联网已叩响“万物互联时代”的大门。在这个时代，大数据渗透于各行各业，掌握数据核心价值成为企业脱颖而出并取得胜利的法宝。越来越多的企业承认竞争优势与大数据有关，由此，数据分析师这一职业逐渐得到认可并受到追捧。世界500强企业中，有90%以上都建立了数据分析部门。在国内，已有超过56%的企业在筹备和发展大数据研究，据有关部门预测未来5年，94%的公司都将需要数据分析专业人才。数据分析师的职位需求随之不断增长，全国数据分析师的职位由2014年初的200多个职位增长到接近3000个职位。正如著名出版公司O’Reilly的创始人Tim O’Reilly断言，大数据就是下一个Intel Inside，未来属于那些能把数据转换为产品的公司和人群。

优秀的数据分析师已经成为促进各行各业发展，推动国家经济进步的重要人物。但我国针对数据分析的研究起步晚，市场巨大，职位空缺现象十分严重。因此，培养数据分析人才的项目活动应引起高度重视。

1互联网环境下的数据分析师

1.1数据分析师的定义

谈起数据分析师，很多人都认为其职位高高在上，不可企及，但实际并非如此。让我们从案例出发来探索其内在含义，数据分析最经典的案例便是“啤酒与尿布”，沃尔玛超市将Aprior算法引入Pos机数据分析发现美国年轻的父亲去超市为婴儿购买尿布的同时，往往会顺便为自己购买啤酒，这样便使尿布和啤酒这两样看似不相干的商品有了某种联系。于是，沃尔玛尝试将两种商品摆放在同一区域，进而取得了意想不到的良好销售收入。可见，数据分析是运用适当的方法对收集来的大量数据进行分析整理，筛选有价值的信息并形成相应的解决方案以帮助人们作出判断，采取适当行动的过程。

1.2数据分析师的层级分类

经对多家招聘网站数据分析师的招聘信息进行分析研究，发现目前数据分析师大体分为三个层级：传统行业的数据分析师、互联网初级数据分析师、互联网高级数据分析师。传统行业的数据分析师的主要工作是整理、处理数据，专业技能只要具备一定的数学和统计学知识储备即可；第二层级是互联网初级数据分析师，职位要求在传统数据分析师的基础上掌握少数的计算机工具譬如SPSS、SQL等，从职人员需具备一定的数据敏感度和逻辑思维能力，能够对数据源进行分析并能制作数据报表；互联网高级数据分析师是一类复合型人才，要熟悉业务环境并能与技术相结合解决企业实际问题，并掌握数据挖掘常用算法和一系列相关的分析软件，他们的工作与企业发展密切相连，拥有一名优秀的数据分析师的企业将拥有与同行业竞争的资本。

1.3数据分析师的能力需求

数据分析师的工作分为采集、存储、筛选、数据挖掘、建模分析、优化、展现、应用等一系列过程。接下来从主要步骤详细分析数据分析师的能力需求。数据挖掘过程即从海量数据中提取潜在的有价值的信息，要求数据分析师掌握一系列相关分析方法譬如聚类分析、关联分析、等并能熟练运用数据挖掘算法和相关工具；建模分析即对数据抽象组织，确定数据及相关性的过程，在此基础上要掌握譬如决策树、神经网络、K-means算法、SVM等至少一种相关算法；展现过程要求具备数据整理、数据可视化、报表制作能力，熟练应用D3、Vega实现数据可视化，并能运用R和DateWangler工具将原始数据转化为实用的格式。

2数据分析师的培养现状

2.1国外数据分析师的培养现状

在国外，无论是学术研究还是企业部门，数据分析已发展到较为成熟的地步。斯坦福大学的研究成员着手开发MEGA（现代动态网络图像分析Modern Graph Analysis for Dynamic Networks）并与多家媒体公司紧密合作，研究社交媒体中的用户行为，建立模型并探究其中的规律；哥伦比亚大学已开设了《数据科学导论》和《应用数据科学》课程，从2013年秋季起开设“数据科学专业成就认证”培训项目，并于2014年设立专业硕士学位和博士学位；华盛顿大学开设《数据科学导论》课程，并对修满数据科学相关课程学分的学生颁发数据科学证书。数据分析师在国外已引起了充分的重视，他们均衡分布在各行各业，运用掌握的专业知识并结合相关思维为自身、企业乃至社会的发展做着不小的贡献。

2.2国内数据分析师的培养现状

近年来，在国内，大数据的概念虽被媒体和行业广泛提及，但数据分析算是刚刚起步，数据分析师的培养课程未得到普及，我国目前将数据分析纳入教学体系的高校寥寥无几，开设相关课程并取得一定成果的有：香港中文大学设立“数据科学商业统计科学”硕士学位；复旦大学开设数据科学讨论班，于2010年开始招收数据科学博士研究生；北京航空航天大学设立大数据工程硕士学位；中国人民大学统计学院开设数据分析方向应用统计硕士。

和国外相比，我国数据分析师的人才培养机制还未成熟，高校教育仍存在各种各样的问题，譬如，大学生虽然从多门课程中接触到与数据分析相关内容，但各门课程的教学资源未能实现有效的整合。互联网环境下，大数据带来的是一场革命性的变化，若想把握机遇，实现国家经济革命性发展，首要任务就是数据分析师的培养。

