数据分析设计范文10篇

1深基坑支护的类型分析

（1）钢板桩支护分析。钢板桩支护是一种广泛应用于建筑工程的支护类型，这种支护形式指的是通过热轧型的钢材进行钳口和锁口，从而使钢板桩之间进行紧密的连接，进而组成完整的钢板墙结构。钢板桩支护形式既可以起到很好的挡土作用，还有良好的挡水功能。现阶段应用最多的钢板桩支护结构形式主要有三种：第一种，Z形结构形式；第二种，U形结构形式；第三种，直腹板结构形式。钢板桩支护类型的特点是，具有相对简单的钢板加工工艺，以及来源众多的施工材料。（2）深层搅拌水泥桩。在深基坑支付中，水泥搅拌的作用是对软土地及进行加固和饱和。水泥可以发挥固化剂的作用，通过软土结合，发生一系列的物理反应或者化学反应，从而形成一种具有高强度的水泥加固体，从而有效提升软土地基的承载能力以及变形模量。根据多年的经验，如果水泥掺入8%以上，20%以下，水泥土重度比就可以提高3%--5%。如果水泥土的含水量降低10%，抗渗性能就可以达到10-7cm/ces——10-8cm/ces。也就是说，水泥土可以有效对土质进行改良。另外，水泥土的无侧限抗压强度大多数都大于0.3MPa，要远优于未经处理的软土地基的抗压强度。抗压强度的提升也就代表着抗拉强度的提升[1]。

2深基坑支护设计的改进

（1）引进新技术和新理念。在进行深基坑支护设计的时候，一定要结合建筑工程的特点以及实际情况，切忌生搬硬套，延用陈旧的设计理念。尤其是现阶段，深基坑支护结构的设计还处于发展阶段，缺乏公认的、权威的计算公式，一切都需要设计人员在实际工作中摸索。所以在设计过程中，可以将施工监测反馈动态信息作为基础，以此来进行深基坑的支护设计。（2）加强试验研究。所谓实践出真知。一切正确的理论都是经过大量的实践、大量的研究总结出来的。而我国现阶段的深基坑支护结构，与发达国家有着不小的差距，很多地方都有待提升。但是我国的城市建立力度不断地加大，我国地下建筑与高层建筑越来越多，这就为我国深基坑设计人员开展研究工作提供了一手施工数据。所以，设计人员一定要重视深基坑支护设计的实践性，通过大量的数据分析，不断地总结，最终获得正确的理论和观点，形成一套完整的体系[2]。

3深基坑支护监测数据的分析方法

（1）有限元分析法。有限元分析法属于确定函数法的一种，指的是针对研究对象按照某种规则搭建分析模型，然后再将分析模型划分成若干计算单元，因为每一种材料都有一定的物理力学性质，所以要按照所选材料相对应的物理力学性质，搭建荷载与变形之间的函数关系。然后再根据现有的条件对函数方程进行求解，从而得出变形值。但是，有限元分析法存在一定的缺陷。首先，分析模型划分的单元、所选材料的参数设置、选择的函数关系都是假设的。其次，计算变形值的时候并没有考虑施工现场的环境因素的影响。所以也就容易导致计算结果存在一定的偶然性，可采纳度较低。所以在使用有限元分析法的时候，可以和反演分析法一起使用。（2）小波分析法。小波分析法是在多种分析法的基础之上研究出来的一种分析处理方法，又称为信号分析中的数学显微镜。小波分析法在时域方面以及频域方面的局部化特征较为明显，可以将局部信号中的有效信息进行提取。另外，小波变化还可以针对周期性的变形特征进行探测和分析。例如，通过离散小波变换可以分解实际的监测数据并进行重构，进而分离数据中与噪声相关的信息，找出对自己有用的数据和信息。

1商务平台商品数据分析

商务平台商品数据分析系统集数据获取、数据统计和分析，系统设计有如下考虑：

1)商品ID号：根据上线商品的ID号直接获取商品的评论，并对评论进行等级评定；

2)评论平均分：计算评论平均分，据此可判断商品是否合格；

3)评论分分布：计算评论的合格数及其比例。等级评定时是多个操作人员同时对同一商品数据进行评论操作，评论评分定级是人工进行的，操作人员的主观对商品评论操作有一定影响。因此需要将所有操作人员的评论评分数据进行统计对比分析，以控制整个评定的有效性。

