高波

[摘 要] 在信息技術(shù)的推動(dòng)下，許多高校都在建設(shè)網(wǎng)絡(luò)教學(xué)平臺(tái)，中國(guó)大學(xué)MOOC等網(wǎng)站也有很多課程的教學(xué)視頻。運(yùn)用網(wǎng)絡(luò)資源對(duì)“數(shù)據(jù)挖掘”課程進(jìn)行了探索，根據(jù)“數(shù)據(jù)挖掘”課程的特點(diǎn)，合理分配理論教學(xué)和實(shí)驗(yàn)教學(xué)的學(xué)時(shí);在理論教學(xué)時(shí)，討論網(wǎng)絡(luò)資源如何影響備課和授課，并且以人工神經(jīng)網(wǎng)絡(luò)模型為例，介紹怎樣在課堂教學(xué)中應(yīng)用網(wǎng)絡(luò)資源;從軟件環(huán)境、實(shí)驗(yàn)數(shù)據(jù)、模型代碼等方面，討論實(shí)踐教學(xué)利用網(wǎng)絡(luò)資源的方法;根據(jù)教學(xué)評(píng)價(jià)結(jié)果，改進(jìn)混合式教學(xué)的組織方法，提升“數(shù)據(jù)挖掘”課程的教學(xué)效果。

[關(guān)鍵詞] 數(shù)據(jù)挖掘;理論教學(xué);實(shí)踐教學(xué);網(wǎng)絡(luò)資源

[基金項(xiàng)目] 2022年度北京市教委社科項(xiàng)目“金融風(fēng)險(xiǎn)的多源數(shù)據(jù)的分析和預(yù)測(cè)方法研究”（SM202210009002）;2020年度北京市教委市屬高校基本科研業(yè)務(wù)費(fèi)“協(xié)同感知智能挖掘與統(tǒng)計(jì)分析技術(shù)”（110052971921/007）;2018年度北方工業(yè)大學(xué)教育教學(xué)改革和課程建設(shè)研究項(xiàng)目“統(tǒng)計(jì)學(xué)專業(yè)‘?dāng)?shù)據(jù)挖掘技術(shù)’課程建設(shè)研究”（NCUT2018JGM47）

[作者簡(jiǎn)介] 高 波（1984—），男，山東聊城人，博士，北方工業(yè)大學(xué)理學(xué)院統(tǒng)計(jì)系講師，主要從事數(shù)據(jù)分析與風(fēng)險(xiǎn)管理研究。

[中圖分類號(hào)] G642.0 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1674-9324（2022）04-0131-04 [收稿日期] 2021-06-15

引言

在信息時(shí)代，經(jīng)濟(jì)或科研活動(dòng)產(chǎn)生了大量的數(shù)據(jù)，例如，網(wǎng)絡(luò)購(gòu)物已經(jīng)走進(jìn)千家萬(wàn)戶，食品、衣物、書(shū)籍和電器等都可以在網(wǎng)站或者App購(gòu)買(mǎi)。大型電子商務(wù)公司正在運(yùn)用用戶的瀏覽或交易記錄，刻畫(huà)他們的特征，推薦消費(fèi)者可能感興趣的商品，并評(píng)價(jià)生產(chǎn)者的信用情況，決定是否向他們發(fā)放小額貸款。這些工作需要大量掌握數(shù)據(jù)挖掘技術(shù)的人才，因此很多院校的統(tǒng)計(jì)學(xué)專業(yè)紛紛開(kāi)設(shè)“數(shù)據(jù)挖掘”課程。

