基于大数据工程专业人才培养目标的Python语言教学改革探析

刘海桥，袁丹丹

（海军工程大学电子工程学院，湖北武汉 430000)

0 引言

随着科技的发展，计算机成为各领域不可或缺的计算工具[1]。程序设计基础是大学生了解计算机，学习算法，建立计算思维非常重要的通识课程[2]。由于Python语言具有简单、高效、跨平台等特点，逐渐成为相关专业的首选程序设计语言，学生可以不必拘泥于底层的实现，而是更好地关注问题本身，更高效地设计算法[3]。与此同时，学生的编程能力也将直接影响相关专业课程的开展，比如算法与数据结构、数据挖掘与机器学习、数据可视化等课程。

随着大数据技术的应用，大数据工程专业要求学生掌握大数据技术原理、数据挖掘、数据可视化等方面的专业知识，涉及的专业课程包含数据挖掘与机器学习、人工智能、数据可视化等，而这些专业课程在实验开展环节都需要借助程序设计语言，首选的便是Python 语言。所以学生的Python 编程能力一定程度上决定了专业课实验能否高效地开展。

现有的Python 语言教学，主要围绕语法、算法及简单应用展开，与后继专业课程结合度较低，脱离专业的应用背景。如何将通识课程与专业课程建设进行交叉融合，对培养综合型人才具有重要意义[5-6]，所以基于大数据工程专业人才培养目标对Python 语言教学方法进行探索很有必要。本文分析了Python 语言课程现状，结合数据挖掘与机器学习专业课程教学，从教学内容、教学模式、评价指标三个方面对Python语言教学方法进行探索，以期专业课实验的高效开展。

1 课程现状

大数据工程专业首选的编程语言是Python语言，所学习的便是Python语言程序设计基础，根据人才培养目标，后续会接触很多和数据处理、挖掘、可视化等相关的专业课程。从教学效果看，学生对Python语言的掌握不透彻，不具备实现复杂算法的编程能力，从而影响专业课实验的高效开展。下面结合专业本身和Python 语言教学，对这一现状产生的原因进行梳理。

1.1 课程内容脱离专业实践

Python 语言程序设计基础课程的教学总体目标是通过课程内容的学习，使得学生能够掌握程序设计的基本方法，具备程序设计、编写、维护的能力，使用Python语言解决实际问题的手段，同时具备基于生态的编程思维方式。鉴于此，课程明确三层目标：知识层、能力层和思维层。比如在能力层，要求学生掌握pyinstaller 库、jieba 分词库的应用，同时要求学生能够将Python语言运用在人机交互、网络爬虫等专业特色不明显的应用场景。

课程的教学目标和教学内容的结构清晰，通过学生提交的作品，可以看出学生具备了利用Python语言解决简单问题的能力。但是在专业课的教学过程中，可以发现学生缺乏对一些基础的数据处理库的掌握与应用，使得实验开展过程中，需要花费大量时间讲解这些基础库的用法，影响实验的高效开展。

上述问题出现的原因在于Python 语言课程的内容设计上，没有考虑到专业特色，没有相关生态库的介绍和铺垫，没有培养学生利用科学计算相关库的编程习惯。

1.2 授课对象缺乏主观能动

学生举一反三的能力较弱，习惯于被动地接受知识，编程的主动性难以调动。此外，学生创新实践能力较弱，现有的考核内容，很难检验学生编程的综合能力。

1.3 考核评价没有专业特色

现有的考核方式包含形成性考核和终结性考核。在考核内容方面，主要参考计算机等级考试二级的题型，比如在综合应用方面，主要考核文本的分析及处理、简单的算法设计、Turtle绘图等。这些考核内容不能体现专业特色，比如缺乏对数据的预处理、对表格文件和图片文件的读取和分析等知识的考核，而这些专业知识在后续专业课程的教学中至关重要。

2 教学设计

首先在教学内容上，重新梳理知识体系，保留基本语法、程序结构、综合应用三层结构不变，并在原有课程内容的基础上，思考如何与后继专业课程相结合。为此，需要分析大数据工程专业课程的教学计划，从中提炼出与专业知识关联性不强，但在专业课实验开展过程中不可或缺的Python编程知识，比如涉及的生态库等知识，然后结合Python 课程的知识架构，将这些提炼出的知识点融入Python教学中。这样不仅能够加强Python教学的实践性，还能为后续专业课实验的开展做好铺垫。

其次在教学方法上，注重任务驱动教学模式。根据教学目标，合理设计任务，激发学生解决问题的好奇心和内在动力，引导学生认真听课，积极思考，主动编程。通过任务驱动的教学模式，学生能够更好地掌握知识，发现问题并解决问题。