2系统设计

摘要：目的：研究产品包装设计创新趋势。方法：以大数据时代为背景，从同类产品、产品目标客户等方面进行分析，研究大数据时代产品包装设计特征，探讨和传统包装设计的差异。结论：大数据时代产品包装设计思维已发生转变，不再仅仅依靠设计师的个人经验，而更注重大数据的实时收集、整理、分析和应用；大数据分析有助于设计师了解消费者的心理动态，设计出更符合消费者需求的包装产品，这种设计趋势将会成为未来包装设计的发展方向。

关键词：大数据；包装；设计；分析

随着经济迅猛的发展，大量的网络交易平台和手机APP不断涌现，网上销售与网上购物已成为人们生活中的重要一部分。根据艾瑞咨询的2016中国电商报告数据，2016年中国网络购物市场规模近5亿，较2015年增长23.9%，在社会消费品零售总额中占比超14%。消费者的网络购物行为不断的产生并记录了数据，这些数据随着网购的发展呈爆炸式增长态势[1]。在互联网蓬勃发展的中国，生产企业要想搭上数字经济的发展快车，就必须将互联网、大数据与产品生产设计进行深度融合。包装作为产品的“脸面”，企业通过大数据分析对产品包装设计进行优化，其意义不言而喻[2]。

1大数据分析

如今，大部分的电子商务公司（如：京东、淘宝等）都在实时采集数据，获得有价值的信息，并以此驱动具有盈利能力和更智能的商业决策制定[3]。产品制造企业可以通过与电子商务公司合作，从多个数据源中搜集、整理和分析数据，从而对产品的包装进行设计、修改和完善，从而提高产品的销量。1.1大数据的概念与特征。一般学者认为大数据是指无法在有限时间内用传统IT技术和软硬件工具对其进行感知、获取、管理、处理和服务的数据集合[4]。大数据具有四个基本特征：数据规模大（Volume）、数据种类多（Variety）、数据处理速度快（Velocity）、数据价值密度低（Value）[5]。1.2大数据分析与产品包装设计。产品制造企业可以对电商企业提供的大数据进行整理分析，改进产品的包装设计，从而加强企业的业绩（如图1所示）。制造商可根据诸如其他竞争性产品包装成本等变量，通过使用统计分析和分布式处理，运用运筹学算法和实时功能，能够有效的制定基于大数据的产品包装成本价格[6]。另外，可以通过追踪用户的行为轨迹，发现用户的消费习惯与偏好，从而设计出适合特定用户需求的产品包装。

2基于大数据的产品包装设计分析

摘要：文章针对当前定量分析类课程教学存在的问题，提出“追本溯源式学习”理念，在教学过程中将知识点转化为项目，引导学生参与整个数据分析过程，激发学生寻根究底、探究公式推导过程的兴趣。文章以数据分析类课程教学中最为基本的“一元线性回归检验问题”为例，设计了新的“追本溯源式”的教学流程，以期为提高该类课程的教学质量提供借鉴。