3如何成为优秀的数据分析师

数据分析师作为新时代新兴起的高薪职业，对人员的能力要求是相当高的，下面将根据数据分析师的定义、能力需求并结合互联网环境的时代背景，对数据分析师的成才途径作出详细的分析。

思维变革，数据分析师成才的前提。首先要在思维方面有所改变，培养自身数据思维、多模式思维、逻辑思维和结构化思维。数据思维即量化思维，对数据具有独特的敏感度，相信一切事物皆可量化；多模式思维即构造多种想法和解决思路，拓宽思维，从多角度出发，以寻求最优的解决问题的方案；逻辑思维，在错综复杂的海量数据中要有缜密的思维和清晰的逻辑推理能力才能按照自己既定的目标有效解决问题；结构化思维即系统性思考问题，深入分析内在原因，能够制定系统可行的解决方案。

技能变革，数据分析师成才的工具。作为一名优秀的数据分析师若想在互联网环境下对海量数据进行有效的管理，就要努力学习相关的专业技能。要掌握多种机器学习方法，不断学习相关软件应用，譬如，Java、Python、SQL、Hadoop、R等等，这将成为数据分析全过程的辅助工具；除此，还要掌握一定的心理学知识，能够很好的分析和解释客户行为；在此基础上，最核心的是要掌握一定的业务能力和管理能力。

素质变革，数据分析师成才的保证。在个人素质方面，互联网时代对数据分析师的要求增多，若想成为优秀的数据分析师就应不断学习完善以下素质能力：对工作的态度严谨认真，对数据的变化时刻保持敏锐的洞察力，对方法的运用保持一定的创新性，对团队保持团结合作之心，能与顾客沟通交流并及时了解他们的需求。

实践，数据分析师成才的推动力。数据分析师的职责是帮助企业挖掘市场价值、发现机遇、准确进行市场定位并从海量数据中找出问题，提出解决方案。因此，在数据分析师的成才道路上，实践是必不可少的。相关人员要在掌握理论的基础上，敢于应用于实践，充分考虑数据中存在的价值和风险。使自我能力在实践中不断改进和完善。

4给我国高校的建议

高校为数据分析师的成长提供指导和途径，肩负着为我国社会培养有用人才的重任，因此高校要努力构建数据分析师的人才培养机制，不断输出数据分析相关人才。

高校的首要任务是，强化师资力量，改进教学方法。各大高校应联合共建优秀师资团队，鼓励教师考取数据分析师资格证，并到实际企业中进行历练。再者，我们要组建专门师资团队到国外开展学习工作，取其精髓，去其槽粕，不断优化我国数据分析师的培养体系。

第二、培养专业化的人才就要有效整合各门课程的教学资源，构建系统性教学结构。鉴于市场对数据分析师的需求的火热程度，高校完全可以开设专门课程，将与数据相关的课程进行有机的整合并开设数据分析导论、基础等课程，制定数据分析系统性课程体系，专门为市场培养数据分析的专业人才。

第三、在具备优秀的师资力量和良好的教学体系的基础上，高校也高度应注重学生兴趣的培养。数据分析师是新时代的复合型人才，一名优秀的数据分析师需掌握包括数学、统计学、运筹学、社会学、管理学以及大量软件应用在内的大量相关知识，学习过程会十分繁琐、复杂，学习周期长，学习难度大，所以建议各大高校在制定教学体系时应合理安排课程，在教学过程中应注重课程的趣味性，寓教于乐，采用案例导入、项目教学等教学方法，逐渐培养学生对数据分析浓厚的兴趣。

第四、随时更新教学数据，培养适应时展的人才。基于大数据的4V特征即大量化（Volume）、多样化（Variety）、快速化（Velocity）、价值化（Value），在培养数据分析人才的期间，高校一方面要注重数据的全面性，另一方面要注重数据的更新，及时更改教学方法和教学案例，与时俱进。高校要充分利用互联网的优势，引入MOOC（Massive Open Online Course，大规模网络开放课程）教学方式，充分发挥大数据在教育领域的作用，克服传统教学方法资源少、反馈慢、综合分析困难等缺点，将数据分析的研究成果应用于数据分析人才的培养，实现数据分析行业的良性循环。

第五、注重理论与实践相结合，努力为学生搭建实践的平台。高校可考虑校企合作的教学理念，边教学边实践，让学生将所学到的理论知识转化为实际应用，一方面在实践中巩固并检验自己的理论知识，另一方面数据来源真正的企业运营中，让学生切实体验数据的作用和风险，有助于塑造真正对企业有用的人才。

5结语

综上所述，互联网带来了全球范围的数据信息大爆炸，这对企业来说是机遇同时也是挑战，能将大数据为自己所用，是企业取胜的关键，因此数据分析师逐渐被各行各业认可。文章从数据分析师的定义出发，结合目前的时代背景，对数据分析师的每一工作步骤所需的能力进行研究，旨在初步探索优秀数据分析师的成才之道，为即将成为数据分析师的学者提供一定的理论参考。最后，针对如何构建数据分析人才培养体系，对我国高校提出了几点建议。高校的培养只是为数据分析师提供成才的途径，如何成为资深的数据分析师还有赖于每个学者的不断探索和研究。

参考文献：

[1]张明元.数据分析师的职业是否高不可及[J].出国与就业，2007（08）：56.

