数据分析课程范文第1篇

我们在教学的过程中，也比较比较注重案例教学。例如，在讲授神经网络时，我们可以用上海证券交易所中股市中股票随时间变化的数据为例，让学生讨论如何应用神经网络对股票价格进行预测。人工神经网络是一种模仿自然界动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，能够较好地处理具有一定复杂性的数据，在预测、拟合等方面取得了很好的应用效果。让学生采用神经网络进行实际数据分析和处理，可以增强他们学习的积极性，更主动地投入到学习中去。我们也要求他们使用回归分析的方法对股票价格进行预测，然后和神经网络预测的结果进行比较。通过这个过程，可以使学生们不但了解了神经网络与回归分析算法的异同，加深他们对神经网络的认识。

加强实验教学，增强学生动手能力

信息与计算科学专业是以信息领域为背景，数学与信息、管理相结合的交叉学科专业。该专业培养的学生具有良好的数学基础，能熟练地使用计算机，初步具备在信息与计算科学领域的某个方向上从事科学研究，解决实际问题，设计开发有关软件的能力。毕业生适合到企事业单位、高科技部门、高等院校、行政管理和经济管理部门，从事科研、教学和计算机应用软件的开发和管理工作，也可以继续攻读信息与计算科学及相关学科的硕士学位。从信息与计算科学专业的培养目标可以看出信息与计算科学专业的本科生不但需要掌握理论知识，还需要具有将所学知识用来解决实际问题的能力。数据挖掘作为一门应用性较强的课程，需要学生能够运用数据挖掘知识分析和解决实际问题，要求学生能够熟练掌握数据挖掘的程序设计，以便在将来的就业中具有更好的适应性，因此实验环节的教学有着其必要性。基于这些原因，我们在这门课中引入实验环节，并将其纳入考核要求。我们实验所用的基本软件是SAS统计分析软件。SAS软件是一个集统计分析、报表图形、信息系统开发和大型数据库管理等多种强大功能为一体的大型软件系统，是目前国际上主流的统计分析软件之一。我们信息专业在大三时开设这门课程，之前已经学过C语言和JAVA等程序设计方法，有了一定的编程基础，因此学习使用SAS软件并不是特别困难。而且，在SAS软件中，系统自带了许多数据挖掘函数，这方便了同学们的使用。我们在平时的学习中，将一些SAS软件的基本程序设计基础知识先发给同学们，让他们利用课后时间自己在个人电脑上进行熟悉，从而使得他们熟悉基本SAS程序设计方法，这样可以在实验课上直接运用SAS软件进行数据挖掘程序的编写。在实验课上，我们主要将要实验的内容和相关数据资料提供给同学，要求同学自己用数据挖掘的知识和SAS软件进行编程实现，并写出实验分析和小结。另外，在实验中，我们也要求学生尽可能将一些实验结果用图表的形式如崖底碎石图等表示出来，以利于进一步分析。对于少部分学有余力的同学，我们也引导他们自编相关的程序。比如说在SAS软件中进行K－均值聚类用fastclus这个函数就可以了，但是学生对程序具体实现过程可能不是很清楚。如果学生能够将程序K－均值聚类详细程序步骤自己编写出来，就可以表明学生对所K－均值聚类算法也有了较清楚的认识。另外，对于属于数学建模协会的同学，我们也引导他们将数据挖掘的知识和数学建模中某些问题相结合起来，对于以往出现的一些可以利用数据挖掘知识分析的问题让他们利用相关的数据挖掘知识对其进行分析和求解，通过这样的方式，可以这样拓展这些同学的思路，也为数学建模培养了人才。

灵活的课后作业形式，提高学生的综合能力

数据分析课程范文第2篇

关键词：财经类院校；专业建设；数据分析；数据挖掘

一、引言

从大环境来看，如今，全球数据量均呈现激增趋势，大数据时代全面到来，这不仅意味着社会需要更多信息分析人才，也说明相关院校要加强信息管理专业人才培养。从本国国情出发，我国从工业社会向以信息资源开发、应用和管理为主要特征的信息化社会转变，计算机技术在各行各业普及应用，对经济管理活动中产生的海量数据进行分析，挖掘出有潜在价值的信息，为管理决策提供依据，是信息管理学科研究的新方向。以目前毕业生就业市场需求情况来看，懂经济、懂计算机同时又能掌握数据分析知识的学生在就业时有相当的优势，这恰好与我们哈尔滨金融学院信息管理专业的人才培养目标一致，如何发挥财经类本科院校的办学优势，建成专业特色，是此次本科教学改革的目标。