关键词：追求应用；追本溯源；溯源式学习；教学设计

1问题的提出

随着软件技术的发展和各类教学软件更新换代速度的加快，目前高校的定量分析类课程教学中，越来越多地倾向于使用各种教学软件来辅助。然而，由于课时不足、学生数学基础差等客观原因，很多课程在使用教学软件时，追求软件教学的速成效果，不再关注软件操作结果中变量的原始来源，不再进行必要的公式推导，逐渐形成“重软件操作轻公式推导”、推崇“无数学基础也能进行数据分析”的教学和学习方式。但教学实践中发现，这种“知其然不知其所以然”的教学思路存在诸多问题。学生确实在短时间内学会了在分析问题时使用软件，但对学生学习效果的调查发现，很多学生不明白定量分析类课程数据分析中各变量之间的关系，不了解分析方法基于何种逻辑，不懂得各种分析方法之间对于某个问题的分析是相辅相成的还是承前启后的。这样的教学理念存在一个偏离最终培养目标的、亟需关注的误区，即注重速度和短期效果，却忽略了知识的延续性。这样的教学模式，短期看是有效的，但长期会发现存在很大隐患。基础不稳将导致各门课程之间相互割裂，前序课程无法对后续课程产生必然的、持续性的正向影响。学生在学习后续课程时极易出现无法关联已有知识、无法构建完备知识体系的情况，也就无法提升其自主学习能力。目前，不少这类课程的教学过程，正从最初的“无实践操作的纯理论教学”这一极端逐渐走向“重操作轻理论”“重实用轻基础”的另一个极端。到底是放弃公式推导来追求软件的快速掌握，还是追本溯源、分析变量的原始含义从而深入了解分析内容，是教学实践中必须要解决的问题。为了更好地达成“学会学习”这一教育的本质目标，这种无法形成持续性、长久性学习效果的教学思路亟需得到纠正。本文倾向于选择在教学过程中夯实基础，对各个变量“追本溯源、回归本质”，并将这种教学和学习方式定义为“溯源式学习（source-basedlearning）”。基于这种教学理念，本文以定量分析类课程中一元线性回归教学过程为例，试图重新优化设计教学流程，将部分教学内容延伸至课外的自主学习中，以便在有限的课时内合理兼顾“实用与理论”“软件操作与基础知识”，激发学生的学习兴趣，教授科学的学习思路和方法，以期达成持续性知识传递的教学目标。

2教学设计思路

本文选择“一元线性回归中的检验问题”这一内容来进行教学设计，原因有两个。一是自从弗朗西斯·高尔顿于1875年根据豌豆尺寸的遗传规律提出“回归效应”以来，回归分析方法被广泛应用于对社会、经济、管理、医学、体育、教育等各种相关问题的定量研究过程[1]。在这些研究中，一元线性回归分析又是所有回归分析的基础，因子分析、方差分析、logit回归分析、聚类分析、神经网络、蒙特卡洛模拟等诸多方法，都是以此为基石的。二是对这一问题的研究涉及各种检验之间的隐藏关系，新的课程流程设计旨在引导学生对这些检验之间的关系进行深入分析，自主发现问题，寻求答案。首先，课前教师要针对该问题及其所需的基本知识和软件储备进行说明；其次，要求学生进行分组，通过小组“自主—合作学习”方式查找所需的、符合本问题研究的案例数据；然后，在课堂上由教师讲解不同软件（EViews、SPSS等）的使用，让学生利用各自查找到的数据来进行软件操作实践，引导学生查看软件操作结果，发现问题中隐藏的关系；最后，引导学生“追本溯源”，分析隐藏关系的原因，并通过公式推导来加深对知识点的记忆。这种教学设计的创新在于，对每一个知识点都采用项目式学习法，使学生的学习从课内延伸至课外，从而了解完整的数据分析流程，而不只是学会如何操作软件[2-7]。具体的课程设计思路如图1所示。

摘要：当前我国已经通过互联网技术进行智慧仓储运行支撑平台的设计和构建，以提升仓储系统的管理效率和效果。基于对智慧仓储运营支撑平台的深入了解，结合对大数据分析技术核心技术要点的剖析，文章提出了基于大数据分析的智慧仓储运行支撑平台的设计，为从业人员提供合理指导。

关键词：大数据分析技术；智慧仓储运营支撑平台；平台设计

在运营支撑平台设计中，应用大数据分析技术能够提升平台的运行效率和科学性，提升仓储系统的管理水平，另外大数据分析技术有强大的运算能力，可以对供应链中的数据进行有效整合和分析，让供应链系统能够更好运行。

1智慧仓储运行支撑平台构成和设计

1.1平台感知层

感知层是智慧仓储运行支撑平台的核心部分，感知层通常用于信息采集，在当前的仓储平台发展中，会在仓储物品包装上设置二维码、条形码等身份识别工具，这就要求感知层建设中，需要设置摄像头、二维码识别器、条形码识别器等硬件设施，通过扫描的方式进行“感知”。另外在仓储平台运行中，为了保证仓储系统的安全，还需要建设相应的安防系统，所以感知层中摄像头的应用不但要对库内环境进行监控，还要通过摄像头对库区外部环境进行调查，从而保证智慧仓储运行支撑平台的稳定安全运行。

