数据挖掘在高职院校学生技能考证管理中的应用

《数据挖掘在高职院校学生技能考证管理中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、数据挖掘在高职院校学生技能考证管理中的应用：随着高等职业院校毕业生职业技能的不断扩展和学生管理信息系统的应用，产生并积累大量复杂的信息数据，传统的统计分析方法已不适应深入分析的需求。本文通过研究基于已有数据挖掘算法，针对算法中存在的不足进行改进，应用数据挖掘技术中的数据预处理技术，以高职院校学生职业技能培训和证书管理数据为研究对象，帮助高职院校更好的进行学生职业技能培养、对学生职业技能情况的掌握以及就业的指导方向等方面具有重要的意义。　　关键词：数据挖掘数据预处理高职院校职业技能　　　　0引言　　在职业院校的学生技能证书的整

2、理和汇总的具体工作开展中，需要投入大量的人力、物力和财力。同时，由于查阅相关学生信息会有很大的困难，一方面是由于学生数量太多，信息量过大，查找起来不方便，另一方面则是由于传统的学生信息管理存在着很大的弊端，不能适应学生管理工作的开展。也正是这种情况的存在，严重影响着学校管理部门对学生各类信息的准确掌握，离开了信息的准确掌握，也就更谈不上做好各类信息的分析与处理了。所以，从这个层面上讲，探索适应高职院校发展需要的学生信息管理系统就显得尤为必要和重要。就整个高职院校而言，学生就业管理部门对于学生信息的收集、整理、归纳以及筛选起着

3、十分重要的作用。准确而详实的学生信息可以为学校更好地做好学生就业指导提供必要的依据。所以本文即介绍下面这种系统，旨在通过采用基于数据挖掘技术遗传算法分析汇总高职院校职业技能证书信息，以此来消除传统学生信息管理模式的种种弊端。　　1数据挖掘技术研究　　现代社会已经迈入信息社会的门槛，在这一时代背景之下，各类信息充斥着人们的日常工作与生活。面对这些海量的信息，如何对其实施有效地管理也就日益摆在相关部门的面前。就学校而言，就是如何更好地做好学生各类信息的收集、整理、筛选和归纳工作。我们都知道，大部分信息是由各类数据组成，因此从这个

4、意义上来讲，对信息进行有效地管理，也就是如何对数据做好处理。但是，由于各方面因素的制约我们的数据处理工作做的并不好。传统的数据处理工作已经远远不能满足信息急速增长的需要。从这个层面上讲，探索如何利用更为科学科技含量更高的手段来对数据进行相应的处理以达到对信息实施有效的管理就显得非常迫切。　　数据挖掘就是非常有效的对相关信息进行处理的新兴技术。数据挖掘，英文表示为DataMining，简称为DM。这种数据处理技术融合数据库、人工智能、数理统计学、模糊数学等多个领域的前沿理论与技术。简而言之，所谓数据挖掘就是从特定形式的纷繁复杂

5、的数据之中集中提炼知识的过程。数据挖掘技术已经在许多与数据信息处理相关的领域得到应用，收到了很好的效果。目前就我们国内而言，在这方面还比较落后，对数据挖掘技术的掌握和研究也不深入和有效。　　2数据挖掘技术在职业技能考证信息应用结果分析　　2.1数据挖掘技术开发步骤　　数据挖掘是一项系统性很强的工作，具体来讲它包括以下几个步骤：　　①对需要进行处理的数据和信息进行相应的分析，从中筛选出符合标准的数据与信息。②对经过分析之后的数据再进行进一步的提取、清洗和校验。通过此一步骤保证所选定的数据都是一致并且能够互相兼容。对于不合标准和

6、要求的数据进行清除，并选取新的数据来加以充实。③选定数据挖掘算法。根据选定的数据运用具体的挖掘算法对这些数据进行处理。④具体对各类数据进行挖掘处理，并以此来建构一个崭新的数据集。⑤对挖掘之后的数据进行说明和解释。⑥验证挖掘效果。通过具体的数据分析以及信息验证，来确定进行挖掘的数据都是真实可靠的，并且达到了预期的效果。在验证的过程中，进一步排除数据与数据之间、信息与信息之间不符之处，以获得最终的可靠数据与信息。　　2.2系统组成完整的职业技能管理系统由两个部分组成：前台用户操作界面和后台的数据库处理、数据挖掘算法执行。这一数据

7、处理过程涵盖了数据的输入、查询、统计、更新等各种操作流程（如图1所示）：　　2.3学生技能考证培训信息挖掘结果分析　　2.3.1统计分析方法统计分析方法是数据及信息处理中常用的基本方法之一，在数据挖掘过程中具体对数据进行统计学方面的处理方法包括以下几个方面：①常用统计，此种方法就是日常数据和信息进行统计处理中最常用的方法；②相关分析，对具体的数据和信息依照一定的标准进行分析处理；③回归分析，即指运用回归方程的方法来对数据和信息进行变量方面的分析与处理；④差异分析，在作为样本的数据和信息中分析其中的差异所在；⑤聚类分析，即将距

8、离较近的样本进行归类处理；⑥判别分析，按照一定的判别标准，对数据和信息进行相应的处理，并确定其所属的类别。　　在对数据进行统计分析中往往会出现数据杂乱的现象，这种现象的出现在很大程度上是由于此类的数据并不适用数据挖掘中的需要，因而会对统计方法产生诸多的“不适应”，从而产生杂乱的现象。此外，