数据挖掘技术论文模板(10篇)

导言：作为写作爱好者，不可错过为您精心挑选的10篇数据挖掘技术论文，它们将为您的写作提供全新的视角，我们衷心期待您的阅读，并希望这些内容能为您提供灵感和参考。

篇1

随着信息技术迅速发展，数据库的规模不断扩大，产生了大量的数据。但大量的数据往往无法辨别隐藏在其中的能对决策提供支持的信息，而传统的查询、报表工具无法满足挖掘这些信息的需求。因此，需要一种新的数据分析技术处理大量数据，并从中抽取有价值的潜在知识，数据挖掘（DataMining）技术由此应运而生。

一、数据挖掘的定义

数据挖掘是指从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程，这些信息的表现形式为：规则、概念、规律及模式等。它可帮助决策者分析历史数据及当前数据，并从中发现隐藏的关系和模式，进而预测未来可能发生的行为。数据挖掘的过程也叫知识发现的过程。

二、数据挖掘的方法

1.统计方法。传统的统计学为数据挖掘提供了许多判别和回归分析方法，常用的有贝叶斯推理、回归分析、方差分析等技术。贝叶斯推理是在知道新的信息后修正数据集概率分布的基本工具，处理数据挖掘中的分类问题，回归分析用来找到一个输入变量和输出变量关系的最佳模型，在回归分析中有用来描述一个变量的变化趋势和别的变量值的关系的线性回归，还有用来为某些事件发生的概率建模为预测变量集的对数回归、统计方法中的方差分析一般用于分析估计回归直线的性能和自变量对最终回归的影响，是许多挖掘应用中有力的工具之一。

2.关联规则。关联规则是一种简单，实用的分析规则，它描述了一个事物中某些属性同时出现的规律和模式，是数据挖掘中最成熟的主要技术之一。关联规则在数据挖掘领域应用很广泛适合于在大型数据集中发现数据之间的有意义关系，原因之一是它不受只选择一个因变量的限制。大多数关联规则挖掘算法能够无遗漏发现隐藏在所挖掘数据中的所有关联关系，但是，并不是所有通过关联得到的属性之间的关系都有实际应用价值，要对这些规则要进行有效的评价，筛选有意义的关联规则。

3.聚类分析。聚类分析是根据所选样本间关联的标准将其划分成几个组，同组内的样本具有较高的相似度，不同组的则相异，常用的技术有分裂算法，凝聚算法，划分聚类和增量聚类。聚类方法适合于探讨样本间的内部关系，从而对样本结构做出合理的评价，此外，聚类分析还用于对孤立点的检测。并非由聚类分析算法得到的类对决策都有效，在运用某一个算法之前，一般要先对数据的聚类趋势进行检验。

4.决策树方法。决策树学习是一种通过逼近离散值目标函数的方法，通过把实例从根结点排列到某个叶子结点来分类实例，叶子结点即为实例所属的分类。树上的每个结点说明了对实例的某个属性的测试，该结点的每一个后继分支对应于该属性的一个可能值，分类实例的方法是从这棵树的根结点开始，测试这个结点指定的属性，然后按照给定实例的该属性值对应的树枝向下移动。决策树方法是要应用于数据挖掘的分类方面。

5.神经网络。神经网络建立在自学习的数学模型基础之上，能够对大量复杂的数据进行分析，并可以完成对人脑或其他计算机来说极为复杂的模式抽取及趋势分析，神经网络既可以表现为有指导的学习也可以是无指导聚类，无论哪种，输入到神经网络中的值都是数值型的。人工神经元网络模拟人脑神经元结构，建立三大类多种神经元网络，具有非线形映射特性、信息的分布存储、并行处理和全局集体的作用、高度的自学习、自组织和自适应能力的种种优点。

6.遗传算法。遗传算法是一种受生物进化启发的学习方法，通过变异和重组当前己知的最好假设来生成后续的假设。每一步，通过使用目前适应性最高的假设的后代替代群体的某个部分，来更新当前群体的一组假设，来实现各个个体的适应性的提高。遗传算法由三个基本过程组成:繁殖(选择)是从一个旧种群(父代)选出生命力强的个体，产生新种群(后代)的过程；交叉〔重组)选择两个不同个体〔染色体)的部分(基因)进行交换，形成新个体的过程；变异(突变)是对某些个体的某些基因进行变异的过程。在数据挖掘中，可以被用作评估其他算法的适合度。

7.粗糙集。粗糙集能够在缺少关于数据先验知识的情况下，只以考察数据的分类能力为基础，解决模糊或不确定数据的分析和处理问题。粗糙集用于从数据库中发现分类规则的基本思想是将数据库中的属性分为条件属性和结论属性，对数据库中的元组根据各个属性不同的属性值分成相应的子集，然后对条件属性划分的子集与结论属性划分的子集之间上下近似关系生成判定规则。所有相似对象的集合称为初等集合，形成知识的基本成分。任何初等集合的并集称为精确集，否则，一个集合就是粗糙的(不精确的)。每个粗糙集都具有边界元素，也就是那些既不能确定为集合元素，也不能确定为集合补集元素的元素。粗糙集理论可以应用于数据挖掘中的分类、发现不准确数据或噪声数据内在的结构联系。

8.支持向量机。支持向量机(SVM)是在统计学习理论的基础上发展出来的一种新的机器学习方法。它基于结构风险最小化原则上的，尽量提高学习机的泛化能力，具有良好的推广性能和较好的分类精确性，能有效的解决过学习问题，现已成为训练多层感知器、RBF神经网络和多项式神经元网络的替代性方法。另外，支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解，这些特点都是包括神经元网络在内的其他算法所不能及的。支持向量机可以应用于数据挖掘的分类、回归、对未知事物的探索等方面。

事实上，任何一种挖掘工具往往是根据具体问题来选择合适挖掘方法，很难说哪种方法好，那种方法劣，而是视具体问题而定。

三、结束语

篇2

2.综合应用性强数据挖掘技术已经被广泛地应用在统计工作中的多个领域，并且发挥着重要的作用。数据挖掘技术不仅是一种综合应用性强的技术手段，同时又能满足统计数据使用者的特定数据需要。因此，数据挖掘技术能够对经济统计数据进行定向的整理和开发，为数据使用者提供更好的服务。

3.宏观型的数据库有利于数据挖掘技术的应用当前，我国的经济统计大多还是采用传统的经济统计方法，统计收集的数据信息不能形成有机整体，在对数据进行管理过程中，出现了很多问题。因此。经济统计工作需要能够提供数据整理开发的新技术。宏观经济统计数据库，为数据挖掘技术的开展提供了平台。数据管理系统的经济统计信息要正确无误，然后经过数据挖掘技术的整合，就能得到更丰富的数据资源。