摘要：由于传统的网络教育数据分析平台在计算机中内存所占比重过大，导致无法捕获变量网络教育数据，因此内存占用率高，无法对网络教育数据进行精准分析。针对这一问题，进行基于云计算的网络教育数据分析平台研究。捕获变量网络教育数据，建立数据中心，通过数据中心日志来记录捕获变更序列；建立网络教育数据分析平台总体技术架构，以变量网络教育数据表的形式进行综合分析；基于云计算建立数据库，完成网络教育数据分析平台设计。实验结果表明，设计分析平台的内存占用率最低可达19.93，对照组为60.01，设计分析平台可以高效捕获变量网络教育数据，实现对网络教育数据进行精准分析。

关键词：云计算；网络教育；数据分析平台

云计算技术作为新时代下的数据处理与存储技术，能够实现对数据的快速处理与移动应用[1]。要解决形式上的网络教育数据分析问题并不困难，最简单直接的办法就是为各种基本数据格式两两之间开发一个转换器，因为流行的数据格式数量不多，并且转换规则明确，这是一个只要投入一定人力就能解决的问题[2]。但语义上的网络教育数据分析比较复杂，尤其是针对变量的网络教育数据。因此，本文进行基于云计算的网络教育数据分析平台研究。

一、基于云计算的网络教育数据分析平台研究

（一）捕获变量网络教育数据。运用数据捕获层，捕获变量网络教育数据，数据捕获不仅针对标题，还对数据内容进行语义识别，分析其中的内容是否为教育数据资源，且是否含有敏感关键词等不适于教育传播的内容。分析识别捕获的运算量巨大，因此设计了采用云平台，利用强大的云计算能力解决语义识别和关键字检索的功能需求。网络教育数据分析平台的数据整合层建立一个数据中心，用来存储变量网络教育数据[3]。设计数据中心最大优势在于具有数据中心日志，可以通过数据中心日志来记录捕获变更序列，完成变量网络教育数据精准捕获。在捕获数据后，需要对数据的完整性进行验证，保证是完整有效的数据段。（二）建立网络教育数据分析平台总体技术架构。本文基于云计算进行校园网拓扑结构组建以及网络教育数据安全设置，对网络教育数据进行集成与管理。网络教育数据分析平台总体技术架构中，数据中心是处于核心地位的单元，数据的分析整理与分类标识全部在数据中心完成，终端用户通过与数据中心的信息交互，提出希望获取的信息关键词，完成在数据库中的搜索，数据中心将终端用户感兴趣的数据信息以及通过智能分析后与本次搜索相关度高的信息以列表的形式推送给终端用户，再根据用户的选择链接到指定网络教育数据信息地址。数据中心字段设置具体信息，指向教育数据的种类与类型，并以关键字的形式加以区分。对控制字段的分析管理可以基于云计算技术在数据中心建立一个变量网络教育数据表，用来存储捕获变量网络教育数据。便于数据库日志的记录以及数据分析终端对网络教育数据的综合分析。（三）完成网络教育数据分析平台设计。为保证网络教育数据资源的更新性与实用性，数据中心的数据需要实时更新，并对其内容的正确性加以校正。分析过程中引入使用者评分规则，由最终用户对网络教育数据资源的实用性、完整性、有效性和精美度进行评价，通过用户的视角对网络上纷繁复杂、良莠不齐的数据资源加以遴选，剔除糟粕，保留精华，实现教育资源的优化与改进，为学习者提供纯净、优质的网络教育数据资源。在网络教育资源不断优化的背景下，根据用户使用体验的评分，完成对同类教育数据资源的排序，以及用户使用中的周边功能推送，为用户提供选择方向和选择推荐。至此，完成基于云计算的网络教育数据分析平台设计。

二、实验

摘要：大数据时代，数据分析各环节的变化对统计学专业人才培养模式的变革起到了催化作用.数据挖掘作为拓展和提升大数据分析方法与思路的应用型课程，被广泛纳入统计学本科专业人才培养方案.本文对大数据时代数据分析师的职业需求进行了调研，在此基础上提出了基于R语言的项目式数据挖掘实验教学模式.教学实践结果表明，通过项目式学习，可以让学生在掌握理论知识的基础上，进一步提升分析问题和解决实际问题的能力，进一步适应大数据时代数据分析师的职业要求.