二、人才培养目标

对于我们这样有明显“金融特色”的院校，充分发挥在金融领域的办学优势，塑造出自己的金融特色，即：坚持服务于金融行业，跟踪IT发展的前沿，把握财经行业在信息化方面的最新需求，培养学生创新意识和能力，打造金融特色专业：金融信息管理－数据分析方向。培养具有管理学和计算机科学的专业知识，精通金融学、经济学以及数据分析理论与技术，了解数据的商业价值，通晓以清晰直观的形式提供数据分析结果的方法，强调学生掌握现代管理科学思想，掌握现代信息系统的规划、分析、设计、实施和运行维护等方面的方法与技术，同时，更要具有较强的信息系统开发利用以及数据分析处理能力。

三、金融特色信息人才培养模式构建

（一）面向社会需求

2013年3月，IDC数字宇宙报告《大数据，更大的数字身影，最大增长在远东》写到：预计到2020年数字宇宙规模将达到40ZB。在这样的大数据环境下，我国也必然需要更多高素质的信息管理类人才，例如，互联网企业、金融机构、保险、医疗卫生、电子商务、零售企业及政府数据中心等行业对大数据专业人才的需求量都很大。所以，在此情况下，我院有必要在加大人才培养力度的同时，面向社会需求，对信息管理专业数据分析方向人才的培养标准与目标进行重新定位，以确保符合大数据时代提出的新要求，顺应大数据浪潮的发展趋势。例如，未来对具有大数据管理和分析能力的人才需求将快速增长，数据分析师、数据架构师、数据可视化人员、数据监管人员等和大数据相关的职位也将应运而生，因此，我院应当注重培养需要具备深度分析数据能力的专业人才，使其成为能够满足市场需求的高层次复合型人才，为社会发展付出应有之力。

（二）教学特色

课程教学内容归纳为两个模块：“信息系统开发课程”、“数据分析课程”，其中，“信息系统开发课程”又分为“开发技术类课程”和“面向应用的课程”两个子模块，将程序设计类课程与管理信息系统理论课程相结合，以理论指导实践，通过该课程的学习，使学生了解信息系统开发的基本理论和方法、信息系统的实施、运行与管理方法，熟练掌握信息系统的开发工具，最终通过案例实践，深入理解信息系统的分析与设计过程。“数据分析课程”又分为“数据分析方法课程”和“面向应用的数据分析课程”两个子模块，从而形成较为系统的立体化课程体系，数据挖掘是数据分析的核心课程，运筹学是辅助课程，教学目的是使学生掌握数据分析的基本方法和典型工具，了解数据仓库和数据挖掘的基本原理，初步具备利用数据分析和解决实际问题的能力。

（三）制定科学合理的人才培养方案

在制定培养方案的过程中，要以市场需求为导向，设计灵活的人才培养方案，既要高度重视理论知识的学习，又要加强实践能力的培养，为学生搭建实践平台，拓宽实践渠道。极力扩大与企业和科研院所的合作，为学生创造更多的研究、实践机会，在课堂教学环节中，设立一些针对某个合作企业的某些具体问题的研究项目，组织学生在该企业的资助下开展研究。这样既丰富了学生的实践经验又提高了他们的综合分析能力和动手能力，同时还能促进合作企业的创新发展。

四、课程设置

计算机程序设计在数据架构当中起着重要作用，因此，在通识课基础上，从第二学期开始，开设专业基础课：C语言程序设计，专业必修课：面向对象程序设计、数据库、数据结构、Java程序设计、JSP程序设计、Web实战项目（Java方向）等计算机程序设计类课程，以及SPSS、数据挖掘与分析类课程。同时，开设信息管理专业既有体系中的基础课程：信息管理概述、会计学、管理学、统计学、运筹学、信息资源管理、数据库原理及应用、UML与可视化建模、计算机网络技术、银行计算机系统、管理信息系统（含课程设计）、信息系统分析与设计、专业英语等。以及专业选修课：信息检索技术、多媒体技术与应用二选一，电子商务概论、静态网页设计、图形图像处理三选一，IT项目管理、系统工程、ERP原理与应用三选一，企业资源规划、经济法、经济学三选一。