[2]郑葵，马涛.经管类专业大学生数据分析能力提升策略探讨[J].商业经济，2013（19）：52-53.

[3]冯海超.大数据时代正式到来[J].互联网周刊，2012（24）：36-38.

[4]谭立云，李强丽，李慧.大数据时代数据分析人才培养的思考及对策[J].科技论坛，2015.

[5]尹颖尧，李鸿琳.赶紧培养数据分析师[J].大学生，2013（18）：78-79.

[6]程征.提升数字阅读质感的数据分析师[J].中国记者，2013（6）：46-47.

[7]张文霖.数据分析师那些事[J].统计论坛，2013（7）：44-45.

篇7

关键词：实验室建设；计算机专业；大数据分析

“十二五”期间，我国信息产业迅速扩大、信息技术快速发展、互联网经济日益繁荣，并积累了丰富的数据资源，比如面向公众的政府网站达8．4万个、智慧城市试点近300个、网民数量超过7亿、移动电话用户突破13亿等［1］；技术创新取得了明显突破，应用势头良好，电信、金融、交通等行业利用已积累的数据资源，积极探索行业大数据的应用和行业服务优化；为“十三五”时期我国大数据产业快速发展奠定了坚实基础。目前，大数据在电子商务、金融、物流、电信、医疗、教育、智慧城市等领域的应用蓬勃兴起［2－4］，产业发展如火如荼，以Hadoop、Spark等开源技术为代表的技术发展日新月异［5］。由于大数据技术属于近几年的新兴技术，目前部分高校缺乏高层次的大数据技术专业人才培养的课程体系和师资队伍；同时，大数据不仅是停留在课堂教学层面上的技术知识，更是需要在实践中学习的一项技能，因此为师生提供一个大数据实践教学平台势在必行。

1大数据分析实验室建设的必要性分析

1．1大数据社会产业需求分析

“十三五”时期是我国全面建成小康社会的决胜阶段，是新旧动能转换的关键时期，也是全球新一代信息产业处于加速变革期，以及国内市场需求处于持续增长期。我国大数据产业面临重要的发展机遇，抓住这一机遇，推动大数据产业发展，对提升政府治理能力、优化民生公共服务、促进经济转型和创新发展有重大意义［1］。随着新一代信息技术的迅猛发展，互联网与社会各领域、各行业交融、交汇日益深化，一个以大规模产生、分享和应用数据为特征的大数据时代已经到来。2014年是进入大数据应用市场的快速增长期，同比增长80％以上，2015年后进入平稳增长阶段，预计2018年全球大数据市场规模将达到超过2500亿元，2015—2018年的增长率为21．8％，我国大数据市场规模将超过500亿元，增长率为47．0％，是全球增长率的2．2倍［6］。

1．2学生大数据就业需求分析

目前，大数据在各个行业都得到了充分的重视，也急需大数据方面的人才。大数据人才是一个非常宽泛的概念，根据具体从事岗位不同，技能要求也会不同。从大数据岗位和技能需求的角度来划分，大数据人才分为3类［7］：第一类是数据分析师，要求熟悉大数据的概念和原理，具有一定的数理和统计学知识，能够熟练操作和使用数据软件和工具，是从事大数据的初级人员；第二类是数据工程师，能够开发和搭建数据平台和应用，并且熟悉数据挖掘的流程和原理，为大数据技术应用在各个领域提供解决方案，要求具有软件开发和数据分析的能力；第三类是数据科学家，要求熟悉各种大数据技术的原理和相对的优劣势，合理利用各种技术来设计大数据平台的架构，根据数据挖掘的使用需求和商业理解来设计和开发算法，是对数学、统计学、机器学习等多方面知识的综合掌控的复合型人才，也是大数据分析的高级人才。大数据人才在“领英”（linkedin）和“玻璃门”（glassdoor）等人力资源和招聘网站上，长期处于供不应求的状态。麦肯锡咨询研究指出，到2018年仅在美国，大数据人才短缺就达到50％～60％。今日美国和彭博社等媒体一致认为，大数据人才短缺的问题短期内只会加剧而不会缓解［7］。如何从纷繁复杂的海量数据中提取有用的信息，变数据为财富，挖掘数据中的金矿，提升企业竞争力以及提高企业风险管理水平，是当前企业和院校教育工作的重要课题。

1．3学生理论学习与实践相结合

院校开设大数据相关课程，涉及到的课程内容有数据分析、数据挖掘、编程语言、机器学习等，这些课程均需要学生具备很强的实践动手能力，如果只是停留在理论知识上，学生也只能纸上谈兵。因此，学校在开设大数据课程时，只有为学生提供配套的实践课程，才能真正达到学以致用的目的［8－9］。建设大数据分析实验室，从学生学习角度来讲，迫切性和必要性主要在于以下几点：第一，加强学生对知识的吸收与应用，萌发学生的创新精神，激发学生的学习动力，在实践中，通过有趣并结合实际的案例，提高学生的兴趣和分析问题的能力；第二，有利于提高学生解决问题的实践能力，通过实验室模拟环境，使学生能够将理论知识用于解决实际问题；第三，增强学生的社会适应性与竞争力，通过实际案例及应用场境，使学生毕业后能够很快融入行业环境，掌握和具备相应的技能。