关键词：统计学；数据挖掘；实验教学；数据分析师；项目式学习

1引言

2016年美国统计协会(AmericanStatisticalAsociation)对统计学的内涵给出一个较为简洁的说明，将统计学定义为：“thescienceoflearningfromdata”，即从数据中学习的科学[1].该定义实际上与数据科学（DataScience）的内涵如出一辙.笔者以为ASA之所以对统计学做出这样的内涵解释，实际上表明在大数据浪潮中，统计学正走在变革的道路上.大数据时代，数据的产生、收集、分析与应用等环节都发生着深刻的变化.互联网技术的高速发展使每个人成为数据的生产者，数据生产已经突破了时间、地点的限制，数据量也由抽样数据向大数据转化；数据的存储类型由纸和笔记载的关系型结构化数据向半结构、非结构和异构的网络数据类型转化；数据的采集由根据统计分析目的的调查式收集向基于大数据技术的自动化采集方法转化；数据的分析由传统的验证型分析方法向探索型分析方法转化；数据的应用由辅助管理决策向引导变革转化.以上变化正在重塑数据分析流程，而数据分析模式的变革必然引起教育模式的改革.事实上，在大数据洪流的冲击下，统计学专业的人才培养模式已经悄然发生变化.当前，统计学专业融合大数据、计算机、人工智能等相关学科知识，引导学生认识和掌握数据处理的新技术，推动交叉学科应用型人才的培养，已经成为共识.其中，在统计学专业课程体系中引入数据挖掘课程就是典型的代表.数据挖掘技术在一定程度上弥补了传统统计分析方法的不足，可以进一步增强学生探索性数据分析的能力，更加适应大数据时代的需求.与统计学强调推断理论和方法不同，数据挖掘强调经验，着重于从数据中挖掘有用的模式和价值，只要能够有效地解决问题，方法和模型本身并不重要.因而，笔者认为数据挖掘课程能够拓展统计学专业学生数据分析的思路和方法，进一步加深对数据分析内涵的理解.由此，本文致力于探索大数据背景下统计学专业数据挖掘实验课程教学模式，以提升统计学人才实践应用能力，使其不断适应大数据分析的需求.

2大数据时代市场对应用型统计人才的新需求

数据分析师是统计学专业大学生毕业后的主要职业选择之一.数据分析师是指在不同行业中，专门从事数据搜集、整理、分析，并依据数据做出行业或市场研究、评估和预测的专业人员；是以实际数据为依据，对项目现状及远期进行统计、分析、预测并转化为决策信息的专业人才[2].为了客观分析大数据时代应用型统计人才需具备的知识、能力和技术，本文通过智联招聘网对企业公布的数据分析师职位招聘信息进行了调研，这些招聘信息都是面向应届本科毕业生的，具有较强的针对性，调研时间为2018年8月3日.本文调研了七家上市公司[3]，有国企事业单位、互联网公司、金融公司、网络游戏公司、网络媒体公司等，各公司对数据分析师的岗位职责、知识要求、能力要求和技术要求见表1所示.从数据分析师的岗位职责来看，不同类型的企业虽然具体要求不同，但是核心职责是相同的，主要有三个方面：负责业务部门的数据需求分析，也就是通过调研了解业务部门的需求，确定数据分析对象和目的；构建业务数据分析指标体系，即如何开展数据分析工作，确定数据采集、处理和分析及结果解读等环节的指标、方法、模型及数据分析工具等；为业务部门提供数据决策支持，包括撰写调研报告、数据分析报告及设计数据产品和开发数据分析工具等等.从岗位职责的核心要素来看，数据分析师是非常契合统计学专业的人才培养目标的，从调研到设计到分析到结果解读，是数据分析的一个完整流程.但是，也可以看出很多企业在数据分析中特别强调了数据挖掘方法，如北京计算机技术及应用研究所强调用户行为挖掘和个性化推荐、金融界强调用户行为数据和网络日志数据挖掘，而这些都不是传统统计学分析方法的范畴.从知识要求来看，大部分企业都要求数据分析师具有统计学专业背景，但互联网公司特别强调统计学、数学和计算机的交叉和融合.实际上，数据分析师作为复合型人才，除了掌握必要的统计分析理论和方法外，数学建模和编程能力都是必不可少的.从能力要求来看，较强的数据敏感度和清晰的逻辑思维能力是核心要素.其次，从业务来看，数据分析师需要同不同的部门打交道，沟通协调能力和团队协作能力也是必不可少的.从技术要求来看，大部分企业都要求数据分析师至少要掌握一种统计分析软件，如SPSS或MATLAB；至少要熟悉一种编程语言，如Python或R；至少要掌握一种数据库技术，如MySql/Oracle/SQLServer等，最简单的是excel.在高校及商业统计分析领域，R语言是当前最受欢迎的统计编程语言之一.综合以上分析可以得出，统计学专业的学生要想成为出色的数据分析师，除了具备坚实的统计学理论和方法外，还需要具备良好的计算机能力，如数据库技术和编程能力.更重要的是，数据挖掘方法与技术作为大数据技术的基础已经成为数据分析师必备的技能，也是企业招聘时重点关注的技术.