五、强化实践性教学

财经类学校在专业教学方面应该关注实践性课程的设置，它是培养学生理论联系实际能力的关键，实践教学能够帮助学生更加了解学科特点，实践的过程中学生原本零散的知识点得以组合联通，长久以来，高校办学都在坚持以行业需求为导向，以培养学生能力为目标，实现学术与职业特点的融合，要将“隐性”的课外实践逐渐转变为“显性”的实践课程。在落实学生实践学习的过程中，学校要积极引入从业资格课程、职业群集课程等等，强化专业实践，与当地的金融企业建立合作伙伴关系，引入“3+1”的实践教学模式，全面促进学生能力、素质以及知识等综合能力的提升，使其能够更加满足当今市场对人才的各项要求。同时，学校还可以构建校企联盟模式，协同培养人才，充分发挥校企合作的优势，为学校学生提供良好的实践平台以及展现自我的机会，帮助他们客观的认识自身职业的特点，进而有目的的投入实践学习，提升自身能力。实践教学要侧重学生职业能力的培养，要帮助他们更加适合当今市场的需求，树立“厚基础、精专业、强能力”的人才培养目标。最后，要注重实践评价，建立完善的评价体系，通过这样的方式了解学生的实践情况，便于查缺补漏。开展实践教学，要综合多元化的实践渠道，融合先进的教学方式，最大限度将课程体系内容与工作领域的相关知识紧密联系在一起，必须要使学生的专业能力、职能能力得到提升。从多年的实践经验来看，实践教学人才培养模式有效提升了学生的综合素质以及专业水平，有利于学生未来发展与就业，在目前金融类学科教学中应该加以推广。

六、结论

信息管理与信息系统专业是一个多学科交叉、应用以计算机为主的技术解决经济管理问题的专业，应用范围广泛，技术性强。随着信息技术的发展以及信息化建设的推进，信息系统在运行中积累的数据量已经超越管理控制能力，社会对具有数据管理和数据分析能力的人才需求也在迅猛增长，信管专业的建设必须从社会需求的角度出发，重新设计课程体系和教学内容，培养符合经济社会发展需要的人才。

参考文献：

[1]刘婷婷.大数据时代下信息管理与信息系统专业培养模式研究[J].中国电子教育,2014(02).

[2]石洪波.财经院校信息类专业数据管理与分析课程群体系研究[J].高等财经教育研究,2015(09).

[3]闫娜.大数据视角下信息管理与信息系统专业建设研究[J].图书馆学研究,2013(11).

[4]陈红琳.财经类院校信管专业人才培养模式研究[J].科技视界,2013(25).

数据分析课程范文第3篇

【关键词】护理专业；本科生；科研能力；数据分析；医学大数据

《全国护理事业发展规划（2021-2025年）》对护理人才的信息素养与科研创新能力提出了新要求。有专家指出，信息素养在循证护理实践中起着至关重要的作用，也是应对未来社会竞争所需要的一种基本能力[1-2]。科研能力是教育部制定的护理本科生培养目标的重要内容[3]。有研究表明，我国科研人员的信息素养水平对科研创新能力有着显著影响，即信息素养水平高有助于高水平创新成果的产出[4]；国内高校教学改革研究领域对于护理本科生的信息素养能力培养已经开始重视[5]；护理专业本科生科研兴趣浓厚，参与科研活动需求较高[6]。但是，也有调查显示，我国护理本科生仍存在信息意识薄弱、信息处理技能有待提高、数据分析能力欠缺等信息素养问题；科研能力方面则存在选题困难、科研意识缺乏等问题[7-8]；护理专业学生科研意识缺乏和科研能力不足，将成为阻碍护理学科发展的主要障碍[9]。现以华北理工大学《医用大数据分析基础》课程为例，探索体验式案例教学及教师一对一指导的教学方法，对护理本科生的数据分析能力与科研能力的影响。