二、数据挖掘技术的运用

数据挖掘技术的特性决定了其对经济统计数据整理的重要性，经济统计所得到的数据信息要求必须有实用性和真实性，数据挖掘技术的特性正好满足了经济统计工作的需要。数据挖掘的过程主要包括以下四种方法：

1.预处理方法首先，要对统计数据进行预处理。由于经济统计信息在收集过程中存在一些问题，导致收集到的数据存在缺失和模糊现象，这种有缺憾的数据信息不能作为数据挖掘的基础，因此一定要对数据挖掘对象进行事先的处理。其中包括对基础数据中不正确、不真实、不准确和偏差较大的数据进行甄别。

2.集成化处理方法其次，要对统计数据进行集成化处理。经济统计过程中，会出现对多个数据源进行重叠统计的现象，这就要求对数据进行挖掘之前，要有一个统一整理的过程，即数据的集成化处理。数据集成在统计中被广泛的使用。经过数据集成处理的统计信息更加全面，更加真实，可以作为数据挖掘基础信息。

3.转换方法再有，要对统计数据根据需要进行转换。经济统计数据的描述形式比较单一，为了满足数据信息使用者的需要，就要对数据进行转换，使其的表现形式具有泛化或是更加规范。这里所说的泛化指的是利用更深层次和更加抽象的定义来代替原有的低层数据。

4.决策树方法除却上述四种处理方法外，还有决策树方法，指的是对庞杂的经济数据进行分类，把有利用价值的统计数据提炼出来，这种数据挖掘形式能够对分析对象进行体现，并能快速的对信息进行分类处理，能够解决在经济统计过程中出现的各种问题。

篇3

二、Web数据挖掘技术的工作流程

Web数据挖掘技术的主要工作流程可以分为以下几个步骤：第一步，确立目标样本，这一步是用户选取目标文本，以此来作为提取用户的特征信息；第二步，提取特征信息，这一步就是根据第一步得到的目标样本的词频分布，从现有的统计词典中获取所要挖掘的目标的特征向量，并计算出其相应的权值；第三步，从网络上获取信息，这一步是利用通过搜索引擎站点选择采集站点，然后通过Robot程序采集静态的Web页面，最后再获取这些被访问站点的网络数据库中的动态信息，然后生成WWW资源库索引；第四步，进行信息特征匹配，通过提取源信息的特征向量，去和目标样本的特征向量进行匹配，最后将符合阈值条件的信息返回个用户。

三、Web数据挖掘技术在高校数字图书馆中的应用

高校数字图书馆为师生主要提供以下功能：查找图书、期刊论文、会议文献等数字资源；图书借阅、归还等服务；图书信息、管理制度；导航到图书光盘、视频资源等数据库系统。师生时常登录到网站中查找其需要的信息，根据师生所学专业、研究方向不同，关注目标也不同。通常这类师生会到常用的图书馆网站上，查找自己所需要的特定领域的资源；浏览一下有哪些内容发生变化，是否有新知识增加，而且所有改变常常是用户所关注的内容；另外，当目标网页所在的位置有所改变或这个网站的组织结构、层次关系有所变动时，所有这些问题只要稍加改动，容易使用户难以找到所需内容。本课题采用Web挖掘技术与搜索技术相结合。首先允许用户对感兴趣的内容进行定制，构造数据挖掘的先验知识，然后通过构造浏览器插件，捕获用户在浏览器上的行为数据，采用Web数据挖掘的方法，深入分析用户的浏览行为数据，获得用户的信息资料集，最终为用户提供不同的个性化服务页面，并提供用户对站内信息进行搜索功能，同时可以满足师生对于图书馆资源进行查找访问的需求，实现高校图书馆网站资源真正意义上的个性化服务。

1、为开发网络信息资源提供了工具

数字图书馆需要的是一种可以有效的将信息进行组织管理，同时还能够对信息进行深层的加工管理，提供多层次的、智能化的信息服务和全方位的知识服务，提供经过加工、分析综合等处理的高附加值的信息产品和知识产品的工具。目前许多高校数字图书馆的查询手段还只局限于一些基本的数据操作，对数据只能进行初步的加工，不具有从这些数据中归纳出所隐含的有用信息的功能，也使得这些信息不为人知，从而得不到更好的使用，这些都是对网络信息资源的一种浪费。而通过Web数据挖掘技术科研有效的解决这一问题。这种技术可以用于挖掘文档的隐含的有用的内容，或者可以在其他工具搜索的基础上进一步进行处理，得到更为有用和精确的信息。通过Web数据挖掘技术科研对数字图书关注中的信息进行更加有效地整合。

2、为以用户为中心的服务提供帮助

通过浏览器访问数字图书馆后，可被记载下来的数据有两类，一类是用户信息，另一类是用户访问记录。其中用户信息包括了用户名，用户访问IP地址，用户的职业、年龄、爱好等。用户名师用户登录图书馆时输入，用户访问IP地址通过程序获得，其他的信息都是用户在注册时所填写的，访问记录则是在用户登录时所记录的，也是由程序获得。对这些用户信息进行分析可以更加有效的了解用户的需求通过分析服务器中用户请求失败的数据，结合聚集算法，可以发现信息资源的缺漏，从而指导对信息资源采集的改进，让高校数字图书馆的信息资源体系建设的更加合理。对数字图书馆系统的在线调查、留言簿、荐书条等的数据进行收集整理，并使之转化为标准的结构化数据库，然后在通过数据挖掘，皆可以发现用户所感兴趣的模式，同时还可以预先发现用户群体兴趣的变迁，调整馆藏方向，提前做好信息资源的采集计划。通过Web数据挖掘，可以对用户的信息需求和行为规律进行总结，从而为优化网络站点的结构提供参考，还可以适当各种资源的配置更加的合理，让用户可以用更少的时间找到自己所需要的资源。例如可以通过路径分析模式采掘捕捉确定用户频繁浏览访问的路径，调整站点结构，并在适当处加上广告或荐书条。

3、Web数据挖掘技术在图书馆采访工作中的应用

在图书馆的工作中有一步十分的重要，这就是采访工作，采访工作的做的好坏程度会直接的对图书馆的服务质量产生影响。通常情况图书馆的工作人员会根据图书馆的性质、服务对象及其任务来决定采访的内容。但是这种采访局限性很大，很多时候会受采访人员的主观意识的影响，同时这种方式也会显得死板不灵活。很多时候会出现应该购进的文献没有买，不应该买的文献却买了很多等与读者的需求不符的现象。这些现象的产生都是因为缺乏对读者需求的了解和分析。要解决这些问题就必须对读者的需求进行全面的了解和分析，而Web数据挖掘则为解决该问题提供了一种较好的方法。通过对各种日志文件和采访时获得的数据进行分析，可以很清楚的得到读者需要的是什么样的书籍、不需要的又是什么样的书籍，从而为采购提供各种科学合理的分析报告和预测报告。根据对分析还能帮组图书馆管理人员确定各种所需书籍的比例，从而确定哪些文献应该及时的进行补充，哪些文献应该进行剔除，对馆藏机构进行优化，真正的为高校里的师生提供所需要的文献和资料。