在信息技術(shù)的推動(dòng)下，在線教育迅速興起。它突破了傳統(tǒng)教學(xué)時(shí)間、空間等限制，通過(guò)互聯(lián)網(wǎng)將教師講課的視頻、音頻等傳遞給學(xué)生。很多高校和科技公司合作，建設(shè)中國(guó)大學(xué)MOOC和學(xué)堂在線等平臺(tái)，推出許多名師主講的課程教學(xué)視頻，其中，近千門(mén)課程被認(rèn)定為國(guó)家精品課程。在新冠疫情期間，這些視頻為保障學(xué)生的學(xué)習(xí)活動(dòng)發(fā)揮了重要作用，同時(shí)，高校教師還紛紛采用直播教學(xué)方式，建立師生有效互動(dòng)的教學(xué)環(huán)境。企業(yè)微信、騰訊會(huì)議和阿里釘釘?shù)群芏嘬浖軌蛑С种辈ソ虒W(xué)。以企業(yè)微信為例，直播授課的主界面是教師正在講解的PPT，兩個(gè)小窗口分別顯示教師的授課環(huán)境和聽(tīng)講的學(xué)生名單，教師可以借助數(shù)位板設(shè)備和希沃白板軟件，板書(shū)教學(xué)方案和關(guān)鍵知識(shí)點(diǎn)等。

在線下教學(xué)中，如何利用線上教學(xué)資源，成為很多學(xué)者關(guān)心的話題。孫瑞娜提出以課堂為主、線上為輔開(kāi)展“數(shù)據(jù)挖掘”教學(xué)，增加實(shí)驗(yàn)課學(xué)時(shí)和過(guò)程考核比例[1];柯佳和陳瀟君在線下教學(xué)中采用分組討論或分組實(shí)驗(yàn)的方式，在線上平臺(tái)發(fā)布教學(xué)資料、匯總學(xué)生作業(yè)等[2];郗朋等人提出課前網(wǎng)絡(luò)學(xué)習(xí)、課堂教學(xué)和課后拓展提升的混合式教學(xué)模式[3]，并將傳統(tǒng)課堂+信息技術(shù)升級(jí)為智慧課堂;卞金金和徐福蔭設(shè)計(jì)智慧課堂的學(xué)習(xí)模式，指出教師和學(xué)生在課前、課中和課后的工作要點(diǎn)，并且以小學(xué)英語(yǔ)的一節(jié)閱讀課為例，闡述智慧課堂的教學(xué)過(guò)程[4];毛群英從教學(xué)目標(biāo)、教學(xué)過(guò)程和教學(xué)評(píng)價(jià)三方面設(shè)計(jì)智慧課堂的教學(xué)模式[5]。綜上所述，雖然部分學(xué)者提出了利用線上資源的教學(xué)模式，但是尚未深入研究慕課、B站等網(wǎng)絡(luò)教學(xué)視頻的作用。

一、“數(shù)據(jù)挖掘”課程的教學(xué)方案

我校統(tǒng)計(jì)學(xué)專業(yè)是北京市一流專業(yè)，其主要特色方向是商業(yè)調(diào)查與數(shù)據(jù)挖掘。圍繞這兩個(gè)方向，統(tǒng)計(jì)學(xué)專業(yè)開(kāi)設(shè)了“市場(chǎng)調(diào)查方法”“數(shù)據(jù)挖掘”“抽樣技術(shù)”“R程序語(yǔ)言”等課程。其中，“數(shù)據(jù)挖掘”課程設(shè)置在第6學(xué)期，面向大三學(xué)生。在這個(gè)階段，學(xué)生已經(jīng)掌握回歸分析、因子分析等統(tǒng)計(jì)模型和Python、R等計(jì)算機(jī)語(yǔ)言的基本知識(shí)。

以數(shù)據(jù)挖掘?yàn)橹黝}的書(shū)籍和網(wǎng)絡(luò)資源較為豐富。在講解模型原理時(shí)，涉及的書(shū)籍包括Tan等著的《數(shù)據(jù)挖掘?qū)д摗贰an等著的《數(shù)據(jù)挖掘概念與技術(shù)》和Wu等著的《數(shù)據(jù)挖掘十大算法》等;線上視頻資源包括學(xué)堂在線網(wǎng)站上清華大學(xué)袁博主講的《數(shù)據(jù)挖掘：理論與算法》、B網(wǎng)站上斯坦福大學(xué)Leskovec等主講的《數(shù)據(jù)挖掘》等。在講解算法編程時(shí)，涉及的書(shū)籍包括張良均等著的《R語(yǔ)言與數(shù)據(jù)挖掘》和《Python與數(shù)掘挖掘》等，線上資源包括B站上某些科技公司制作的講解怎樣利用R或者Python語(yǔ)言編寫(xiě)數(shù)據(jù)挖掘代碼的視頻等。