此外，为了提高学生编程的主动性，除了任务驱动的教学模式，合理的考核指标也相当重要。课程现有的形成性考核占比40%，主要包含学生的实验、课堂表现、期中成绩。现基于成果导向原则，可以将课堂表现的10%分值改为创新实践，用于检验学生编程的综合能力。教学过程、教学方法最终要通过学生的学习成果来检验，所以学生掌握知识的程度才是衡量教学效果最有力的指标。

3 教学实施

3.1 设计数据处理教学内容，结合专业背景

为符合大数据工程专业人才培养目标，使得学生能够很好地完成后续专业课程的高效开展，需要将专业课程中相关知识，进行合理划分，对Python 课程教学内容进行有效融合。首先需要对大数据工程的专业课程进行分析。大数据工程专业的课程建设如图1所示，主要分3层，可以看出程序设计基础是众多专业课程的核心通识课程。

以数据挖掘与机器学习课程为例，课程的内容包含模型评估、降维等数学理论知识，以及大量的机器学习算法，比如决策树、神经网络、支持向量机等。下面对数据挖掘与机器学习这门专业课程中的内容进行分析、提炼。

在模型评估章节，主要讲解评估方法、性能度量等指标，这些内容更多的是涉及数值的计算，比如查全率、查准率、方差、标准差计算等，可以将其作为案例应用在Python 语言程序设计课程的“数值类型”章节；而错误率、精度是机器学习过程中计算最为频繁的指标，可以应用在“组合数据类型”章节，从而有效地将专业课程与通识课程相结合。

在线性模型章节，主要讲解线性回归、线性判别分析等内容，这个章节需要使用numpy库进行矩阵的运算。结合Python 课程教学内容，可以在“组合数据类型”章节中引入numpy库，利用二元一次方程，凸显numpy 库的强大功能。需要注意的是，numpy 库已经被列入计算机等级二级考试的提纲，对numpy库的学习变得很有必要，尤其是大数据工程专业，更应具备使用numpy库的编程实践能力。

图1 大数据工程专业的课程建设（部分）

在决策树章节，主要讲解如何构建决策树。决策树算法在数据预处理阶段需要对数据进行读取、去除无效数据等操作，而这些操作都需使用pandas 库，那么对应的可以放在Python 课程的“二维文本文件处理”章节，通过和内置的open函数作比较，让学生感受pandas处理数据的高效性，同时让学生具备数据预处理的能力。

在神经网络章节，主要讲解感知机和简单的BP神经网络，这里采用手写字体识别案例，涉及对图片数据的处理，所以需要讲解pillow库，这个库可以放在Python 语言程序设计课程的“二进制文件处理”章节讲解，让学生了解图片数据的本质，以及如何将图片数据转换为numpy数据。

在支持向量机章节，主要讲解支持向量机的推导过程及对偶问题。关于对偶问题的求解，需要利用SMO 算法，而SMO 算法本质上就是一个while 循环算法，可以作为案例应用在Python语言程序设计课程的“循环”章节。但是需要对问题进行简化处理，目的是脱离SMO 算法本身，让学生体会while 循环语句的应用场景。同样的，在聚类章节，K-Means 算法也涉及while循环语句的思想，也可以引入到“循环”章节作为案例使用。

在机器学习算法求解过程中涉及的图表，比如柱状图、协方差图、AGNES 算法的树状图等，需要利用matplotlib库实现绘制，这个库是科学计算中常见的可视化库，可以引用在“计算生态”章节。

上述给出了数据挖掘与机器学习课程部分章节内容如何与Python 课程相融合。同样在其他专业课程中，也会存在相应的需求，需要逐一梳理。这项跨团队的工作，需要教师团队深入到专业课程建设中，挖掘经典、高效的案例素材，切实做到通识课程和专业课程建设的连贯性，能够让学生很好地进行学科之间的迁移。

需要注意的是在案例的选取和讲解过程中需避免过于生硬，不能为了引入而强行引入。要多用对比，比如在讲解numpy 库时，先利用list 列表，计算多元一次方程的求解问题，然后再引入numpy库进行求解，通过对比让学生感受numpy库处理数据过程的高效性。再比如讲解pandas库时，可以先后利用open函数和pandas库读取csv文件，然后对数据进行处理，凸显pandas库的强大和高效。