4、使用Web数据挖掘技术提供个性化服务

篇4

（2）数据准备：首先，对于业务目标相关的内部和外部数据信息进行查找，从中找出可以用于数据挖掘的信息；其次，要对数据信息的内容进行全面细致分析，确定需要进行挖掘操作的类型；然后，结合相应的挖掘算法，将数据转化称为相应的分析模型，以保证数据挖掘的顺利进行。

（3）数据挖掘：在对数据进行转化后，就可以结合相应的挖掘算法，自动完成相应的数据分析工作。

（4）结果分析：对得到的数据分析结果进行评价，结合数据挖掘操作明确分析方法，一般情况下，会用到可视化技术。

（5）知识同化：对分析得到的数据信息进行整理，统一到业务信息系统的组成结构中。这个步骤不一定能够一次完成，而且其中部分步骤可能需要重复进行。

二、数据挖掘技术在水利工程管理中的实施要点

水利工程在经济和社会发展中是非常重要的基础设施，做好水利工程管理工作，确保其功能的有效发挥，是相关管理人员需要重点考虑的问题。最近几年，随着社会经济的飞速发展，水利工程项目的数量和规模不断扩大，产生的水利科学数据也在不断增加，这些数据虽然繁琐，但是在许多科研生产活动和日常生活中都是不可或缺的。例如，在对洪涝、干旱的预防以及对生态环境问题的处理方面，获取完整的水利科学数据是首要任务。那么，针对日益繁杂的海量水利科学数据，如何对有用的信息知识进行提取呢？数据挖掘技术的应用有效的解决了这个问题，可以从海量的数据信息中，挖掘出潜在的、有利用价值的知识，为相关决策提供必要的支持。

1.强化数据库建设

要想对各类数据进行科学有效的收集和整理，就必须建立合理完善的数据库。对于水利工程而言，应该建立分类数据库，如水文、河道河情、水量调度、防洪、汛情等，确保数据的合理性、全面性和准确性，选择合适的方法，对有用数据进行挖掘。

2.合理选择数据挖掘算法

（1）关联规则挖掘算法：关联规则挖掘问题最早提出于1993年，在当前数据挖掘领域，从事务数据库中发现关联规则，已经成为一个极其重要的研究课题。关联规则挖掘的主要目的，是寻找和挖掘隐藏在各种数据之间的相互关系，通过量化的数据，来描述事务A的出现对于事务B出现可能产生的影响，关联规则挖掘就是给定一组Item以及相应的记录组合，通过对记录组合的分析，推导出Item间存在的相关性。当前对于关联规则的描述，一般是利用支持度和置信度，支出度是指产品集A、B同时出现的概率，置信度则是在事务集A出现的前提下，B出现的概率。通过相应的关联分析，可以得出事务A、B同时出现的简单规则，以及每一条规则的支持度和置信度，支持度高则表明规则被经常使用，置信度高则表明规则相对可靠，通过关联分析，可以明确事务A、B的关联程度，决定两种事务同时出现的情况。

（2）自顶而下频繁项挖掘算法：对于长频繁项，如果采用关联规则挖掘算法，需要进行大量的计算分析，不仅耗时耗力，而且影响计算的精准度，这时，就可以采用自顶而下频繁项挖掘算法，这种算法是一种相对优秀的长频繁项挖掘算法，利用了事务项目关联信息表、项目约简、关键项目以及投影数据库等新概念与投影、约简等新方法，在对候选集进行生成的过程中，应该对重复分支进行及时修剪，提升算法的实际效率，从而有效解决了长频繁项的挖掘问题。结合计算机实验以及算法分析，可以看出，这种方法是相对完善的，同时也是十分有效的。不过需要注意的是，当支持度较大、频繁项相对较短时，利用关联规则挖掘中典型的Apriori方法，可以起到更好的效果。

（3）频繁项双向挖掘算法：这种算法是一种融合了自顶向下以及自底向上的双向挖掘算法，可以较好的解决长频繁项以及段频繁项的挖掘问题，主挖掘方向是利用自顶向下挖掘策略，但是结合自底向上方法生成的非频繁项集，可以对候选集进行及时修剪，提升算法的实际效率。

篇5

1.2综合应用性强如前文所述，数据挖掘技术是一个工具系统而不是单一的工具，能够实现使用主体的各种信息需求，随着现代社会经济的快速发展，当前我国经济管理的各个部门都需要大量的经济统计信息来作为经济管理决策的基础。但是因为各个管理部门经济管理的领域不同、经济管理的方式不同、经济的管理权限不同，所以相应的经济统计数据呈现形式的需求就不同。这就为经济数据统计系统提出了更高的要求，其不仅要对符合各个经济管理部门需求的数据内容进行统计，同时要将统计完成的数据换算成各种不同的呈现形式，并根据统计信息的来源和统计信息的计算方式对其可靠性进行评估[2]。最终这些数据信息的输出格式还应该符合所服务的经济管理部门管理系统的格式要求，保证统计数据能够在管理部门的管理系统中正常录入、应用，数据挖掘技术很好地满足了上述的复杂经济数据管理要求，其功能的综合性促进了其应用深度的提高和范围的扩大。

1.3宏观数据库有利于数据挖掘技术的应用当前因为经济管理部门的职权较为分散，各个经济管理部门的经济统计数据需求不尽相同。所以我国的经济统计活动绝大多数还采用传统的经济统计方法，统计收集的经济信息存在一定的局限性，不能够服务于经济管理活动的整体，或者造成一些数据统计工作的重复，对经济数据统计工作造成了一系列的质量和效率上的影响。经济数据统计活动急需一个能够整合各个统计系统，实现统计数据信息融合的新技术。宏观经济统计数据库为数据挖掘技术的开展提供了平台，数据管理系统的经济统计信息要正确无误，然后经过数据挖掘技术的整合，就能得到更加丰富的数据资源[3]。

2数据挖掘技术的应用

在社会经济管理活动中，管理主体对经济统计数据的要求主要有两个。一个是统计数据的真实性、一个是数据统计信息的实用性。单就这两个经济统计数据要求而言，数据挖掘技术能够很好地满足经济统计工作的需求，是适用性极强的一种经济数据统计技术，其在具体的经济数据统计活动中主要有以下三种应用方法。