【摘要】创客教育理念在医药经济管理专业学生数据分析能力培养中有着重要的作用。以医药院校为例分析了医药经济数据分析能力培养的现状和问题，从创客视角提出了医药经济数据分析能力的培养机制及保障体系。

【关键词】创客；经济数据分析；培养机制

一、研究背景

为适应医药经济和卫生事业发展需要，医药院校陆续开设了医药贸易、人力资源管理、公共事业管理、医疗保险、医药营销等经济管理类本科专业。各专业都是属于经济管理与医药学交叉融合而形成的新兴交叉专业，旨在培养学生扎实的经济管理、医药学理论基础以及较强的医药产业经济分析能力，医药数据处理能力以及创新创业等社会实践能力。当前医药市场经济信息量大，需要借助于经济模型和计量软件分析处理市场数据，拟合医药市场变化趋势，进行市场预测，为政府决策和企业项目策划提供依据。而医药经济管理各专业的培养目标就是培养学生扎实的医药经济理论知识和一定的理论建模和数据分析处理能力，能够运用经济学模型和计量统计软件，分析医药市场数据信息和存在问题，模拟医药经济变化趋势，为政府制定医药产业政策、企业拓展市场以及经营决策提供理论支持和模型参考。因此，在专业建设中要更加注重学生经济分析、数据建模和计量分析能力的培养。医药院校在医药经济管理专业建设和学生专业素养培育存在“重医药、轻经管”、“重理论、轻实践”的现象，学生经济理论和数理基础薄弱，市场调研和数据采集能力不足，急需培养医药理论和经济管理理论交叉复合型人才，能够在经济调研基础上，构建经济学模型，借助计量统计软件进行数据分析，研究医药市场突出问题及对策，为社会提供理论和数据支持。基于医药经济创客实验室已经在医药本科院校建立，因此，本研究将从创客视角提出医药经济管理交叉专业本科生医药经济数据分析能力的培养机制和保障体系。