2大数据分析实验室建设目标与建设内容

大数据分析实验室的建设，应最终为该专业人才培养方案中相应的课程服务，而人才培养方案的制订，应该从社会需求和学生实际需要着手［10］，考虑学生学习基础，不能盲目追求高大上。我校为应用型本科院校，注重培养学生的实践动手能力，因此培养方案中课程的制定，也更注重实践部分。对于大数据技术方面，我们侧重于大数据的分析和挖掘，以及大数据技术和应用。课程方面，先从大数据分析和挖掘、大数据技术及应用等相关内容入手，使学生具备数据分析、数据挖掘的基本能力和大数据技术的基本原理，以及应用系统开发的能力。因而大数据实验室的建设，也将从数据分析挖掘算法、Hadoop生态系统及开发2方面进行建设。大数据分析实验室集硬件服务器、云计算技术、大数据技术于一身，便于计算机相关专业开设大数据教学课程。实验室的建设内容将包含以下3方面内容：（1）实验室硬件平台建设：为保证实验环境的整体搭建，需在现有实验室基础设备基础上，配备必要的服务器环境、网络环境，为搭建大数据分析实验教学平台，提供硬件支撑环境。（2）实验教学平台建设：充分利用现有硬件资源，通过Vmware等虚拟化技术构建云中心的资源池，将云存储资源、服务器资源和网络资源整合，在云平台上搭建统一的大数据分析与挖掘和大数据技术及应用的实验课程所需的实验平台。（3）课程资源建设：根据培养方案，开设大数据分析与挖掘、大数据技术及应用2门专业必修课程。为确保理论与实践的紧密结合，培养学生知识应用能力，积累工程项目经验，需要增设以上理论课程的配套实验课。

3大数据分析实验室实施方案

3．1大数据分析实验室建设思路

大数据实验室的建设是一个系统工程，主要服务于学生学习、教师教学；为了充分发挥大数据实验室的功效和作用，可以增加一项增值服务，即在满足学习和教学的基础上，进一步为教师和学生提供科研服务，使得教师可在该平台上进行科学研究和实验，进而反哺教学（见图1）。

3．2大数据分析实验室建设

实验室建设分3步走：（1）为满足教学的迫切需求，首先建设大数据分析教学平台，以及必要的软硬件支撑，如课程资源，可以是真实数据，也可以是模拟数据。在该平台之上建设数据挖掘分析平台和大数据开发教学平台，满足课堂教与学的需求。（2）沙盘模拟系统建设。为了积累更多的行业数据，更好地体现大数据的特性，需要建设沙盘模拟系统，更好地服务于大数据分析和大数据挖掘相关功能的实现和操作。（3）服务科研的高级应用。通过校企合作［11］，引入企业实际工程项目，随着系统的完善和数据的积累，教师和学生可以在该平台上进行其他行业的科学研究和算法优化等工作，一方面服务企业，另一方面也可不断服务创新。

4结语

篇8

 

一、引言

 

从大环境来看，如今，全球数据量均呈现激增趋势，大数据时代全面到来，这不仅意味着社会需要更多信息分析人才，也说明相关院校要加强信息管理专业人才培养。从本国国情出发，我国从工业社会向以信息资源开发、应用和管理为主要特征的信息化社会转变，计算机技术在各行各业普及应用，对经济管理活动中产生的海量数据进行分析，挖掘出有潜在价值的信息，为管理决策提供依据，是信息管理学科研究的新方向。以目前毕业生就业市场需求情况来看，懂经济、懂计算机同时又能掌握数据分析知识的学生在就业时有相当的优势，这恰好与我们哈尔滨金融学院信息管理专业的人才培养目标一致，如何发挥财经类本科院校的办学优势，建成专业特色，是此次本科教学改革的目标。

 

二、人才培养目标

 

对于我们这样有明显“金融特色”的院校，充分发挥在金融领域的办学优势，塑造出自己的金融特色，即：坚持服务于金融行业，跟踪IT发展的前沿，把握财经行业在信息化方面的最新需求，培养学生创新意识和能力，打造金融特色专业：金融信息管理-数据分析方向。培养具有管理学和计算机科学的专业知识，精通金融学、经济学以及数据分析理论与技术，了解数据的商业价值，通晓以清晰直观的形式提供数据分析结果的方法，强调学生掌握现代管理科学思想，掌握现代信息系统的规划、分析、设计、实施和运行维护等方面的方法与技术，同时，更要具有较强的信息系统开发利用以及数据分析处理能力。

 

三、金融特色信息人才培养模式构建

 

(一)面向社会需求

 

2013年3月，IDC数字宇宙报告《大数据，更大的数字身影，最大增长在远东》写到：预计到2020年数字宇宙规模将达到40ZB。在这样的大数据环境下，我国也必然需要更多高素质的信息管理类人才，例如，互联网企业、金融机构、保险、医疗卫生、电子商务、零售企业及政府数据中心等行业对大数据专业人才的需求量都很大。