2.1预处理方法在经济数据统计活动中，最为基础的一种处理方式就是经济数据的预处理方法，因为数据挖掘本身是一种基于提供基础信息的智能分析技术。其本身是受基础经济信息限制的，不可能无中生有代替经济数据收集系统的功能。所以所有作为数据挖掘系统数据基础的经济统计数据信息都应该进行预处理，处理的内容主要包括对这些数据中不正确、不真实、不准确，以及不同经济统计数据信息之间差距较大的现象。对这些基础数据存在的问题进行处理的过程被称为数据清理，当前数据清理主要采用的方法有均值法、平滑法和预测法。其中均值法是现代分析技术中模糊理念的一种应用形式，当基础数据中的一个数据点是空值或者噪声数据的时候，可以采用均值法进行处理，即用数据库中所有该属性已知的属性均值来填补空缺。保证数据挖掘系统对基础数据的分析和整理能够正常进行，得出相对而言准确度较高的统计分析数据。其中Ci表示当前数据点的取值，Cj表示当前数据点前后不为空的数据点，K表示当前数据点进行计算所取的参考数据点数量[4]。平滑法依然是对基础数据中空值和噪声数据的计算方法，其与均值法的区别是用加权平均数代替了平均数，考虑了计算过程中提取的每一个数据对数据结果的影响权重，所以计算出的结果往往更加接近真实的数值。其中Ci表示当前数据点的取值，Cj表示当前数据点前后不为空的数据点，K表示为对当前数据点进行计算所取的数据点数量。WJ表示Cj数据点的权值。

2.2集成化处理方法在数据挖掘技术的应用活动中，因为相同地区的数据统计主体不同，或者在不同地区对相同经济数据的统计标准不统一，会产生一系列的数据集成问题，如何对这些调查方向不同或者是呈现方式不同的数据进行有效集成而不影响经济数据统计的准确性，是数据挖掘技术的重要任务。在具体的数据集成过程中主要考虑以下几个方面的问题[5]。

2.2.1模式集成当前因为社会经济活动中经济数据的统计内容过于广泛，很多经济数据统计并不是来自于官方的统计局而是来自一些民间统计组织，或者是由一线社会经济主体直接提供的经济数据，在数据挖掘过程中将这些来自多个数据源存在多种数据呈现模式的经济数据信息进行集成就涉及实体识别的问题。例如在数据挖掘过程中如何确定一个数据库中“std-id”与另一个数据库中的“std-no”是否表示同一实体，当前一般使用数据库与数据库之间的含元数据对比来保证实体识别高效率和高质量[6]。

2.2.2冗余问题数据挖掘本身是对经济统计数据的一种深加工技术，经过其加工的经济统计技术应该在本质上达到最简状态。在数据挖掘过程中要将与其他数据呈现某种正相关关系的数据项目进行精简，以保证数据库中数据量维持在一个较低的水平，为数据管理和应用提供便利。在经济数据挖掘活动中人均国民生产总值就是典型的冗余属性，因为其数值是可以通过国内生产总值和总人口属性计算出来的，所以类似人均国民生产总值这种冗余属性在数据挖掘过程中就应该精简，应用的时候在利用国民生产总值和人口属性计算得出[7]。对冗余属性的判断主要通过相关度对比来实现。其中n表示元组的个数，分别是属性A和属性B的平均值，分别是属性A和属性B的标准方差，在这一公式中如果则表示A、B两个属性是正相关，也就是说A越大B就越大，值越高二者的正相关关系就越密切；如果则表示属性A、B之间没有直接关系，是相互独立的；如果则表示A、B两个属性呈负相关，属性B会随着属性A的减小而增大，的绝对值越大，二者的负相关关联关系就越密切。

2.3决策树方法在数据挖掘技术应用过程中，经过系统的分析和总结以后，分析数据的输出是一个关键的环节，其输出的数据形式会对使用者的经济管理决策产生直接的影响。决策树是一种较为常见的、直观的快速分类方法。其应用的关键是决策树的构建，具体而言主要分为两步：第一步是利用训练集建立并精简一棵决策树，建立输出分析的模型；第二步是利用构建完毕的决策树进行输入数据的分类，这一分类是一个递归的过程，从决策树的根部开始进入到树干、枝丫，直到输入数据的分类满足了某种条件而停止。在具体的应用中停止分割的条件有两个：一个是当一个节点上的所有数据都属于同一个类别的时候；另一个是没有分类属性可以对输入数据进行再分割[8]。在决策树构建完成后，还要根据使用者的具体要求对决策树进行“剪枝”，剪枝的主要目的是要降低因为使用训练集而对决策树本身数据输出产生的起伏影响。

篇6

云计算是并行计算和分布计算以及网格计算的发展，是一种在海量数据大规模的集合中能动态处理各种服务器数据资源的一类计算平台，在电子商务、商业金融、科研开发等领域能得到广泛的应用。它具有大规模、虚拟化、高效率、通用性、廉价等特点，能针对不同的用户的不同需求，动态透明地提供其所需的虚拟化计算和资源储存，并能及时动态回收当前用户暂不利用的数据资源以提供给其他用户，而其廉价、通用的特点，使得一般用户实现大规模的数据操作成为可能。目前来说，云计算的平台已得到良好的发展，日益成熟，基于云计算的应用已经可以相当方便的部署和操作其数据资源。

1.2数据挖掘

数据挖掘技术是现代知识发现领域的一个重要技术，它是指一个从随机的大量而不完整的模糊的实际数据中提取其中某些隐含着的具有潜在价值的实用知识与信息的过程。其具体技术有特征化、聚类、关联和预测分析等等，涉及到的高级技术领域有统计学、机器学习、模式识别、人工智能等方面。

2基于云计算的数据挖掘平台构架

网络云的发展给数据挖掘提出了新的问题和时代的挑战，同时，也为数据挖掘提供了新的计算平台和发展机遇。基于云计算的数据挖掘系统平台的发现，解决了传统的数据挖掘技术出现的时代滞慢、效率较低、功能落后、成本高昂等问题。云计算是一种商业计算模式，是网格计算与并行计算及分布式计算在一定程度上的商业实现，其动态、可伸缩的计算基于云计算的数据挖掘平台架构及其关键技术探讨文/张瑶刘辉云计算是一种在互联网时代中应运而生的新兴的网络技术，具有高效率、高容量、动态处理的特点，在社会的商业领域和科研领域表现出了其相当高的应用价值。将云计算应用于数据挖掘平台的构架之中后，将能在很大程度上为现代社会中越来越海量的数据挖掘提供一个高效率的技术平台。本文将结合云计算和数据挖掘的基本概念和现代意义，对数据挖掘的平台构架和相应的关键技术做出简要的分析探讨。摘要能力使得进行高效的海量数据挖掘的目标不再遥远。同时，云计算SaaS功能日益被理解和标准化，使得基于云计算SaaS化的数据挖掘有了理论和技术的指导，并具有了企业化与大众化的发展趋势。