在教學(xué)實(shí)踐中，本課程在參考這些資料的基礎(chǔ)上，根據(jù)學(xué)生的需求，不但在理論上系統(tǒng)講解多個(gè)數(shù)據(jù)挖掘模型，而且安排上機(jī)實(shí)驗(yàn)，講解其R或者Python代碼。在理論教學(xué)部分，要求學(xué)生掌握模型的原理、步驟和算例等;在實(shí)踐教學(xué)部分，要求他們熟悉程序的界面和代碼的結(jié)構(gòu)等。學(xué)好理論能夠加深對(duì)實(shí)驗(yàn)結(jié)果的理性認(rèn)識(shí)，做好實(shí)驗(yàn)則能夠增加對(duì)理論的感性體驗(yàn)，因此，二者能夠相互促進(jìn)，共同提升課程的教學(xué)效果。相較于實(shí)踐教學(xué)，在理論教學(xué)中學(xué)生需要更多的思考時(shí)間，因此，本課程按照2∶1的比例分配48個(gè)課時(shí)，理論教學(xué)共32個(gè)課時(shí)，實(shí)驗(yàn)教學(xué)共16個(gè)課時(shí)。

在理論教學(xué)部分，本課程主要講解分類、聚類、推薦和關(guān)聯(lián)等四種數(shù)據(jù)挖掘模型。在分類模型部分，本課程依次講解分類預(yù)測(cè)框架、決策樹(shù)模型、最近鄰模型、貝葉斯模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型，以及隨機(jī)森林、Adaboost等集成分類模型。這些模型難度較大，通常安排2個(gè)課時(shí)講解1個(gè)模型，有些模型如人工神經(jīng)網(wǎng)絡(luò)模型甚至需要4個(gè)課時(shí)。在聚類模型部分，本課程依次講解K均值聚類、凝聚層次聚類、DBSCAN模型、EM算法等。這些模型難度較小，通常安排1個(gè)課時(shí)講解1個(gè)模型。在推薦模型部分，本課程主要講解PageRank算法等。在關(guān)聯(lián)模型部分，本課程主要講解Apriori算法等。

在實(shí)踐教學(xué)部分，本課程要求學(xué)生掌握數(shù)據(jù)挖掘模型常用的模塊或者函數(shù)，熟悉模型的代碼結(jié)構(gòu)，能夠解決調(diào)試代碼時(shí)遇到的問(wèn)題。學(xué)生在接觸“數(shù)據(jù)挖掘”課程前，普遍接觸過(guò)R和Python;因此，本課程在實(shí)現(xiàn)數(shù)據(jù)挖掘模型時(shí)，選擇R和Rstudio等R系列軟件，或Anaconda和Pycharm等Python系列軟件。在教學(xué)過(guò)程中，本課程基本上每個(gè)課時(shí)練習(xí)1個(gè)模型。部分代碼較長(zhǎng)的模型，如人工神經(jīng)網(wǎng)絡(luò)模型等，本課程將用2個(gè)課時(shí)帶領(lǐng)學(xué)生開(kāi)展數(shù)據(jù)實(shí)驗(yàn)。

在教學(xué)活動(dòng)中，本課程充分利用網(wǎng)絡(luò)資源，在理論教學(xué)時(shí)，教學(xué)設(shè)計(jì)、課前課后和課堂教學(xué)等環(huán)節(jié)都會(huì)使用網(wǎng)絡(luò)資源;在實(shí)驗(yàn)教學(xué)時(shí)，軟件環(huán)境、實(shí)驗(yàn)數(shù)據(jù)和模型代碼等方面也會(huì)運(yùn)用網(wǎng)絡(luò)資源。本課程還會(huì)根據(jù)教學(xué)評(píng)價(jià)結(jié)果調(diào)整混合式教學(xué)方法等，后文將詳細(xì)討論這些內(nèi)容。

