专业认证背景下大数据分析课程教学改革与实践

以大数据分析技术为例,探讨如何进行专业认证背景下的课程教学改革与实践,从该课程要求达到的具体教学目标、教学内容设计、课程考核方式改革、课程教学评价与改进等方面,介绍“以学生为中心”的改革实践过程,为工程教育专业认证体系中其他课程的教学改革提供借鉴。

“大数据基础”课程教学改革体会

针对“大数据基础”课程学习内容相对较新、知识面较广、教师教学与学生学习难度更大的实际状况,分析该课程的定位、教学内容与教材选择、教学方式与实验案例设计等问题。提出和实践新工科背景下的大数据课程教学方法,包括项目案例驱动教学、以问题提升教学、激发学生创造力等。同时,结合“大数据基础”课程教学实践分析了大数据课程教学改革方向。

一种数据流自适应两阶段聚类算法

K-means是最常用的批量聚类方法,然而该算法需要多次迭代并不能直接用于数据流聚类。文章基于自适应谐振理论(ART),提出一种针对数据流聚类的自适应两阶段聚类算法(ATPC)。该算法分为在线自适应微聚类和离线全局批量聚类两个阶段,自适应生成微簇,具有线性计算复杂度。在MOA平台上真实与模拟数据流的实验结果验证了ATPC方法的高效性。

一种面向数据流贝叶斯分类的显露模式挖掘方法

显露模式考虑模式在目标类与对立类数据集合中的支持度,首先必须是频繁模式,IncMine是著名的数据流频繁闭合模式挖掘算法。然而,现有的频繁模式挖掘算法面向事务数据流,项集没有类标约束,不能进一步挖掘显露模式用作数据流分类。本文提出一种基于IncMine的显露模式挖掘方法(emerging patterns based on incMine,EPBIM)。EPBIM改进IncMine算法,挖掘带类值约束的频繁闭合项集,并获取显露模式用于贝叶斯分类。在MOA平台上运行多个真实与模拟数据流,实验结果验证了该方法的有效性。