 

所以，在此情况下，我院有必要在加大人才培养力度的同时，面向社会需求，对信息管理专业数据分析方向人才的培养标准与目标进行重新定位，以确保符合大数据时代提出的新要求，顺应大数据浪潮的发展趋势。例如，未来对具有大数据管理和分析能力的人才需求将快速增长，数据分析师、数据架构师、数据可视化人员、数据监管人员等和大数据相关的职位也将应运而生，因此，我院应当注重培养需要具备深度分析数据能力的专业人才，使其成为能够满足市场需求的高层次复合型人才，为社会发展付出应有之力。

 

(二)教学特色

 

课程教学内容归纳为两个模块：“信息系统开发课程”、“数据分析课程”，其中，“信息系统开发课程”又分为“开发技术类课程”和“面向应用的课程”两个子模块，将程序设计类课程与管理信息系统理论课程相结合，以理论指导实践，通过该课程的学习，使学生了解信息系统开发的基本理论和方法、信息系统的实施、运行与管理方法，熟练掌握信息系统的开发工具，最终通过案例实践，深入理解信息系统的分析与设计过程。

 

“数据分析课程”又分为“数据分析方法课程”和“面向应用的数据分析课程”两个子模块，从而形成较为系统的立体化课程体系，数据挖掘是数据分析的核心课程，运筹学是辅助课程，教学目的是使学生掌握数据分析的基本方法和典型工具，了解数据仓库和数据挖掘的基本原理，初步具备利用数据分析和解决实际问题的能力。

 

(三)制定科学合理的人才培养方案

 

在制定培养方案的过程中，要以市场需求为导向，设计灵活的人才培养方案，既要高度重视理论知识的学习，又要加强实践能力的培养，为学生搭建实践平台，拓宽实践渠道。

 

极力扩大与企业和科研院所的合作，为学生创造更多的研究、实践机会，在课堂教学环节中，设立一些针对某个合作企业的某些具体问题的研究项目，组织学生在该企业的资助下开展研究。这样既丰富了学生的实践经验又提高了他们的综合分析能力和动手能力，同时还能促进合作企业的创新发展。

 

四、课程设置

 

计算机程序设计在数据架构当中起着重要作用，因此，在通识课基础上，从第二学期开始，开设专业基础课：C语言程序设计，专业必修课：面向对象程序设计、数据库、数据结构、Java程序设计、JSP程序设计、Web实战项目(Java方向)等计算机程序设计类课程，以及SPSS、数据挖掘与分析类课程。同时，开设信息管理专业既有体系中的基础课程：信息管理概述、会计学、管理学、统计学、运筹学、信息资源管理、数据库原理及应用、UML与可视化建模、计算机网络技术、银行计算机系统、管理信息系统(含课程设计)、信息系统分析与设计、专业英语等。以及专业选修课：信息检索技术、多媒体技术与应用二选一，电子商务概论、静态网页设计、图形图像处理三选一，IT项目管理、系统工程、ERP原理与应用三选一，企业资源规划、经济法、经济学三选一。

 

五、强化实践性教学

 

财经类学校在专业教学方面应该关注实践性课程的设置，它是培养学生理论联系实际能力的关键，实践教学能够帮助学生更加了解学科特点，实践的过程中学生原本零散的知识点得以组合联通，长久以来，高校办学都在坚持以行业需求为导向，以培养学生能力为目标，实现学术与职业特点的融合，要将“隐性”的课外实践逐渐转变为“显性”的实践课程。在落实学生实践学习的过程中，学校要积极引入从业资格课程、职业群集课程等等，强化专业实践，与当地的金融企业建立合作伙伴关系，引入“3+1”的实践教学模式，全面促进学生能力、素质以及知识等综合能力的提升，使其能够更加满足当今市场对人才的各项要求。同时，学校还可以构建校企联盟模式，协同培养人才，充分发挥校企合作的优势，为学校学生提供良好的实践平台以及展现自我的机会，帮助他们客观的认识自身职业的特点，进而有目的的投入实践学习，提升自身能力。实践教学要侧重学生职业能力的培养，要帮助他们更加适合当今市场的需求，树立“厚基础、精专业、强能力”的人才培养目标。最后，要注重实践评价，建立完善的评价体系，通过这样的方式了解学生的实践情况，便于查缺补漏。开展实践教学，要综合多元化的实践渠道，融合先进的教学方式，最大限度将课程体系内容与工作领域的相关知识紧密联系在一起，必须要使学生的专业能力、职能能力得到提升。从多年的实践经验来看，实践教学人才培养模式有效提升了学生的综合素质以及专业水平，有利于学生未来发展与就业，在目前金融类学科教学中应该加以推广。

 

六、结论

 

信息管理与信息系统专业是一个多学科交叉、应用以计算机为主的技术解决经济管理问题的专业，应用范围广泛，技术性强。随着信息技术的发展以及信息化建设的推进，信息系统在运行中积累的数据量已经超越管理控制能力，社会对具有数据管理和数据分析能力的人才需求也在迅猛增长，信管专业的建设必须从社会需求的角度出发，重新设计课程体系和教学内容，培养符合经济社会发展需要的人才。

