型课程教学模式

摘 要 ：针对智能科学与技术专业研究型课程较多的建设现状,以重庆邮电大学智能科学与技术专业的数据挖掘课程为例,阐述课程教学内容和教学目标的设置,提出采用文献调研、算法实践、成果展示等教学方法,激发学生学习的主动性,拓展学生的创新性思维.

关 键 词 ：数据挖掘；教学模式；文献调研；主动学习；创新性思维

0 引言

过去10年来,现代社会中复杂的“连通性”向公众展现出与日俱增的魅力,这种“连通性”来源于互联网与万维网的快速成长、全球通信的便捷以及新闻与信息在全世界传播的惊人速度与强度.伴随着当今世界这些发展,人类社会已经进入了一个以计算机和网络为基础、以数字化和智能化为标志的信息社会时代,如何诠释这个高度互联的社会,多个学科显现出一种相互靠拢的态势.

智能科学与技术专业作为面向前沿高新技术、具有广阔发展前景和巨大应用需求的新型专业,是电子通信技术、计算机技术、自动化控制技术、光学工程和机械工程等学科相互交叉和融合的综合学科.专门培养具备计算机技术、自动控制技术、智能系统方法、传感信息处理等科学与技术理论,能够采用智能科学与技术的智能设计理念进行高新技术研究和传统产业升级的人才.

作为重庆邮电大学计算机科学与技术学院智能科学与技术教学部的教师,笔者从专业建设以及与学生交流的过程中发现,如何体现专业特色是学生和老师共同关注的问题.不同学校在专业特色的选择上都会侧重于该校科研的发展和优势,重庆邮电大学根据多年来在智能信息处理、计算智能、智能交通以及网络智能方向上取得的显著成绩,将智能科学与技术这一新专业的特色和方向选定为智能信息处理和智能游戏开发,这其中所包含的专业核心课程和其他专业非常不同,有多门研究型课程,如数据挖掘、智能计算技术、机器智能、脑与认知科学和多媒体技术等.作为数据挖掘课程的教师,笔者将以该课程的实际教学为例,探讨研究型课程的教学模式和方法.

1.相关教学方法探讨

重庆邮电大学根据自身条件在智能科学与技术专业开设了智能科学技术导论、脑与认知科学、数理逻辑学、人工智能基础、模式识别、智能控制、智能计算技术、人机接口技术、数据挖掘、生物信息处理、机器智能、智能游戏开发与设计等专业课程.从这些课程的性质不难看出很多都属于研究型课程,无论在教学理念和方法上,还是在教材选择上都有一定的难度,因此对于这些课程既不能完全采用针对研究生的教学方式,又不能千篇一律地由教师完成整个教学任务.如何既能提升学生的学习兴趣,又能让学生感到学有所用,是研究型课程本科教学中需要考虑的问题.数据挖掘是一门研究型的多学科交叉课程,涉及的知识面很广,融合了概率统计学、数据库技术、数据仓库、人工智能、机器学习、信息检索、数据结构、高性能计算、数据可视化以及面向对象技术等学科.为了更好地在本科生中开设这门课,我们针对智能科学与技术专业已经开设的研究型课程的教学方法进行调研和学习.

文献在机器人课程建设中注重采用启发式教学和教学科研相结合的方式,培养学生的主动性和创新性；从专题文献调研、演讲、讨论和动手实验等方法入手,培养学生主动学习机器智能课程及拓展知识的兴趣,并且起到了很好的效果；在本科阶段数据挖掘课程的教学中着力通过实验教学设计提升学生学习的兴趣；从强调本科数据挖掘课程的应用人手,精心设计教学内容和教学实践；对智能游戏开发与设计课程的教学内容设置、考核方式和教材建设等问题进行探讨；提出教师在人工智能课程教学中要加强与学科发展前沿接轨,引入案例教学,从实用性的角度引导学生创新.