另外，本課程還注重銜接學(xué)科競(jìng)賽和碩士教育等。大三學(xué)生普遍參加全國(guó)大學(xué)生市場(chǎng)調(diào)查與分析大賽、全國(guó)大學(xué)生統(tǒng)計(jì)建模大賽等賽事。本課程講述的模型能完善學(xué)生的知識(shí)體系，例如分類模型的因變量為二元變量或離散變量，回歸模型的因變量是連續(xù)變量，二者互為補(bǔ)充，能夠豐富學(xué)生的方法庫(kù)，幫助他們解決難度較大的競(jìng)賽問(wèn)題。此外，本課程有助于提升大三學(xué)生的專業(yè)技術(shù)能力，幫助學(xué)生本科畢業(yè)后繼續(xù)攻讀碩士學(xué)位。

二、理論教學(xué)與網(wǎng)絡(luò)資源

在設(shè)計(jì)教學(xué)活動(dòng)時(shí)，應(yīng)當(dāng)從網(wǎng)絡(luò)資源中汲取營(yíng)養(yǎng)。數(shù)據(jù)挖掘的經(jīng)典書(shū)籍較多，即使選擇其中一本作為教材，在講解某個(gè)模型時(shí)，也可以借鑒其他圖書(shū)或者知乎、CSDN等網(wǎng)站介紹的方法。在備課時(shí)，應(yīng)該根據(jù)教材編寫(xiě)PPT，挖掘教學(xué)的重點(diǎn)和難點(diǎn)等。有些主講教師在網(wǎng)絡(luò)上分享了他們制作的PPT，其他教師就能以這些資源為素材設(shè)計(jì)自己的教學(xué)活動(dòng);一些網(wǎng)絡(luò)視頻完整地記錄了某些教師的教學(xué)過(guò)程，其他教師在備課時(shí)，就能借鑒他們講解知識(shí)點(diǎn)的教學(xué)方法、教學(xué)進(jìn)度和教學(xué)案例等。

網(wǎng)絡(luò)資源在課堂教學(xué)前后都發(fā)揮著重要作用。我校開(kāi)發(fā)的多模式教學(xué)平臺(tái)能夠發(fā)布課件資料、課程作業(yè)、學(xué)習(xí)討論等。課前，學(xué)生可以預(yù)習(xí)即將講授的課件，觀看教師推薦的網(wǎng)絡(luò)視頻;課后，學(xué)生運(yùn)用學(xué)到的知識(shí)解答習(xí)題，遇到不會(huì)的題目可以通過(guò)微信聯(lián)系教師，得到及時(shí)的指導(dǎo)。但是，學(xué)生課下學(xué)習(xí)的積極性總不如課上，課前預(yù)習(xí)的學(xué)生大約只是選修學(xué)生的一半左右。有些學(xué)生沒(méi)有選修這門(mén)課程，卻需要應(yīng)用數(shù)據(jù)挖掘模型撰寫(xiě)畢業(yè)論文或者完成“大創(chuàng)項(xiàng)目”和“實(shí)培項(xiàng)目”，在這種情況下就只能完全依賴網(wǎng)絡(luò)視頻自學(xué)相關(guān)內(nèi)容。