 

作者：霍云艳 来源：中国集体经济

篇9

大数据的蓬勃发展为统计学专业人才培养模式的创新提供了有效途径，引领了统计学专业人才培养模式的改革方向，融入了统计学专业人才培养模式的各个环节。本文系统明确了统计学专业人才培养模式的改革方向，探讨如何利用大数据完善人才培养模式的各个环节。

关键词：

大数据;人才培养模式;教学模式

2015年9月5日，我国政府公开《国务院关于印发促进大数据发展行动纲要的通知》，大数据逐步走上我国经济社会发展的大舞台，在社会各个领域中发挥着巨大的促进作用。高等教育作为我国培养高素质人才的主要阵地，避免不了受到大数据的冲击和影响。有效利用大数据是化解冲击并促进高等教育改革的明智之举。高等教育改革的关键是改革人才培养模式，将大数据融入人才培养模式改革的各个环节会达到事半功倍的效果。

一、大数据引领统计学专业人才培养模式的改革方向

1.大数据引领培养目标的改革方向。随着大数据的迅猛发展，大数据分析公司不断涌现，传统的调查公司、数据分析公司纷纷转型，社会急需大量的大数据分析人才。统计学专业按以往培养目标培养的数据分析人才已经不能满足社会需要，因此必须对人才培养目标进行改革，培养目标应从培养专门的统计人才转换为培养精通统计学知识、计算机技术（大数据分析技术），了解相关行业背景的复合型统计人才，保障统计学专业能够为社会经济发展输送高质量的大数据分析人才。2.大数据引领课程设置的改革方向。课程设置是实现培养目标的关键环节，为实现培养大数据分析人才的目标，课程设置应该与培养目标相配套。课程设置的核心课程中应该引入大数据技术相关的计算机软件、语言及算法课程，选修课程中应该增设一些辅助大数据分析的数据挖掘类相关课程及不同行业的相关专业背景课程。3.大数据引领实践教学的改革方向。实践教学环节设计的基本原则是能够有效检验理论教学环节的学习效果，同时锻炼学生的分析问题，解决问题的能力。因此，相应于培养目标和课程设置的改革，实践教学环节的改革应注重学生大数据分析能力的检验和锻炼，积极为学生创造丰富的大数据分析实践机会。例如，在调查分析课程中引导学生改变传统的调查方法，尽量通过数据挖掘揭示某一类现象背后的发展规律，积极开展与大数据分析公司或者相关行业的企业的合作，为学生进行大数据分析实践提供数据及技术支持。4.大数据引领教学方法和手段的改革方向。MOOC、翻转课堂和大量的在线资源的出现为统计学专业教学方法和手段的改革提供了丰富的资源基础，有效构建充分利用各种资源的混合教学模式将成为统计学专业人才培养模式改革的一个重要组成部分。5.大数据引领评价方法的改革方向。传统的评价方法主要注重期末时的总结性评价，忽略过程评价，因此应广泛和合理利用教学各个环节留下的痕迹，即形式各样的数据，创新教育教学评价方法，以此达到对学生、教师及教学效果的科学评价。

二、大数据融入统计学专业人才培养模式的构建

1.大数据融入人才培养目标的制定。人才培养目标的制定一方面要适应经济社会发展的需要，另一方面要从生源质量，办学条件出发，不能盲目追求高目标，因此适当对本校统计学专业历届生源质量和办学软硬件条件等相关数据进行挖掘和分析，有利于制定切实可行的人才培养目标。当然这需要人才培养目标制定者有一定的数据挖掘和分析的能力，需要学校各个相关部门的配合，实际操作起来存在一定困难。2.大数据融入教学方法和手段的选择。教学方法和手段的选择一方面依靠丰富的资源，打破传统的大客厅式的封闭教学模式，另一方面要注重以学生为本和因材施教，这就需要对每个学生的基本素质有客观的把握，仅靠教师的力量很难做到这一点，因此应适当引入相关技术和设备帮助收集课堂教学，课后作业等教学各个环节的实时数据，利用大数据技术全方位综合考量每一位学生的基本素质，为教学方法和手段的选择提供客观的依据，真正意义上做到因材施教。对于一些利用计算机或其他电子设备完成的环节，收集数据的同时，应适当建立针对不同学生的教学策略，以此实现个性化教育。3.大数据融入实践教学环节的设置。统计学专业的实践环节设置应充分考虑利用学习分析和数据挖掘技术分析学生的学习心理，学习行为及学习能力，充分了解学生的前期学习情况，分析教师课堂教学水平和教学能力，充分挖掘教师的特长，以此为基础打造实践教学环节师生的完美匹配，不再拘泥于一个班级或一个专业的学生同时进行相同的实践项目，可以有效提高实践教学的水平和学生的实践能力。4.大数据融入教学评价体系的完善。传统的教学评价体系不能够客观评价人才培养的各个环节的效果，通常是对结果的评价。因此，学校需要利用大数据技术全面分析和挖掘每一个环节的相关数据，包括学生的学习过程，教师的教学过程等，有效利用数据说话，避免对学习效果及教学效果的片面评价，完善统计学专业的教学评价体系。大数据为统计学专业人才培养模式的构建带来了机遇的同时也提出了挑战，我们不能盲目跟风，应认真结合统计学专业学科特点及各方面的条件，合理利用大数据，构建切实可行的人才培养模式。