2.教学模式设计

2.1 教学内容设置

数据挖掘作为重庆邮电大学智能科学与技术专业学生进入大三之后的一门限选课程,其理论课共40学时,实验课16学时.在如何进行教学内容设置上,笔者认为首先应该明确数据挖掘的定义和意义,即“数据挖掘就是试图从海量数据中找出有用的知识,可以被视为机器学习和数据库的交叉研究,主要利用机器学习提供的技术分析海量数据,利用数据库提供的技术管理海量数据”.结合本科生教学要求和以上对数据挖掘的定义,我们首先将理论教学内容设置为3大板块,如下图1所示.

在实验内容设置上,结合目前的实验条件,我们选用SQL Server 2008的Analysis Service实验平台开设8次实验课,紧紧围绕课程教学开设数据仓库创建、OLAP操作以及关联规则挖掘算法、分类算法、预测和聚类算法的实验,便于学生更好地理解和掌握课堂所学内容.在条件成熟之后,我们还将进一步结合SPSS数据分析平台增加相关实验内容.

2.2 专题文献调研

数据挖掘作为一门综合性强且多学科交叉的课程,本科生在开始接触时会感觉该课程高深莫测,无法立刻接受,学起来非常抽象而且不易于理解,导致教师教学困难,学生学习吃力.为帮助学生深入了解数据挖掘各个方向的方法、理论和应用,提高学习主动性,激发学习兴趣,我们采用文献调研的方法,让学生通过广泛查阅文献资料,更加深入地了解该课程的研究背景和现状.

我们首先通过布置不同方向的调研任务,如生物信息领域的数据挖掘、图像处理中的数据挖掘应用、社会网络中的数据挖掘等,引导学生成组地开展文献阅读和调研工作,同时以此作为该课程的作业之一,这些任务都是学生感兴趣和关心的一些问题,因此能够充分调动学生学习的积极性和主动性.1-2周后的学生汇报工作令人十分满意,学生的汇报内容涵盖了丰富的内容,包括遥感影像的应用、医学图像的处理、推荐引擎的设计和网络舆情的分析等.经过这些调研,学生加深了对数据挖掘课程的理解,熟练掌握其应用,学习态度非常积极,为课程教学打下了良好基础.

1）鼓励动手实践.

数据挖掘的诞生从一开始就面向海量数据信息处理,因此它不同于智能科学与技术中一些理论性极强的研究型课程,如脑与认知科学、数理逻辑学等,而具有较强的应用性.如果教师在教学中只注重理论教学,在课堂上一味追求教师教和学生听,那么这只会让学生产生厌烦心理；相反,如果设计好实践环节,鼓励学生动手参与实践,那么教师就能够在本科教学中将数据挖掘这门课上好. 在该课程重点版块之一数据预处理的介绍中,为了让学生体会数据预处理在数据挖掘前期的重要性,我们开办能够形象地展示预处理行为的图像预处理讲座,向学生介绍一些简单的用于模式识别图像增强、去噪及锐化的方法,课后让学生通过使用Matlab中的相关函数进行实践,完成一次大作业.针对重点版块之二的数据挖掘算法,我们给学生布置了3个重点算法的实验作业,包括关联规则挖掘的“Apriori算法”、分类算法的“决策树.5算法”以及聚类算法的“K-means算法”,要求学生以组为单位,在充分理解算法原理和相关知识的基础上编程实现,邀请研究生对数据挖掘实验平台WEKA的安装使用进行专题讲座.这些讲座和大作业可以调动学生的学习积极性,鼓励学生主动查找资料和引用文献.

每个作业布置之后的两周,学生交上来的结果让笔者觉得还可以向他们提出更多扩展性的要求.例如,有的学生将K-means算法用于对亚洲足球队进行水平的聚类；有的学生主动学习数据挖掘的一些前沿知识,结合粗糙集对BBS网络舆情进行分析；有的学生则不仅实现了算法,还将其做成简单的可视化界面,实现了神经网络的手写字体识别；有的学生学习使用WEKA平台进行算法的对比实验.40学时的理论教学结束后,学生普遍反映对于亲自动手实践过的内容,他们掌握得最扎实,同时也是对课堂内容理解得最透彻的地方.这些都充分表明,研究型课程的教学一定要理论结合实践,才能调动学生的学习热情,发挥学生的主动性,以便学生最终更好地完成教学任务.

2）演示成果.