2.1数据挖掘平台构架

建立在关系型数据库之上的传统的数据挖掘技术构架在现时代数据急剧膨胀和分析需求渐增的发展下已经难以应付社会的数据处理问题。而云计算的分布式存储与计算形式则接受了当代的数据挖掘难题，促成了适应时代的云计算数据挖掘平台构架的形成。其包含了面向组件的设计理念和分层设计的思想方法。其构架自下向上总共分为3层，分别为底层的云计算支撑平台层、中间的数据挖掘能力层和上层的数据挖掘云服务层。

2.2基于云计算的数据挖掘平台构架各层意义

云计算支撑平台层：顾名思义，该平台层是云计算数据挖掘平台的基础处理平台，其主要具有的功能是对分布式文件存储与数据库提供资源存储，以及实行对数据的有关处理和计算功能。数据挖掘能力层：该平台结构层主要是提供挖掘的基础能力，是数据挖掘的核心支撑平台，并对数据挖掘云服务层提供能力支撑。该平台层包含了算法数据并行处理、调度引起和服务管理的框架，该平台层可以提供系统内部的数据挖掘处理和推荐算法库，亦支持第三方的数据挖掘算法工具的进入。数据挖掘云服务层：数据挖掘云服务层的主要功能是对外提供数据挖掘操作的云服务，同时也能提供基于结构化查询的语言语句访问，提供相关的解析引擎，以便于自动调用云服务。对外数据挖掘云服务能力封装的接口形式多样，包含了基于简单对象访问协议下的Webservice、XML、HTTP以及本地应用程序的编程接口等多种形式。另外，在必要的时候，云服务层的各个业务系统可以进行数据挖掘云服务的调用和组装。

3基于云计算的数据挖掘平台构架的关键技术探讨

基于云计算的数据挖掘平台构架的形成，离不开现代先进的科技技术，其中几项关键的技术应用将在这里进行简要的阐述：

3.1云计算技术

3.1.1分布式储存技术

通过采用分布式存储的方式来存储数据，是云计算技术保证数据处理高可靠性和经济性的重要保证。用可靠的软件来弥补硬件的不足，是分布式存储技术提供廉价而又海量的数据挖掘支持的重要途径。

3.1.2虚拟化技术

在云计算的环境下，数据挖掘能实现对大量的可用的虚拟化技术的应用、整合，发展出一套全面虚拟化的运行战略。云计算和虚拟化的共同组合，使数据挖掘实现了跨系统下的资源调度，将海量的来源数据进行IT资源汇合，动态地实现对用户的虚拟化资源的供给，从而以高效率、海量动态的特点完成服务任务。

3.1.3并行云计算技术

并行云计算技术是一种对于高效执行数据挖掘计算任务极其重要的技术，并且它对云计算的某些技术细节做出了封装，例如任务并行、任务调度、任务容错和系统容错以及数据分布等。该功能代替了用户对这些细节的考虑，使得研发效率得到了提高。

3.2数据汇集调度中心

数据汇集调度中心的功能主要是完成对不同类型的数据进行汇集。它实现了对接入该云计算数据挖掘平台的业务数据收集汇合，能够解决与不同数据的相关规约问题，并能支持多样的源数据格式。

3.3服务调度与管理技术

对于基于云计算的数据挖掘平台，为了使不同业务系统能够使用本计算平台，必须要提供相应的服务调度与管理功能。服务调度解决云服务下的并行互斥以及隔离等问题，以保证安全、可靠的平台的云服务。服务管理功能要实现统一的服务注册与服务暴露功能，并且支持接入第三方的数据挖掘，以更好地扩展平台的服务能力。

篇7

二、在部队食品采购系统中的应用以及其价值评价

在部队食品采购系统实际应用工程中，其实可以运用MicrosoftSQLServerAnalysisServices来对数据进行分析，并且在数据挖掘过程中对多维数据进行描述与查找起到一定作用。因为多维数据比较复杂，增长的也比较快，因此，进行手动查找是很困难的，数据挖掘技术提供的计算模式可以很好的对数据进行分析与查找。在建设部队食品采购仓库数据的时候，数据内容主要包括了人员的健康、兵员的饮食以及训练等，进行数据挖掘主要包括以下内容：第一，把每个主题信息数据进行收集、汇总、分析等，对人员情况、健康、饮食、训练等进行合理分析；第二，多维分析数据信息。根据部队的实际情况，利用数据挖掘技术对部队人员健康、饮食、训练等数据信息进行多维分析，其中包含上钻、切片、下钻等；第三，挖掘健康与饮食之间的内在关系。根据数据库中许多面向主题的历史数据，采用数据挖掘技术进行分析与演算得到部队人员的训练和健康情况与部队饮食之间内在关系，以便于为部队食品采购提供合理的、有效的保障，从而提高部队整体人员的健康水平、身体素质以及训练质量，对提高我国部队战斗力有着深远的意义。

篇8

2交互式关联规则挖掘算法

关联规则挖掘算法在数据库的记录或对象中抽取关联性，展示了数据间位置依赖关系，其目的是寻找在大量的数据项中隐藏着的联系或相关性。其优越性在于能将用户的定制信息整合到挖掘过程中，以一种友好的方式引入约束，使挖掘出更加符合用户需要的信息，并且提高了挖掘的效率和有效性。

2.1目标数据库的确定

数据挖掘应熟悉对象的背景知识，明确挖掘的目标，根据目标确定相关数据，以此作为目标数据库，来完成对数据的预处理、挖掘和规则评价。

2.2交互式关联规则挖掘算法

表示A成立则B成立，其中给出了可信度C和支持度S。可信度C是对关联规则准确度的衡量，即在出现A的情况下出现B的概率；支持度S是对关联规则重要性的衡量，即A和B同时出现的概率。

3熔炼机组数据挖掘的实现

本文采用的是冀某工厂于2013年5月运行的数据，采样频率为2~3秒/次，采样模式为实时监测值，得到7595组数据。在分析阶段，对影响机组的主要可控参数进行了提取及预处理，参数主要包括：转速、有功功率、主蒸汽压力、调节级压力、中压缸排汽压力。以机组转速设计值为3600r/min为例来分析。对各个可控参数数据进行曲线化处理，作为分析它们之间的关联规则的数据表。上述关联规则表示，在三种负荷工况下，工厂熔炼机组有功功率与主蒸汽压力、调节级压力、中压缸排汽压力三者之间最优变化区间的关联。经分析，在机组中应用关联规则的数据挖掘技术与传统方法相比，优点是其可以对不同的可测参数进行挖掘，方法简单有效、可操作性强；运用关联规则进行挖掘，对过程能够较灵活控制，处理后的目标值直观，便于操作指导和提高运行效率。