1对象与方法

1.1研究对象

选取华北理工大学2020级护理本科二年级学生70名为研究对象，其中男生15人，女生55人。按照班组均衡匹配的原则分为实验组35人与对照组35人。

1.2教学方法

1.2.1对照组。采用传统教学方法，具体包括：（1）课前教师利用“学习通APP”上传预习课件及视频、布置预习任务，完成预习。（2）课中教师讲解理论知识，学生按要求完成课上实验操作并撰写报告。（3）课后学生通过“学习通APP”完成章节测试题目。（4）课程结束后进行为期两周的课程设计，提交课程设计报告并进行总结汇报。1.2.2实验组。采用体验式案例教学法和教师一对一指导，具体包括：（1）体验式案例教学法：①教师：设计抽象理论与医学护理实践结合的案例，并以案例为线索开展讲解课程知识点。引导学生分析、总结操作要点，理解知识点在案例中的作用，进行主题探究活动，完成实验报告。②学生：在教师引导下开展体验操作，在操作过程中发现和分析问题并总结实践验证结果，在课程结束后，能够将学习成果应用至课程设计中。实践过程中如不顺利学生需对课前预习内容进行查缺补漏，并在教师的引导下再次进行实践操作，直至完成实验报告撰写。以上教学环节形成了“实践与体验-观察与反思-概括与总结-行动与应用”的四环节循环模式[10]。具体实施步骤如图1所示。（2）一对一教师指导：①开题阶段。学生通过文献资料学习确定研究背景，收集数据并经过小组讨论理解数据反应的问题，在教师引导下明确分析目标和研究任务，确定设计题目。②数据分析阶段。教师通过“学习通”在线解答学生对数据进行规范化和可视化处理，应用训练、评估和分类预测方法中遇到的问题。③报告撰写阶段。定期组织集中交流，以研究小组为单位派出代表汇报研究进度和成果，开展师生间和学生间交叉质疑和辩论，教师负责给出完善和改进意见。

1.3效果评价及方法

1.3.1课程目标。《医用大数据分析基础》课程作为信息技术类医工融合专业拓展课，在护理专业本科阶段第三学期开设。课程培养目标包括：（1）课程目标1：理解医学数据读取、清洗、分析的原理及过程，具备新医科背景下利用数据分析工具开展科学研究的理论基础。（2）课程目标2：掌握数据处理及可视化工具使用，具备利用信息技术进行自主学习与研究的实践操作能力。（3）课程目标3：了解科学计算操作、机器学习方法和神经网络概念，为后续开展科学研究储备理论知识。（4）课程目标4：了解健康中国战略下医用大数据的分析价值和医疗卫生服务融合情况及护理新模式，拓展科研视野、提高科研敏感度。1.3.2考核项目及标准。采用过程化考核方法。总评成绩考核项目包括学生的平时成绩、实验成绩和课程设计成绩3部分，主要考核学生对各知识点的掌握程度、实际应用能力和科研能力。在总评成绩中的权重系数为α1、α2、α3分别是0.2、0.3、0.5，见表1。所有成绩目标分值均采用百分制[11]。表1中的目标分值为各考核环节的满分分值。具体构成、权重系数及考核课程目标情况如下：（1）平时成绩：由课前预习情况、章节测试和课堂表现三项成绩构成。在平时成绩中的权重系数分别为0.4、0.3、0.3。其中预习成绩和章节测试考核课程目标1的达成度，包括辨析数据类型、数据分析原理、函数功能等内容；课堂表现主要考核课程目标1和4，以课堂提问互动方式，结合教学进度考察学生对知识点的掌握与科研视野情况。（2）实验成绩：由8次实验成绩组成，主要考核课程目标2的学生实践动手能力。（3）课程设计成绩：由探究活动、报告撰写和汇报答辩3部分组成。其中报告撰写与汇报答辩对应课程目标4，考察学生的科研视野与创新意识；探究活动对应课程目标3，考察学生对于科学计算及人工智能相关理论的理解。（4）课程目标达成度=学生课程目标考核平均成绩之和/该课程目标分值之和。