参考文献：

[1]陈树良.统计学专业创新型人才培养模式的研究[J].辽宁工业大学学报（社会科学版），2012

篇10

“大数据”是2012年以来信息技术领域中最为炙手可热的词汇。社会发展已经进入对大数据处理的抢夺战中。MOOC教育在大数据的影响下，突破了传统教学体系中存在的各类阻碍，不仅变革了传统的教学体系，还催生了全新的教与学文化。现代大学教学体系一方面需要变革传统教学中的种种弊端，例如，教学内容陈旧、教学方式僵化、教学成果评价单一、教学文化缺乏活力；另一方面需要面对科技快速发展提出的挑战。大数据环境下，MOOC不断实现突破和创新，一个处于科技前沿的全新大学教学体系正在其影响下悄然形成。

一、大数据的内涵与特点

目前，对大数据还没有统一的定义。基于大数据的特点，行业内普遍从大数据的规模性、多样性以及高速性、价值性四个方面阐述其内涵。首先，大数据能够帮助对现有事物有感知作用。“面向领域或主题的历史数据与当前数据的融合，是对潜在线索与模式的挖掘、对事件群体与社会发展状态的感知。”[1]其次，大数据能够对未来发展有预测作用。通过数据，整理、提炼出事物发展的未来趋势，为工作提供一定的可靠材料。最后，大数据发挥出服务作用。利用大数据，提高社会服务的效率是其所要实现的目标。

二、MOOC与大数据

MOOC（Massive open online course）即大规模开放式在线课程。“大规模”“开放”“在线”突出表达了MOOC的特点。MOOC的兴起与互联网技术、传统教育模式、高等教育成本有直接的关系。互联网技术将人们带入了前所未有的科技世界中。互联网技术直接改变了人们的生活方式、工作形式。互联网技术为MOOC的兴起提供了最直接的技术支持。20世纪初，美国教育家杜威提出“新三中心”，即“以儿童为中心，以活动为中心，以经验为中心”。他的教育思想是对传统教育模式的有力反击。对于滞后的传统教育模式，MOOC教育同样对出相应的变革；高等教育成本是每一所高校不可回避的问题。“在世界范围内，高等教育成本的大幅攀升使得低成本的教育解决方案在广泛的人群中拥有庞大的需求，美国大学生一年大学学习的平均花费为27，435美元，这意味着一名学生获得学士学位需要花费超过10万美元。”[3]MOOC教育的免费政策正是该项高教难题解决的办法之一。

MOOC与大数据之间关系紧密。首先，MOOC本身依赖于互联网技术，是科学技术的体重体现。其次，MOOC产生大量待分析的数据。在MOOC教育平台上，从参加课程的学生名单到教师授课内容的统计等，产生了庞大的待分析数据。最后，MOOC在教学体系中运用大数据分析技术。良好的数据分析将会大大提高MOOC对实际数据的利用能力。通过对数据的挖掘，MOOC能够获取第一手有价值的教学信息，结合数据反馈的信息，在教学体系构建中利用起来。

大数据背景下，MOOC对于高等教育领域的影响在于，它借助于大数据分析手段在教学内容、教学方式、教学成果评价和教学文化四个方面为学生、教师、学校重新构建了一个全新的教学体系。

三、大数据有助于MOOC重构大学教学体系

“技术向来都是教育的附属品。技术通过促进一个人人平等的知识狂潮而发挥着核心作用，在这个知识狂潮中，学习即是开放的，也是不受班级与课表的限制。”[3]教学内容、教学方式、教学成果评价以及教学文化共同构成了教学体系。大数据分析手段帮助MOOC教育重新塑造大学教学体系。

1.大数据中的MOOC教学内容

MOOC教育在大数据分析手段的影响下，教学内容将有重大的变革。根据我国互联网信息中心统计数据显示，“截至2010年12月，中国青少年网民规模为2.12亿。青少年互联网渗透率较高，60.1%的青少年都是网民，超出全国平均水平25.8个百分点。”[4]现代大学生是真正意义上的“数字土著”。“数字土著”是“美国北卡罗来纳大学著名学习软件设计家Marc Prensky提出了‘数字原住民’（Digital Natives）和‘数字移民’（Digital Immigrants）的概念，用以表征父辈与子辈在数字化技术方面的巨大差异。”[5]