二、医药院校医药经济数据分析能力培养的现状

1.实践基础。医药院校经济管理学院在经济管理专业建设中重视学生实践能力的培养质量。经过多年的课程建设、师资培养以及创客实验室的建设，以创客空间为基础的本科生医药经济数据能力培养机制已经初步建立并具有了一定的实践基础，主要表现在：第一，课程基础建设。医药院校经济管理学院已经建立了以经济课程、数理课程、统计学课程和相关实验课程为核心的创客模式的经济数据分析课程体系。医药经济管理相关专业开设了《宏微观经济学》、《统计学原理》、《计量经济学》、《医药高等数学》、《概率论与数理统计》、《线性代数》、《经济分析与预测》、《管理定量分析》等一系列经济与数理类课程，相关经济计量分析课程的开设培养了学生经济分析能力、市场调研能力、数据分析能力以及市场分析与预测的能力，这些为学生医药数据分析能力培养提供了必要的知识储备。第二，师资队伍建设。医药院校经济管理学院在经济学、统计学、计量经济学以及实验指导教师方面师资配置较为充足、师资结构合理，教师普遍具有扎实的经济学及统计学理论基础，具备计量分析及数据建模能力，撰写过高水平的计量分析学术论文，承担省级重点课题多项，具有指导学生运用软件平台进行创新创业模拟比赛的经验。此外，还邀请校外医药企业专家和实训基地的老师作为学生创新创业的指导专家，这在实践教学环节充实了学院的师资力量，为数据分析、项目运行提供了师资队伍储备。第三，实验室建设。医药院校经济管理学院重视实验室建设，建设了医药贸易综合实验室和金融统计分析实验室，购置了相关统计分析软件、金融分析软件、会计电算化软件以及国际贸易模拟软件，建立了教学互动软件平台，便于学生交流互动与教师指导。第四，创新创业平台建设。医药院校经济管理学院重视大学生创新创业平台建设，特别是已经建立了医药创客实验室平台。创客实验室是以互联网为载体，以学校实验室为核心区域，以学校项目孵化基地为支撑，以经济数据处理能力和创新创业实践能力提升为培养目标而建立的集创意交流、数据处理、市场模拟、成果展示以及项目孵化功能为一体的创新创业平台，医药产业创客实验室的建立为学生提供一个创意交流、数据处理、市场模拟、成果展示以及项目孵化的创新创业基地，有利于学生医药经济数据分析能力的培养与提升。

摘要：在提质培优背景下，课程思政“大有可为”也“大有作为”。文章以专业基础课程——数据分析基础课程为例，研究如何贴合课程特色，对课程思政进行一体化设计，并在实践中检验课程思政成效，从而充分发挥专业基础课程的育人价值，落实立德树人的根本任务。

关键词：课程思政；总体设计；实践成效

2015年10月，党的十八届五中全会正式提出“实施国家大数据战略，推进数据资源开放共享”。[1]2021年《政府工作报告》也提出“加快数字化发展，打造数字经济新优势，培养数智化人才”。[2]随着大数据行业的发展，企业的数据能力、构建意识不断增强，更多的企业在不断引进专业数据人才。2020年，教育部出台的《职业教育提质培优行动计划（2020—2023年）》提出，职业教育要强化工学结合、知行合一，健全德技并修育人机制，落实立德树人根本任务，完善多元共治的质量保证机制，推进高质量发展。一方面是数据人才的稀缺，一方面是职教改革的迫切需要，因此，数据分析基础课程的课程思政建设“大有可为”也“大有作为”。本文按照提质培优的要求，遵循“一体化设计、结构化课程、颗粒化资源”的建构逻辑，对数据分析基础课程的课程思政进行实践探讨。

1数据分析基础课程的课程目标

数据分析基础是江苏信息职业技术学院（以下简称我校）面向所有专业开设的一门专业基础课。课程根据行业需求和“00后”学生特点，依据各专业人才培养目标进行设置，按照岗位能力分析应该掌握的知识点和技能点，形成课程教学目标，并细化为具体的知识点和能力点。以数据分析在各行业的应用为主线，对金融大数据、电商大数据等进行分析，培养学生的数据思维，使学生掌握数据分析的实用技能，最终达到知行合一、学以致用的目的。在专业教育的同时，以新时代中国特色社会主义思想为指导，坚持知识传授与价值引领相结合，注重课程思政教育教学改革建设工作，深入挖掘数据分析基础课程蕴含的思想政治教育资源，充分发挥专业基础课的育人价值，将价值塑造、知识传授和能力培养三者融为一体，培养“德、智、技”全面发展的高素质应用型人才。

1.1培育和践行社会主义核心价值观（德）

摘要：当前我国科学技术发展速度不断加快，传统教学模式已经无法满足现阶段人们的实际需求。在互联网的背景下，人们对于个性化的重视程度不断加深，在进行学习时，更喜欢用自己的方式。终身学习、碎片化学习以及移动学习等新兴的学习方式，让人们有更多的选择。自适应学习可以满足人们个性化的需求，因此当前对于自适应学习设计进行研究分析，可以为之后自适应学习系统的发展提供相关的理论依据。本文对于大数据分析以及应用现状进行阐述，分析基于大数据的自适应学习模型，探讨自适应学习设计未来发展趋势，希望可以推动我国自适应学习方式得到进一步的发展。