當(dāng)代課堂教學(xué)需要運(yùn)用網(wǎng)絡(luò)資源。學(xué)生期望在課堂上學(xué)會(huì)主要的知識(shí)點(diǎn)，同時(shí)教師也在精心準(zhǔn)備課堂教學(xué)的重點(diǎn)內(nèi)容和講解方法等，因此，課堂教學(xué)一直是教學(xué)活動(dòng)的核心陣地和關(guān)鍵環(huán)節(jié)。傳統(tǒng)教學(xué)強(qiáng)調(diào)教師獨(dú)立、清楚地講述知識(shí)點(diǎn)的能力，當(dāng)代教學(xué)則提出了一些更高的要求：一是落實(shí)立德樹(shù)人根本任務(wù)，守好一段渠、種好責(zé)任田，挖掘課程中的思想政治元素;二是組織PPT、網(wǎng)頁(yè)、視頻等各種素材，清晰地描述數(shù)據(jù)挖掘模型的工作原理;三是設(shè)計(jì)教學(xué)案例和課堂測(cè)驗(yàn)等，引導(dǎo)學(xué)生積極投入課堂學(xué)習(xí)，在思考、探索、練習(xí)中掌握數(shù)據(jù)挖掘模型的建模方法等。

以人工神經(jīng)網(wǎng)絡(luò)模型的課堂教學(xué)為例，本課程選取海康威視公司作為思想政治案例。?？低暪驹?jīng)獲得ImageNet大規(guī)模視覺(jué)識(shí)別競(jìng)賽冠軍，卻被美國(guó)商務(wù)部列入實(shí)體清單，供應(yīng)鏈安全受到嚴(yán)重威脅。視覺(jué)識(shí)別經(jīng)常采用卷積神經(jīng)網(wǎng)絡(luò)模型，而它的基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)模型。借此案例激勵(lì)學(xué)生好好學(xué)習(xí)，勇于創(chuàng)新，將來(lái)突破美國(guó)對(duì)我國(guó)的科技封鎖。在講解模型的原理時(shí)，本課程從最簡(jiǎn)單的感知器模型開(kāi)始，說(shuō)明激活函數(shù)的作用和參數(shù)的學(xué)習(xí)方法等;然后介紹含有一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)模型，說(shuō)明怎樣確定輸入層、隱藏層和輸出層的節(jié)點(diǎn)數(shù)目等;最后結(jié)合李宏毅的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)教學(xué)視頻，說(shuō)明在多層全連接神經(jīng)網(wǎng)絡(luò)里，怎樣運(yùn)用后向傳播算法求解模型的參數(shù)等。為了讓學(xué)生掌握這個(gè)模型，本課程設(shè)置一系列問(wèn)題，讓學(xué)生運(yùn)用前向傳播算法計(jì)算各個(gè)節(jié)點(diǎn)的輸出結(jié)果等。

三、實(shí)驗(yàn)教學(xué)與網(wǎng)絡(luò)資源

實(shí)驗(yàn)教學(xué)需要學(xué)生熟悉計(jì)算機(jī)的硬件性能、配置軟件環(huán)境、實(shí)驗(yàn)數(shù)據(jù)庫(kù)和編寫(xiě)模型的代碼等。這些都與網(wǎng)絡(luò)資源存在千絲萬(wàn)縷的聯(lián)系。

軟件環(huán)境與網(wǎng)絡(luò)資源。本課程選擇開(kāi)源軟件R和Python實(shí)現(xiàn)數(shù)據(jù)挖掘模型。R軟件的安裝程序來(lái)自https：//www.r-project.org/。在調(diào)試數(shù)據(jù)挖掘模型的代碼時(shí)，可以運(yùn)用命令install.packages從網(wǎng)絡(luò)上下載和安裝需要的包。編輯Python程序時(shí)，經(jīng)常采用Anaconda或Pycharm軟件，這兩款軟件都能夠從網(wǎng)絡(luò)上找到安裝程序。Anaconda的Spyder環(huán)境模仿Matlab的界面;Jupyter Notebook環(huán)境在瀏覽器界面編輯，每次只運(yùn)行一個(gè)cell里的程序。它們都預(yù)裝了numpy、pandas和sklearn等數(shù)據(jù)挖掘模型的常用包。