篇9

2、国内外文献综述

挑选中国知网数据库，以“知识管理”为主题关键词进行精确检索，共找到 31，324 篇文献，其中 2004 年至2014 年间共发表文献 24，895 篇，近十年是知识管理领域研究的高峰期。以“高校知识管理”或“大学知识管理”为主题关键字进行精确检索，得到 248 篇相关文献，可发现针对高校的知识管理研究较少。针对结果进行二次检索，增加主题关键词“数据挖掘”得到相关文献 3 篇，表明对高校知识管理与数据挖掘技术结合的研究较少，所得文献主要观点包括：1.数据挖掘技术可用于高校知识发现；2.数据挖掘对知识管理体系建设有推动作用；3. 高校知识管理成果可通过数据挖掘技术进行评价。对国外学者的研究情况进行分析，挑选 Web ofScience 数据库。以“knowledge management”为主题关键字进行检索，共得到 62，474 篇文献，以“knowledgemanagement of college”为主题关键字检索，得到 647篇文献，再结合关键词“Data mining”，共得到文献 5 篇。由此可见，国外相关研究比国内多出近一倍，并且研究的程度深、范围广。但关于高校知识管理与具体信息技术结合应用的文献仍较少，且发表日期多为 2010 年后。

3、知识管理与数据挖掘结合的软件要求

知识管理与数据挖掘技术的结合运用对高校相关设备提出了一定的要求，包括对服务器、客户端计算机的硬件要求以及对知识管理平台、数据挖掘工具的软件要求，本文中将重点叙述软件要求。

知识管理平台要求

知识管理平台是高校知识管理的实施基础，它为高校人员提供了可视化的操作界面，其应实现的基本功能包括：1.数据接口；2.工具接口；3.数据挖掘（内置或外接）；4.知识仓库；5.知识索引、推荐；6.信息检索；7.组织内交流；8. 管理评价。一个知识管理平台应分为：表现层、服务层、处理层、存储层。表现层是面向用户的可视化界面，用于人机交互，接受用户的任务；服务层对任务进行调度、处理，直接执行无需数据挖掘的任务并反馈至表现层，调度需要数据挖掘的任务至处理层；处理层负责数据预处理、数据挖掘、知识发现等功能；存储层包括校方数据库及知识仓库。具体层次如图 1 所示。根据高校组织的特征，知识管理平台应在实现基本功能的前提下具有以下特点：1. 接口质量高。高校集行政、科研、社会服务等任务于一体，需要处理海量数据，应提供接口以使用专业处理工具处理复杂任务，保证数据处理的效率与深度；2. 内置数据挖掘功能。高校所含数据种类多、范围广，对结构简单、数据量小的数据可直接使用内置数据挖掘功能处理，节省时间；3. 交流功能强。高校为知识密集型组织，其学科、职能间存在交叉，优秀的交流功能保证了知识的共享及创新。4. 完善的激励体系。激励体系不仅体现在平台的评价功能中，更体现在管理人员的管理中，通过提高人员的积极性促进知识管理进程的实施。

数据挖掘工具要求

高校所含知识从相关对象分类可分为两类：1. 管理知识，指高校各部门（教学、后勤部门等）用于高校管理的知识；2. 科研知识，指各学科的专业知识。前者主要与高校行政、管理人员相关，后者则与高校学者、教授关系更大。针对不同的用户，知识管理与数据挖掘的结合运用对数据挖掘软件提出了不同的要求。高校行政、管理人员所面对的数据多来自高校各类信息系统的记录，如：校园卡消费信息、机房上机信息，具有量大、范围广、结构一致等特点。用于该类数据挖掘的挖掘工具可内置于知识管理平台中，便于数据存取，提高挖掘速度。常用功能为预测、分类、评价三项，主要方法可选用回归分析、趋势外推、特征分类、层次分析、模糊综合评价法等。结合使用者特点，该类挖掘工具应提供独立的、具有既定模式的工作界面，减少用户与算法的接触，挖掘结果应具有较强可视性，提供图、表界面，以便用户理解。高校科研知识主要来自于学者、教授的科学研究，包括：实验数据、主观推测描述等，具有专业性强、层次深、结构复杂等特点。针对挖掘要求较低的数据，可使用知识管理平台中的内置挖掘工具，而针对挖掘要求高的数据，可选用专业数据挖掘软件，如：Intelligent Miner、QUEST 等，通过知识管理平台的接口进行对接。

4、知识管理与数据挖掘结合的具体策略

知识管理的基本职能可概括为外化、内化、中介、认知四大部分，其中前三项职能对信息技术的依赖较强，可用数据挖掘技术进行辅助。数据挖掘的过程分为条件匹配、选择、激活、应用四部分，即对数据进行预处理后，选择相关数据记录，根据用户要求选择相应技术进行数据挖掘，得出并解释数据挖掘结果，最终将这些记录应用于实践中。两者的具体结合策略如下：

辅助知识管理体系建设

知识管理本质是一个周期性管理过程，在这一过程中实现组织知识共享、创新等，最终提升组织综合实力，其中知识管理体系建设是实现知识管理的宏观条件。知识管理体系建设是一个系统、全面的工程，包括组织结构调整、确定激励制度、知识管理文化培养、成效评估等任务。数据挖掘技术，可以为知识管理体系建设提供依据，保证相关决策的科学性。数据挖掘对知识管理体系建设的帮助主要体现在以知识主管为主的知识管理部门对高校的管理、决策当中。知识管理部门收集并预处理外校、本校知识管理体系建设的相关数据，完成辅助决策的数据仓库的建设。管理人员可根据要求，从数据仓库中选择数据，利用对应模型完成挖掘，通过挖掘结果对决策做出帮助。以制定激励制度为例，管理人员选择与高校人员喜好相关的数据，如至少包含“部门”、“喜好”、“性别”字段，利用关联算法对其进行计算，即可得出各部门工作人员的喜好，以此为据制定相应激励制度。