引入新的知识点，就意味着有新的挑战，如果案例的设计不够吸引学生，反而会适得其反。下面将进一步提出采用任务驱动教学模式，旨在提高教学质量。

3.2 采用任务驱动教学模式，提高教学质量

上一小节以数据挖掘与机器学习课程为例，给出专业课程与Python 程序设计基础课程之间知识体系的融合方案。教学内容明确后，还需要设计好教学任务，从而驱动学生学习。好的任务设计，可以很好地激发学生内在学习动力，同时也能让课程教学主线明确，结构清晰。良好的教学任务设计应该满足以下几点原则：

1)基于Python课程教学计划

依据专业课程，在Python 知识架构中，构建新的案例，但是需要注意的是，这些案例知识点一定是依据原有的教学计划，比如pillow、numpy 等第三方库，不要为了结合专业课程，将教学内容复杂化，甚至超纲。Python课程内容的设计是依据课程教学计划，结合专业课程的教学实际，构建合理的案例，并且能够和现有的知识有机融合。

2)简单到深入层层递进

案例应该由浅入深，层层递进，不要割裂知识结构，要抓住主线。比如，在组合数据类型章节中引入numpy，不是为了讲解矩阵计算，而是为了引入一种全新的组合数据类型，这种类型不是Python内置的数据类型。先通过对list案例的设计，逐步引出numpy这种新的组合数据类型，结合案例，分析矩阵类型处理数据的特点，培养学生矩阵处理数据的思维方式。再比如，在讲解pillow库时，要明确pillow库是为了处理二进制文件，而图片是最常见的二进制文件。open函数可以读取二进制文件，但是无法对里面的bit流进行高效解析，除非精通图片的压缩算法，否则需要借助第三方库。总之，案例的引入，要抓住教学主线，由浅入深。

3)有对比有启发

案例的设计要有对比，通过对比，学生能够得到很好的启发，理解为什么这么用，达到综合创造的层次（布鲁姆教育分类法的后两层），也就是进一步地改进问题。比如numpy 库可以和原有的list 对比，pillow处理后的图片和处理前的图片对比；pandas和原生的open函数对比等。

结合上述原则，对Python课程的教学案例进行设计，案例如表1 所示，这里篇幅原因，给出前3 章节的知识架构。通过对专业课程知识的梳理，引导程序设计课程案例的构建，将大数据工程专业领域的知识技能很好地融入Python课程教学中。

表1 任务驱动教学模式下案例设计

3.3 明确创新驱动评价指标，激发学生动力

课程的评价如图2 所示，包含期末成绩和过程性成绩，过程性成绩中有实验、期中等。为激发学生的学习动力，提出新的指标“创新实践”。“创新实践”指标的难点在于如何衡量“创新”，以及如何评价“创新”。

图2 课程考核方式

编程的创新可以分为算法上的创新和应用创新。算法创新又可以进一步分为：

1)减少代码量，比如100行的代码用50行实现；

2)挖掘已有方法的新功能，比如sum 函数，可以设置第二个参数作为初始值；

3)降低算法复杂度，比如对素数求解问题，给出新的高效的算法。

应用上的创新，可以有：

1) 利用现有的知识解决实际问题，比如利用turtle库设计一个倒计时；

2)挖掘新的有意思的第三方库，比如二维码生成库、Office办公类的库、GUI开发库等。

明确好创新类型后，梳理每个章节的知识点，给出可以创新的具体评价指标，并给出分值，如表2所示。

这些指标及内容可以在授课前，就给学生明确，这样更有利于学生的主动思考。同时，需要积极反馈学生的成果，好的作品、好的思路需要作为模板共享给学生，这样一方面能给学生明确创新方向，还能激发学生之间的竞争力。

4 结束语

在大数据工程专业教学过程中，学生对Python语言掌握不精，实验内容不能高效开展，主要原因是课程内容脱离专业实践、授课对象缺乏主观能动以及考核评价没有专业特色。针对上述问题，给出基于大数据工程专业人才培养目标的Python 语言教学方法的探索。在教学内容方面，结合专业背景，设计与数据处理相关的教学内容，以数据挖掘与机器学习专业课程为例，梳理出和程序设计相关的知识，设计出专业背景下的教学案例，融合到Python 教学内容中；在教学模式方面，采用任务驱动式的教学模式，旨在提高教学质量，在实验课环节，分析教学目标，设计实验任务，通过任务驱动，引导学生自主学习，激发学生学习的兴趣；在评价指标方面，明确基于创新驱动的评价指标，旨在激发学生学习动力，通过构建创新指标，规定创新点，确定评价指标。通过对Python语言教学内容的设计，激发学生学习的主动性，提高教学质量，为后续专业课程中实验内容的高效开展打下良好基础。

表2 创新驱动评价指标