1.4统计分析方法

采用SPSS25.0统计软件处理数据，计量资料用“均数±标准差”表示，组间均数比较采用t检验。P<0.05为差异具有统计学意义。

2结果

2.1实验组与对照组课程目标分项成绩与总评成绩比较

课程结束后，两组课程分项成绩和总评成绩见表2。实施体验式案例教学法及一对一课程设计指导后，除了课程目标1两组之间差异无统计学意义（P>0.05）外，实验组的总评成绩和课程目标2~课程目标4的成绩均优于对照组，差异有统计学意义（P<0.05）。

2.2实验组与对照组课程目标达成度分析

（1）课程目标1达成度：实验组与对照组差别不大，均高于0.9（见图2）。说明在理解大数据的各类数据格式、数据清洗的过程及原理方面学生整体情况较好。达成度较高的原因有三个，一是数据读取、处理等基础理论知识难度不大，学生易于掌握；二是预习情况由课件浏览页数和视频观看比例的百分制结果衡量。这部分容易出现“刷题”情况，但是可由课上实验成绩进行检验；三是章节测试属于有标准答案的考核，其答案容易通过网络搜索获得。（2）课程目标2达成度：与课程目标1达成度比较，实验组与对照组的达成度均有下降，且实验组成绩优于对照组（见图2）。说明体验式案例教学能够对提高学生的数据分析能力产生效果。在轻松愉悦的氛围下，以案例为线索将知识点进行串联讲解，注重知识与实践应用的结合、学习兴趣的培养，学生通过四环节循环的教学模式能够更好地理解所涉知识点的具体应用场景及使用方法，在面对医学数据时能够快速选择正确的读取及整理方法，完成数据的可视化操作，并撰写较高质量的实验报告。而对照组使用传统教学方式，注重理论知识与语法细节讲解，演示案例以解决经典数学问题为主，因此在完成医学数据分析时，学生虽然能够按照要求基本完成指定操作，但在完成时长与质量上与实验组存在一定差异。（3）课程目标3达成度：与前两项达成度比较实验组与对照组均下降明显，但两组差别不大，均略高于预期目标值0.65（见图2）。达成度不高的主要原因有二，一是由于课时限制，此部分所涉内容仅做简单介绍，学生没有产生深入了解学习的兴趣；二是本校护理本科一年级未开设与数理统计相关课程，学生没有相关理论知识基础，难以接受与理解，学习动力不足。（4）课程目标4达成度：与课程目标3达成度比较实验组达成度有明显上升，而对照组略有上升，实验组成绩明显优于对照组（见图2）。实验组的学生展现出了极高的科研热情，实验组学生大部分进行了自主选题，如获取招聘网站数据分析全国34省份护理人员需求、分析脑卒中病患后期护理数据集、分析指定区域5岁以下儿童及孕妇死亡率等，能力较强的小组开展探索性分析，使用机器学习算法及相关模型对数据进行训练、评估和分类、预测，科研能力得到了显著提升。

3讨论

数据分析课程范文第4篇

大数据的蓬勃发展为统计学专业人才培养模式的创新提供了有效途径，引领了统计学专业人才培养模式的改革方向，融入了统计学专业人才培养模式的各个环节。本文系统明确了统计学专业人才培养模式的改革方向，探讨如何利用大数据完善人才培养模式的各个环节。

关键词：

大数据;人才培养模式;教学模式

2015年9月5日，我国政府公开《国务院关于印发促进大数据发展行动纲要的通知》，大数据逐步走上我国经济社会发展的大舞台，在社会各个领域中发挥着巨大的促进作用。高等教育作为我国培养高素质人才的主要阵地，避免不了受到大数据的冲击和影响。有效利用大数据是化解冲击并促进高等教育改革的明智之举。高等教育改革的关键是改革人才培养模式，将大数据融入人才培养模式改革的各个环节会达到事半功倍的效果。