知识外化

知识外化是指组织从组织外部获取与本组织相关的知识、发现归集组织内部存在的知识并进行存储以备用的过程。完成知识外化的关键即知识发现，其较为常用的方法包括主观归纳、隐性知识外显等。目前学界中较为认可、使用较普遍的方法即数据知识发现（KnowledgeDiscovery in Database， KDD），指从数据集中识别出表明一定模式的、有效的、潜在的信息归纳为知识的过程。这是数据挖掘与知识管理结合应用的最重要部分。同时，数据挖掘技术只给定挖掘目标，不给出假设、前提，因此在使用数据挖掘的过程中可获取一些计划外的知识，为知识管理提供一个可靠的知识源。此处存在两个前提：第一，知识发现不能仅仅依靠信息技术，更需要人员对挖掘结果进行主观归纳，解释其语义以完成知识的推理；第二，挖掘对象需进行预处理，并转化成逻辑数据。利用数据挖掘技术进行知识发现有多种可用方法：利用分类和聚类分析可提供知识索引和发现特殊情况下的离群值和孤立点，知识索引可细化知识所属领域和确定挖掘范围，离群值和孤立点可为挖掘人员提供归纳的线索，若其存在一定规律则可得出模型、规则；使用模糊技术、统计方法可得出对高校决策的评测分析，判断方案的有效性，并得出模式，用于同类决策处理；使用粗糙集和主成份分析法定义知识发现中的主要特征，结合已有知识库对不确定、不精准的知识进行细化；使用关联规则发现大量数据集各字段中潜在的联系。以关联规则的使用为例，选择 Apriori 算法，挖掘目的是发现学生学习情况中的潜在知识。首先从数据仓库中选出与学生课程成绩相关的数据集，包括姓名、院系、性别、课程号、课程类别、成绩等字段，进行预处理，将字段中的取值转化为逻辑值，代表不同语义，如：性别字段，男设值 1，女设值 2。操作人员设置最小支持度、置信度，通过数据挖掘工具进行挖掘，得出关联规则并进行解释。若结果显示 XX 院系、男生、A 类别 => 成绩优秀构成管理规则，则表示XX院系的男生对于A类别科目较感兴趣，学习成绩优秀，可在归纳后存入知识仓库。

知识内化、中介

知识内化是发现特定人员知识需求，并为其提供相应知识的过程，内化的关键是对知识的聚类、对人员的兴趣挖掘。知识中介是指组织中存在一定量无法编码储存的知识，针对这些知识，通过一定手段，将知识的需求者与知识来源进行匹配，为两者提供交流的途径。数据挖掘在知识内化、中介中所起的作用主要是对高校人员特征的挖掘。在利用数据挖掘技术发现知识后，通过知识管理平台进行分类存储、添加索引，作为备选。对高校人员数据库中数据进行挖掘，可利用聚类分析、预测模型等，得出特定人员的特长领域、兴趣爱好，从而根据先前设置的知识索引为其提供信息。若定期对人员特征数据进行挖掘，并根据结果为高校人员推送相关知识、信息，即可实现个性化推送，其推送内容由人员特征数据决定。高校组织中拥有大量教授、学者，其所拥有的知识是一笔巨大财富，加强相关领域间人员的交流、沟通，可以促进知识共享、创新，提升组织综合实力，这正是知识管理中介职能的作用。通过上文中相同的挖掘方法，在对教授、学者特征进行挖掘后，对他们的研究方向进行聚类分析，由挖掘结果，为相关人员提供合适的建议、利用知识管理平台为特征相似或同一聚类中的教授、学者提供交流的途径，进而促进知识的共享。

数据挖掘技术推动图书馆管理

图书馆是高校组织中的特殊资源，含有大量精确或模糊、成型或不成型的知识，是一种实体的知识仓库。对图书馆的有效管理有助于高校知识管理的实施。目前，已有不少图书馆专家将数据挖掘技术引入图书馆管理，提出了针对图书馆的数据挖掘应用理论。图书馆数据挖掘对象主要包括三个：1.图书信息；2.读者信息 3. 读者借阅信息。通过对三者挖掘结果的综合，可为图书馆资源建设、读者服务、个性化服务提供帮助。根据挖掘结果分析，可做到客观、合理引入资源，做到让数据说话而不是让管理人员说话，减少了管理人员个体的主观影响，使高校图书馆经费发挥最大效用；提升读者服务质量，在读者进行检索时减少等待时间，改变以往被动检索的情况，通过用户数据挖掘为用户提供主动的信息推送；提供个性化服务，以挖掘结果为依据，针对不同用户提供不同服务，比如不同的图书馆系统管理界面。

充分发挥管理职能

知识管理是一个系统工程，包含平台开发、体系构建、文化培养等，其在实践中设计大量的数据操作。数据挖掘技术可在知识管理的实践过程中为各项信息处理工作提供支撑，从而为操作人员提供便利，间接缩短知识管理的周期时间。将高校知识管理与数据挖掘技术相结合可有效促进知识管理具体操作中的工作效率。两者的结合对高校人员管理具有积极作用，数据挖掘与知识管理在实践中相互影响，提升操作人员素养。数据挖掘需要专业人员进行操作，操作人员的综合素养将决定挖掘成果的质量。知识管理可有效促进数据挖掘人员对知识的认知，使操作人员对不同要求所对应的挖掘技术、模型的选择更为准确，提升挖掘成果的质量，使知识更加清晰、独立、可接受。

篇10

摘要：学习成绩是评价学生素质的重要方面，也是教师检验教学能力、反思教学成果的重要标准。利用大连民族大学统计学专业本科生有关数据（专业基础课成绩、平时成绩和回归分析期末成绩），建立多元線性回归模型，对影响回归分析期末成绩的因素进行深入研究，其结果对今后的教学方法改进和教学质量提高具有十分重要的指导意义。

关键词：多元线性回归；专业基础课成绩；平时成绩；期末成绩

为了实现教学目标，提高教学质量，有效提高学生学习成绩是很有必要的。我们知道专业基础课成绩必定影响专业课成绩，而且平时成绩也会影响专业课成绩，这两类成绩与专业课成绩基本上是呈正相关的，但它们之间的关系密切程度有多大？它们之间又存在怎样的内在联系呢？就这些问题，本文主要选取了2016级统计专业50名学生的四门专业基础课成绩以及回归分析的平时成绩和期末成绩，运用SPSS统计软件进行分析研究，寻求回归分析期末成绩影响因素的变化规律，拟合出关系式，从而为强化学生的后续学习和提高老师的教学质量提供了有利依据。

一、数据选取

回归分析是统计专业必修课，也是统计学中的一个非常重要的分支，它在自然科学、管理科学和社会、经济等领域应用十分广泛。因此研究影响统计学专业回归分析成绩的相关性是十分重要的。

选取了统计专业50名学生的专业基础课成绩（包括数学分析、高等代数、解析几何和概率论）、回归分析的平时成绩和期末成绩，结合多元线性回归的基础理论知识[1-2]，建立多元回归方程，进行深入研究，可以直观、高效、科学地分析各种因素对回归分析期末成绩造成的影响。

二、建立多元线性回归模型1及数据分析

运用SPSS统计软件对回归分析期末成绩的影响因素进行研究，可以得到准确、科学合理的数据结果，全面分析评价学生考试成绩，对教师以后的教学工作和学生的学习会有较大帮助。自变量x1表示数学分析成绩，x2表示高等代数成绩，x3表示解析几何成绩，x4表示概率论成绩，x5表示平时成绩；因变量y1表示回归分析期末成绩，根据经验可知因变量y1和自变量xi，i=1，2，3，4，5之间大致成线性关系，可建立线性回归模型：