专题文献调研和动手实践活动极大地调动了学生学习的积极性.作为教师,我们通过作业看到了他们的成绩,但是学生更希望有一个能够展示自己努力获得的成果的平台,因此我们为每一类大作业预留一节课的时间让学生演示自己的成果,要求学生准备好自己演示的材料,制作PPT,讲解并演示程序.

从效果上看,这种做法不仅活跃了课堂气氛,而且不同小组之间的讲解和交流拓宽了学生的视野,开阔了学生思路,进一步增强学生对重点知识的理解.一些学生由于是首次参与这样的演讲,还存在逻辑思路不清晰、条理混乱、PPT制作颜色搭配不当问题,但是这种锻炼机会却能够让学生受益匪浅,令他们能够在以后的学习、毕业答辩甚至工作中都有经验可循.每一次成果展示完毕,对于一些精品作业,台下同学都会报以掌声.这些热烈的掌声对于完成下一个专题大作业的学生都是一种鼓励和鞭策,让他们能够更加努力地准备,从而进一步培养和激发创新性思维能力.

3）改革考核方式.

数据挖掘课程在智能科学与技术专业的教学计划中属于专业限选课,许多类似的课程通常在最后的期末考试中都是采取大作业或者论文提交的考核方式.课堂教学不是小众教学,一个大的集体中学生水平参差不齐,虽然上述相应的文献调研和动手实践使得优者更优,但我们还要保证不让大多数人掉队,因此教师在开始上课时就需和学生申明该课程需要期末笔试.

考虑到课程本身性质与专业基础课不同,其知识结构也不像数据结构等课程那样系统连贯,因此我们最终采用的考核方式是开卷考试.考试内容主要体现在对知识的活学活用上,既注重对基础知识的理解,如如何为数据仓库建立简单数据模型,又有在充分理解重点算法原理后才能做出的综合计算题,最后一般还会有一道论述题,可以是针对某一行业进行的数据挖掘决策支持系统应用的讨论,也可以是对自己在课后实践中完成的一个从数据预处理到数据挖掘算法应用的作品总结.

为了鼓励积极分子,鞭策落后学生,在最后的总评成绩中,我们通常采用50%的平时大作业成绩,加上50%的期末考试成绩.这样既保证学生只有通过自己的努力才能取得良好的成绩,又保证那些没有参与到大作业中的学生通过上课听讲和课后复习,基本掌握该课程的重点内容.

3.结语

通过两个学期的教学,我们总结出以下几点研究型课程教学经验.

（1）研究型课程通常都是一种成长型的课程,既包括过去几十年的研究成果,又不断出现与时俱进的新成果,因此教师在课堂教学中应该积极把握国内外最新研究现状,让学生充分把握时代的脉搏和感受专业课程的魅力.

（2）研究型课程教学更应该注重实践性和实用性内容的介绍.由于该课程教学最容易让学生步入一个歧途,觉得抽象的理性多于具体的感性,让他们感受到该门课程是一个空中楼阁,因此教师在讲授一些重点基础理论和算法的基本原理时,更应该将课程重点放在介绍算法的产生背景、应用领域和具体实现过程上,让学生能够深切体会到智能科学与技术专业培养的不仅仅是简单的“码农”,更是能编写出更加智能化的程序的人才.

（3）研究型课程更应该注重学生创新性思维的培养.首先,研究型课程让学生掌握某一领域知识,理解该领域知识的概念,具备解决问题的能力；其次,研究型课程令学生具有不同的思维方式和开阔的学科视野,形成了创新性能力所要求的对不同学科、文化和理念进行深入观察的潜质,因此教师只要给予适当的引导,就能更好地培养学生的目标意识,为学生开展未来的创新性研究工作奠定基础.

（4）研究型课程更应该注重教学内容和教学目标的设置.众所周知,研究型课程内容繁杂,理论性特别强,学生更关心的是各种算法的实际应用领域和使用方法,因此教学内容在设置上应该倾向于实用性,与实际需求紧密结合,教学重点尤其应该放在各类课程的应用领域和具体实现上.

总之,在本科生中开展研究型课程的教学十分必要.只要教学内容和教学方法适当,就一定能够激发学生的创新性潜质和学生对该学科的学习兴趣.

（编辑：宋文婷）