关键词：大数据；自适应学习；模型

现阶段大数据以及互联网等信息技术的新兴，使远程教育以及在线学习等自主方式得以实现。就目前的情况分析，我国普遍使用的网络在线平台有MoodleSaKai或者Blackboard等网站，这些平台对于教师课程管理及教学管理较为重视，可以为人们提供更加自主的学习服务。但是其中学习界面、学习顺序以及学习资源依旧属于重复出现的状态，无法较好地调动起人们的学习积极性。在大数据的前提下，可以使远程教育将规模化和个性化达到一定的平衡，有效地满足人们个性化需求。通过大数据分析，能够对于学习者自身的学习特征、学习的实际规律以及学习者当前最为迫切的需求，进行认知，从而有针对性地进行自适应学习设计，打造个性化学习方式。利用大数据进行分析，得到的结果可以对学习者可能需求或者爱好的资源进行推荐，满足其个性化需求。

一、大数据分析以及应用现状

近些年来我国经济发展速度增快，大数据分析技术受到了各个领域的重视。通过使用大数据技术，可以对于原始性的数据进行分析以及合理地推算预测，将所收集的数据直观性地展现出来。但是也有人认为，大数据技术在进行分析的过程中，忽略了准确性，只是对于事物发生变化规律的分析，并没有对其内在的因果进行分析。这使得我国自适应学习在发展的过程中，较难使用大数据分析技术。一方面是由于我国自适应学习设计数据除了具备数据量大的特点之外，还具备区域种类多、较为复杂，会出现较大的差异，并且对于某一块学科自适应学习设计进行数据分析时，总量可能并不大，所以无法进行大数据分析技术的利用[1]。另一方面，我国自适应学习设计的相关数据之间存在着鲜明的区别，如果仅仅只是对于数据之间的关系变化进行分析，其中内在的因果无法进行确定，那么使用大数据分析技术得到的结果并无法保障实际价值。当前对于我国自适应学习设计的相关数据的特征进行科学合理地分析，建立相应的数据分析流程。在进行数据分析的时候，需要根据实际的具体情况将数据合理地运用在自适应学习设计分析流程中。所谓的数据准备并不仅仅是指数据的样本，而是根据实际情况的目标分析，从数据库中将有关的数据全部调取出进行准备，并且需要专业的技术人员，根据实际的情况对于调取出的数据进行挑选清理，将其中不符合常规、出现重复以及没有实际作用的数据进行清理。在数据挖掘的过程中，需要与我国自适应学习设计实际情况相结合，根据数据的类型、格式以及出现的具体化问题进行分析。对于将发掘的方式进行综合化的对比，选择最合适的方式，便于我国自适应学习设计相关数据的整理，加快数据的处理效率，并对于数据所展示出的内在含义进行分析，得到其中存在的规律。专业的技术人员需要将根据实际情况采集到的数据进行分析处理，并且对结果结合实际情况，通过表面的问题找出内在的关系，进一步找到对于方案的优化措施，这一系列的行为便被称为诊断剖析。在进行方案的优化过程中，应该具有针对性，可以对于其中的问题进行具体化分析，并且预测出方案进行后的效果，找出解决的措施。实施评价则是在进行方案的强化后，对于实施的效果进行评价，并且把实施之前以及实施之后的效果相对比，分析以及总结其中的不足之处，并且将其记录到数据库中，为之后的大数据分析进行铺垫。应该注意的一点，便是在进行自适应学习设计大数据分析的过程中，需要进行不断的优化，分析以及发展[2]。在数据分析流程中，如果其中某一环节没有达到预期的效果，那么便相当于失败。需要对于之前的每一步进行重新调整，保障数据分析达到预期的目标。除此之外，当数据不断增加后，生产状态会出现变动，这便需要不断进行大数据分析以及方案优化，以便达到预期的目标效果。

二、基于大数据的自适应学习分析模型研究