（1）

线性回归模型通常满足以下几个基本假设，

1.随机误差项具有零均值和等方差，即

（2）

这个假定通常称为高斯-马尔柯夫条件。

2.正态分布假定条件

由多元正态分布的性质和上述假定可知，随机变量y1服从n维正态分布。

从表1描述性统计表中可看到各变量的平均值1=79.68，2=74.66，3=77.22，4=78.10，5=81.04，1=75.48；xi的标准差分别为10.847，11.531，8.929，9.018，9.221，y1的标准差为8.141；有效样本量n=50。

回归分析期末成绩y1的多元回归模型1为：

y1=-5.254+0.221x1-0.4x2+0.154x3

+0.334x4+0.347x5

从表2中可以看到各变量的|t|值，在给定显著水平？琢=0.05的情况下，通过t分布表可以查出，自由度为44的临界值t？琢/2（44）=2.015，由于高等代数x2的|t|值为0.651小于t？琢/2（44），因此x2对y1的影响不显著，其他自变量对y1都是线性显著的。下面利用后退法[3]剔除自变量x2。

三、后退法建立多元线性回归模型2及数据分析

从模型1中剔除了x2变量，多元回归模型2为：

y1=-5.459+0.204x1+0.149x3+0.377x4+0.293x5（5）

在表4中，F统计量为90.326，在给定显著水平？琢=0.05的情况下，查F分布表可得，自由度為p=4和n-p-1=45的临界值F0.05（4，45）=2.579，所以F>F0.05（4，45），在表5中，所有自变量的|t|值都大于t？琢/2（45）=2.014，因此，多元回归模型2的线性关系是显著的。

四、结束语

通过对上述模型进行分析，即各个自变量对因变量的边际影响，可以得到以下结论：在保持其他条件不变的情况下，当数学分析成绩提高一分，则回归分析成绩可提高0.242分[4-5]；同理，当解析几何成绩、概率论成绩和平时成绩每提高一分，则回归分析成绩分别提高0.149分、0.377分和0.293分。

通过对学生专业基础课成绩、平时成绩与回归分析期末成绩之间相关关系的研究，一方面有利于教师把控回归分析教学课堂，提高教师意识，注重专业基础课教学的重要性，同时，当学生平时成绩不好时，随时调整教学进度提高学生平时学习能力；另一方面使学生认识到，为了更好地掌握回归分析知识，应加强专业基础课的学习，提高平时学习的积极性。因此，通过对回归分析期末成绩影响因素的研究能有效的解决教师教学和学生学习中的许多问题。

统计学毕业论文范文模板(二)：大数据背景下统计学专业“数据挖掘”课程的教学探讨论文

摘要：互联网技术、物联网技术、云计算技术的蓬勃发展，造就了一个崭新的大数据时代，这些变化对统计学专业人才培养模式的变革起到了助推器的作用，而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。本文基于数据挖掘课程的特点，结合实际教学经验，对统计学本科专业开设数据挖掘课程进行教学探讨，以期达到更好的教学效果。

关键词：统计学专业；数据挖掘；大数据；教学

一、引言

通常人们总结大数据有“4V”的特點：Volume（体量大），Variety（多样性），Velocity（速度快）和Value（价值密度低）。从这样大量、多样化的数据中挖掘和发现内在的价值，是这个时代带给我们的机遇与挑战，同时对数据分析技术的要求也相应提高。传统教学模式并不能适应和满足学生了解数据处理和分析最新技术与方法的迫切需要。对于常常和数据打交道的统计学专业的学生来说，更是如此。

二、课程教学探讨

针对统计学本科专业的学生而言，“数据挖掘”课程一般在他们三年级或者四年级所开设，他们在前期已经学习完统计学、应用回归分析、多元统计分析、时间序列分析等课程，所以在“数据挖掘”课程的教学内容选择上要有所取舍，同时把握好难度。不能把“数据挖掘”课程涵盖了的所有内容不加选择地要求学生全部掌握，对学生来说是不太现实的，需要为统计学专业本科生“个性化定制”教学内容。

（1）“数据挖掘”课程的教学应该偏重于应用，更注重培养学生解决问题的能力。因此，教学目标应该是：使学生树立数据挖掘的思维体系，掌握数据挖掘的基本方法，提高学生的实际动手能力，为在大数据时代，进一步学习各种数据处理和定量分析工具打下必要的基础。按照这个目标，教学内容应以数据挖掘技术的基本原理讲解为主，让学生了解和掌握各种技术和方法的来龙去脉、功能及优缺点；以算法讲解为辅，由于有R语言、python等软件，学生了解典型的算法，能用软件把算法实现，对软件的计算结果熟练解读，对各种算法的改进和深入研究则不作要求，有兴趣的同学可以自行课下探讨。

（2）对于已经学过的内容不再详细讲解，而是侧重介绍它们在数据挖掘中的功能及综合应用。在新知识的讲解过程中，注意和已学过知识的融汇贯通，既复习巩固了原来学过的知识，同时也无形中降低了新知识的难度。比如，在数据挖掘模型评估中，把混淆矩阵、ROC曲线、误差平方和等知识点就能和之前学过的内容有机联系起来。

（3）结合现实数据，让学生由“被动接收”式的学习变为“主动探究”型的学习。在讲解每种方法和技术之后，增加一个或几个案例，以加强学生对知识的理解。除了充分利用已有的国内外数据资源，还可以鼓励学生去搜集自己感兴趣的或者国家及社会大众关注的问题进行研究，提升学生学习的成就感。

（4）充分考虑前述提到的三点，课程内容计划安排见表1。

（5）课程的考核方式既要一定的理论性，又不能失掉实践应用性，所以需要结合平时课堂表现、平时实验项目完成情况和期末考试来综合评定成绩。采取期末闭卷理论考试占50%，平时实验项目完成占40%，课堂表现占10%，这样可以全方位的评价学生的表现。

三、教学效果评估

经过几轮的教学实践后，取得了如下的教学效果：

（1）学生对课程的兴趣度在提升，课下也会不停地去思考数据挖掘有关的方法和技巧，发现问题后会一起交流与讨论。

（2）在大学生创新创业项目或者数据分析的有关竞赛中，选用数据挖掘方法的人数也越来越多，部分同学的成果还能在期刊上正式发表，有的同学还能在竞赛中取得优秀的成绩。

（3）统计学专业本科生毕业论文的选题中利用数据挖掘有关方法来完成的论文越来越多，论文的完成质量也在不断提高。

（4）本科毕业生的就业岗位中从事数据挖掘工作的人数有所提高，说明满足企业需求技能的人数在增加。继续深造的毕业生选择数据挖掘研究方向的人数也在逐渐增多，表明学生的学习兴趣得以激发。