一、大数据引领统计学专业人才培养模式的改革方向

1.大数据引领培养目标的改革方向。随着大数据的迅猛发展，大数据分析公司不断涌现，传统的调查公司、数据分析公司纷纷转型，社会急需大量的大数据分析人才。统计学专业按以往培养目标培养的数据分析人才已经不能满足社会需要，因此必须对人才培养目标进行改革，培养目标应从培养专门的统计人才转换为培养精通统计学知识、计算机技术（大数据分析技术），了解相关行业背景的复合型统计人才，保障统计学专业能够为社会经济发展输送高质量的大数据分析人才。2.大数据引领课程设置的改革方向。课程设置是实现培养目标的关键环节，为实现培养大数据分析人才的目标，课程设置应该与培养目标相配套。课程设置的核心课程中应该引入大数据技术相关的计算机软件、语言及算法课程，选修课程中应该增设一些辅助大数据分析的数据挖掘类相关课程及不同行业的相关专业背景课程。3.大数据引领实践教学的改革方向。实践教学环节设计的基本原则是能够有效检验理论教学环节的学习效果，同时锻炼学生的分析问题，解决问题的能力。因此，相应于培养目标和课程设置的改革，实践教学环节的改革应注重学生大数据分析能力的检验和锻炼，积极为学生创造丰富的大数据分析实践机会。例如，在调查分析课程中引导学生改变传统的调查方法，尽量通过数据挖掘揭示某一类现象背后的发展规律，积极开展与大数据分析公司或者相关行业的企业的合作，为学生进行大数据分析实践提供数据及技术支持。4.大数据引领教学方法和手段的改革方向。MOOC、翻转课堂和大量的在线资源的出现为统计学专业教学方法和手段的改革提供了丰富的资源基础，有效构建充分利用各种资源的混合教学模式将成为统计学专业人才培养模式改革的一个重要组成部分。5.大数据引领评价方法的改革方向。传统的评价方法主要注重期末时的总结性评价，忽略过程评价，因此应广泛和合理利用教学各个环节留下的痕迹，即形式各样的数据，创新教育教学评价方法，以此达到对学生、教师及教学效果的科学评价。

二、大数据融入统计学专业人才培养模式的构建

1.大数据融入人才培养目标的制定。人才培养目标的制定一方面要适应经济社会发展的需要，另一方面要从生源质量，办学条件出发，不能盲目追求高目标，因此适当对本校统计学专业历届生源质量和办学软硬件条件等相关数据进行挖掘和分析，有利于制定切实可行的人才培养目标。当然这需要人才培养目标制定者有一定的数据挖掘和分析的能力，需要学校各个相关部门的配合，实际操作起来存在一定困难。2.大数据融入教学方法和手段的选择。教学方法和手段的选择一方面依靠丰富的资源，打破传统的大客厅式的封闭教学模式，另一方面要注重以学生为本和因材施教，这就需要对每个学生的基本素质有客观的把握，仅靠教师的力量很难做到这一点，因此应适当引入相关技术和设备帮助收集课堂教学，课后作业等教学各个环节的实时数据，利用大数据技术全方位综合考量每一位学生的基本素质，为教学方法和手段的选择提供客观的依据，真正意义上做到因材施教。对于一些利用计算机或其他电子设备完成的环节，收集数据的同时，应适当建立针对不同学生的教学策略，以此实现个性化教育。3.大数据融入实践教学环节的设置。统计学专业的实践环节设置应充分考虑利用学习分析和数据挖掘技术分析学生的学习心理，学习行为及学习能力，充分了解学生的前期学习情况，分析教师课堂教学水平和教学能力，充分挖掘教师的特长，以此为基础打造实践教学环节师生的完美匹配，不再拘泥于一个班级或一个专业的学生同时进行相同的实践项目，可以有效提高实践教学的水平和学生的实践能力。4.大数据融入教学评价体系的完善。传统的教学评价体系不能够客观评价人才培养的各个环节的效果，通常是对结果的评价。因此，学校需要利用大数据技术全面分析和挖掘每一个环节的相关数据，包括学生的学习过程，教师的教学过程等，有效利用数据说话，避免对学习效果及教学效果的片面评价，完善统计学专业的教学评价体系。大数据为统计学专业人才培养模式的构建带来了机遇的同时也提出了挑战，我们不能盲目跟风，应认真结合统计学专业学科特点及各方面的条件，合理利用大数据，构建切实可行的人才培养模式。