實(shí)驗(yàn)數(shù)據(jù)與網(wǎng)絡(luò)資源。本課程的實(shí)驗(yàn)數(shù)據(jù)主要來(lái)自三個(gè)方面：第一，R或者Python程序自帶的數(shù)據(jù)庫(kù)，例如鳶尾花數(shù)據(jù)、乳腺癌數(shù)據(jù)等;第二，政府、公司和大學(xué)維護(hù)的數(shù)據(jù)庫(kù)，例如統(tǒng)計(jì)局的經(jīng)濟(jì)數(shù)據(jù)、亞馬遜公司的公開(kāi)數(shù)據(jù)集和加州大學(xué)歐文分校的機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)等;第三，一些科技公司舉辦的數(shù)據(jù)挖掘競(jìng)賽，例如阿里云平臺(tái)、百度飛槳AIStudio和華為云平臺(tái)的競(jìng)賽數(shù)據(jù)集等。

模型代碼與網(wǎng)絡(luò)資源。本課程主要講解比較經(jīng)典的數(shù)據(jù)挖掘模型。前文提到的《R語(yǔ)言與數(shù)據(jù)挖掘》和《Python與數(shù)據(jù)挖掘》等經(jīng)典書(shū)籍提供這些模型的R或Python程序代碼。在百度網(wǎng)站搜索也能找到一些模型的R或者Python程序代碼。因?yàn)榻鉀Q問(wèn)題的思路不同，所以這些代碼的寫(xiě)法存在較大差異，但是它們的結(jié)構(gòu)是類似的。例如R代碼通常包括三步：一是導(dǎo)入數(shù)據(jù);二是導(dǎo)入包，運(yùn)用函數(shù)完成數(shù)據(jù)挖掘任務(wù);三是輸出模型的結(jié)果。Python代碼則將導(dǎo)入包或函數(shù)放在第一步，然后才導(dǎo)入數(shù)據(jù)，運(yùn)用函數(shù)或者編寫(xiě)代碼完成數(shù)據(jù)挖掘任務(wù)，最后輸出模型的結(jié)果。

教學(xué)經(jīng)驗(yàn)。采用網(wǎng)絡(luò)資源提供的數(shù)據(jù)和代碼后，實(shí)驗(yàn)教學(xué)的重點(diǎn)是數(shù)據(jù)挖掘模型的函數(shù)名稱。有些函數(shù)名稱較短，學(xué)生很容易掌握，例如決策樹(shù)模型的R程序函數(shù)tree，支持向量機(jī)模型的Python程序函數(shù)svm。有些函數(shù)名稱較長(zhǎng)，需要學(xué)生結(jié)合英文含義記憶，例如凝聚層次聚類模型的Python函數(shù)Agglomerative-Clustering。

實(shí)驗(yàn)教學(xué)的難點(diǎn)是怎樣導(dǎo)入數(shù)據(jù)和安裝需要的包。代碼案例的數(shù)據(jù)位置一般不同于學(xué)生存放的位置，這就需要他們能夠運(yùn)用命令讀入存放在Excel等的數(shù)據(jù)，例如R程序命令read.csv和Python程序命令pandas.read_excel等。安裝包時(shí)，運(yùn)用R命令install.packages或者Python命令pip install等。學(xué)生會(huì)遇到下載包時(shí)由于時(shí)間較長(zhǎng)而自動(dòng)終止，安裝包時(shí)由于和硬件沖突而無(wú)法進(jìn)行等問(wèn)題。為了解決這些問(wèn)題，本課程提前在學(xué)校的多模式教學(xué)平臺(tái)上傳比較大的包，并且鼓勵(lì)學(xué)生攜帶個(gè)人電腦，教給他們從電腦安裝包的方法。

四、教學(xué)評(píng)價(jià)

教學(xué)評(píng)價(jià)的對(duì)象是教師的教學(xué)過(guò)程和學(xué)生的學(xué)習(xí)效果。評(píng)價(jià)前者時(shí)，不但會(huì)邀請(qǐng)專家進(jìn)課堂點(diǎn)評(píng)教學(xué)活動(dòng)，而且會(huì)調(diào)查學(xué)生對(duì)教師的教學(xué)組織能力評(píng)價(jià)等;評(píng)價(jià)后者時(shí)，既包括教師發(fā)起的課堂測(cè)驗(yàn)、課后作業(yè)和期末考試等量化評(píng)價(jià)，也包括學(xué)生在學(xué)習(xí)時(shí)的感性體驗(yàn)和能力提升等。