在传统大学教育体系中，教学内容的确定有一定的滞后性、呆板性。教材知识内容更新缓慢，不顾知识发展的规律，重复使用，对于学生来说弊端较多。同时，教学内容缺乏灵活性。呆板的教学内容调动不起来学生的积极性。通过高端的大数据分析技术，MOOC将大量的、丰富的教学内容提供给学习者。“MOOC在当今社会之所以形成强大浪潮，引起人们广泛关注，根本原因在于它为人类的知识创造提供了一个崭新平台。”[6]MOOC优质的课程资源搬到网络上，变革了传统的教学内容。例如，Coursera是免费的大型的公开在线课程项目，该平台上的课程总数已达124门。MOOC平台上，学生可以任意选取自己感兴趣的课程，感受名校教授讲课的魅力，体验不同教授对知识的多样见解。数据显示，“来自世界各地的160000人注册了斯坦福大学Sebastian Thrun与Peter Norvig联合开出的一门《人工智能导论》的免费课程。”[7]在此基础上，MOOC教育提供者能够获取学生选择课程的具体信息。从这些信息中，研究人员将受到学生欢迎的课程罗列出来，供教育研究人员、教师参考。大数据分析成功的将学生感兴趣的教学内容呈现出来，方便教师及时调整课程的上线数量。无形中，大数据分析改变了传统教学内容。全新的教学内容将得到更多学生的喜爱。

2.大数据背景下的MOOC教学方式

教学方式是指教师在要求学生获取知识，提高能力，获取学习方法的过程中所采用的方式。MOOC教育中，数字化的教学方式逐步渗透到高等教育当中。由于MOOC教育中知识的学习通过视频与网络传播，教师的教学方式必须做出相应的转变。MOOC数字化的教学方式是循序渐进的过程，电脑化的教学方式也将被学生、教师逐渐适应。亚利桑那州立大学的执行副教务长菲尔?莱杰尔认为“我想大部分的教师会认为这是一个好的转变。另外，3年后80%的教师都会熟悉数字化的教学方法了。”[8]除去数字化的教学方式，MOOC平台上的课程教师还将多种教学方式结合起来。通过一段时间的检验，一些课程通过数据分析，教师还根据数据反映出的不足改进自己的教学方式。MOOC促进了师生之间围绕知识进行更多的互动。利用大数据分析手段，教师可以将课堂上的时间空出来，利用课堂时间将关键的问题罗列出来，引导学生进行讨论。在此基础上，大数据分析催生了多种教学方式的综合运用。

3.大数据分析中的MOOC教学成果评价

MOOC利用大数据的优势变革了传统教学评价方式。一般来讲，教学成果评价表现在两个方面，一是教师评价改进自身课程，提高课程质量。二是学生学习成果的评价。以往的教学成果评价的弊端在于只有等到考试的时候，教师才第一次了解到学生是否真正掌握了知识。然而，MOOC平台上，通过对大数据的分析与处理，教师可以迅速的改进课程。“由于MOOC课程参与人数极多，机器学习机制能够对大量数据进行分析，从一个人看过多少次视频，到一个题目有多少人答对。”[9]教师通过平台后的数据库，能够分析数以千计的学生学习成功与失败的关键原因，找到课程需要相应作出调整的地方。更值得注意的是，MOOC的实时性。MOOC可以使教师在任意时间内都能够获取到这样的数据加并以分析和利用。教师获取这些数据后，既可以改进课程，又可以给学生更好的建议，帮助他们改变学习方式，提高学习成绩。对于学生来说，MOOC平台上，学生学习成果评价在“具体评价方式与课程认证两个方面对传统模式进行了革新。”[10]大数据为MOOC平台的学生提供更新颖的评价内容。首先，MOOC教育中采取了软件机器评分与同学互评相结合的方式。MOOC对于理工科学生的学习成果多采用软件或机器的评分方式。利用软件或机器的优势在于它们能够更为精确的批复出学生作业或测试中的错误。

4.大数据影响下的MOOC教学文化

从现有教学文化内涵研究来看，不同学科的研究者提出了不同的阐述内容。一般认为，教学文化“基本结构分为三个方面即教学的有效性、学生的参与性以及学习的主动性。”[11]大数据分析方式对教学文化的影响是出乎意料的。首先，大数据分析手段帮助MOOC教育增强了其教学的有效性。以往部分教师在教学内容的选择、设计上没有下功夫，知识更新速度慢。MOOC平台上，教师为学生提供的是高质量的教学内容。MOOC上的课程都是经过精心筛选，出自世界名校教师之手。这些课程教授过程中，教师采取了多样的教学方式，教学语言多样化，适应不同学习需求的学生。频繁的互动，将有助于避免学生注意力分散情况的发生，进一步提升了教学的有效性。MOOC课程不仅能够实现在课堂上师生之间的交流，同时，还有助于在课堂上形成师生、生生之间的沟通与交流。其次，大数据分析手段帮助MOOC教育提升了其学生的参与性。通过MOOC数据统计显示，在以往在线教育过程中“每学期只有5%-10%的学生能做到经常在教室里或课堂上参与深入讨论，其余学生的态度则是相当消极的。”[12]因此，高等教育教学必须将学生的参与性调动起来，这样才能更好的实现教学目标。MOOC教育实现了提升学生学习精力投入的目标。

MOOC教育对高等教育国际化同样做出巨大贡献。现代教育的主要特征在于它的国际性和融合性。突破国界和地域限制，MOOC教育正是践行知识世界融合的目标。在大数据技术的支持下，MOOC不仅将课程提供者的价值观念、思想意识快速的在世界范围内传播，同时，MOOC还使学习者更加直接的面对不同理念、价值、文化潜在的影响。