本課程重視過(guò)程評(píng)價(jià)，將平時(shí)成績(jī)比例上調(diào)至50%，并且經(jīng)常運(yùn)用網(wǎng)絡(luò)技術(shù)搜集評(píng)價(jià)結(jié)果。要求學(xué)生平時(shí)按時(shí)上課聽(tīng)講，完成較多的學(xué)習(xí)任務(wù)，例如每次實(shí)驗(yàn)課都要提交一份實(shí)驗(yàn)報(bào)告，說(shuō)明數(shù)據(jù)挖掘模型的代碼調(diào)試過(guò)程和結(jié)果。教師會(huì)設(shè)計(jì)一些小測(cè)驗(yàn)，以選擇題的形式發(fā)布在問(wèn)卷星上。學(xué)生投票后，軟件能夠做些簡(jiǎn)單的統(tǒng)計(jì)分析，幫助教師了解學(xué)生對(duì)知識(shí)的掌握程度。教師還可以在多模式教學(xué)平臺(tái)發(fā)布一些作業(yè)，學(xué)生完成后在平臺(tái)提交。

本課程在教學(xué)時(shí)注重傾聽(tīng)學(xué)生的自我評(píng)價(jià)。學(xué)生在理論課中熟悉了經(jīng)典的數(shù)據(jù)挖掘模型，逐漸掌握了它們的原理，并且能夠做些簡(jiǎn)單的運(yùn)算;在實(shí)驗(yàn)課中看到了模型的效果，即使程序報(bào)錯(cuò)，學(xué)生也能夠冷靜地分析錯(cuò)誤的源頭，并通過(guò)向教師請(qǐng)教或者上網(wǎng)搜索，找到問(wèn)題的解決方案。這種方式會(huì)極大地增強(qiáng)學(xué)生的自信心，讓他們收獲巨大的成就感，同時(shí)也讓冰冷的模型在他們心中變得鮮活起來(lái)。

參考文獻(xiàn)

[1]孫瑞娜.基于網(wǎng)絡(luò)教學(xué)平臺(tái)的“混合式”教學(xué)模式研究——以數(shù)據(jù)挖掘課程為例[J].教育現(xiàn)代化，2020，7（6）：71-73.

[2]柯佳，陳瀟君.基于信息管理與信息系統(tǒng)的“數(shù)據(jù)挖掘技術(shù)”課程混合式教學(xué)模式研究[J].江蘇科技信息，2021，38（8）：72-75.

[3]郗朋，孫春峰，王家盛，等.基于在線課程開(kāi)展工程制圖及CAD課程的混合式教學(xué)[J].大學(xué)教學(xué)，2021（3）：84-87.

[4]卞金金，徐福蔭.基于智慧課堂的學(xué)習(xí)模式設(shè)計(jì)與效果研究[J].中國(guó)電化教育，2016（2）：64-68.

[5]毛群英.智慧課堂教學(xué)模式設(shè)計(jì)研究[J].教學(xué)與管理，2021（3）：96-99.

The Teaching Exploration of Using Network Resources in Data Mining Course

GAO Bo

（College of Science， North China University of Technology， Beijing 100144， China）

Abstract： Driven by information technology， many colleges and universities are building online teaching platforms， and there are also teaching videos of many courses on websites such as Chinese University MOOC. This paper explores the course of Data Mining by using network resources， and reasonably allocates the class hours of theoretical teaching and experimental teaching according to the characteristics of this course. In theoretical teaching， this paper discusses how network resources affect lesson preparation and teaching， and introduces how to apply network resources in classroom teaching by taking artificial neural network model as an example. In addition， this paper discusses the methods of using network resources in practical teaching from the aspects of software environment， experimental data and model code. According to the teaching evaluation results， we may improve the organization method of mixed teaching and improve the teaching effect of Data Mining.

Key words： Data Mining; theory teaching; experiment teaching; network resource

1441501186221