参考文献：

[1]陈树良.统计学专业创新型人才培养模式的研究[J].辽宁工业大学学报（社会科学版），2012

数据分析课程范文第5篇

关键词：大数据时代；教学改革；投资学教学

现代社会的飞速发展给每个行业造成了指数级的信息增长，各种信息关联性越来越强，最终形成了一定规模的信息网。从各式各样的信息中快速准确地获取有用信息的能力被称为大数据技术。在新形势下如何保证高等学校教学的时效性，发挥数据信息时代课程教育的特征，如何充分培养高等学校人才的创新实践能力是目前每个高等学校教育教学改革面临的首个问题。

一、投资学教学概述

投资学是一门介绍金融市场组织运行规律、金融工具的分类使用和定价知识的学科［1］（90-92）。二十一世纪，信息化教学逐渐成为教育教学常态，要想继续深化教育教学改革的措施就要适应大数据时代特征。如何从海量的数据信息里找出有利于决策的信息对于投资者来说无疑是一项挑战。想要培养出现代化的金融企业所需要的人才，不但需要人才具备坚实的金融理论知识，而且要求人才对复杂数据内容有一定的综合分析与决策能力。金融市场作为筹措资金和优化资源配置的重要交易场所一直备受各国政府部门的高度关注，是金融学术界的聚焦之地。高等院校的投资学教学，目的在让学生掌握基本的经济基础知识的同时，积累拓展资本市场和货币市场的投资专业知识，让学生具备基本的投资意识和相关分析能力，可以在今后实际工作中灵活应用，在金融市场上获得一定成就。

二、新形势下投资学课程教学面临的挑战

大数据时代的到来，使信息技术与投资学教育教学的关联性进一步加强，使金融工作的创新达到了新的高度，创新了金融模式。新形势下投资学想要培养创新金融人才离不开数据信息的支持，高校人才培养计划要与时俱进，根据社会最新发展需求做出适当调整。

（一）新形势对金融问题的分析能力提出的新标准。在当前大数据时代背景下，与以往金融分析的研究与计量研究方法相比，诸多新分析方法例如数据的获取、采集分析都会有现代高新技术的身影，意味着金融的分析和思考问题的角度都进行着与时俱进的交替。随着大数据时代的到来，大数据技术已经逐步融入银行、保险、证券投资等方面，逐渐形成一个完整的系统。大数据时代下的逻辑和传统逻辑有着明显的差别，举个例子，传统逻辑是按照提出假说检验驱动的，现代化的逻辑思维模式是自下而上的归纳推理，所以新形势对于金融问题的分析提出了新的思维方式的要求。

（二）优化资产选择和资源配置的决策模式。优化资产选择和资源配置是投资学研究的核心内容，大数据时代，投资者获取股票、债券、期权等金融产品相关信息更容易，帮助投资者拓宽了信息渠道，降低了传统模式下资源优化配置的难度，但数据量巨大、数据信息复杂的现状加大了信息决策的难度。当前决策者面临的问题包括如何在巨量的数据信息库里深挖他们想要的信息，并且在此之上提出一套与之匹配的投资方案。

（三）数据信息多样化是金融分析的新挑战。二十一世纪，大数据综合分析是能力的基础，要在此之上进一步培养学生对半结构化和非结构化数据处理分析的能力。过去的金融基础理论大多依赖结构化数据展开分析，理论知识教学和验证过程多基于结构化信息。如果只对结构化数据进行分析会导致分析结果不够严谨，产生部分偏差。金融分析实践证明，对文本及网页等非结构化数据进行分析同等重要，无论哪种数据都包含有价值的数据，所以要求投资学教学只停留在结构化的数据分析显然是不科学的［2］（81-83+92），本着严谨的教学态度尝试发展非结构化数据分析的教学方法，延伸数据分析的能力。改变当前投资教学中过于重视结构化数据的教学现状，大数据时代的产物及构成分析数据的关键恰恰是非结构化数据。想要获取非结构化数据内在的信息还需要深入探求合适的分析方法和技术。

（四）综合决策能力的新挑战目前高校教育中投资学课程的大数据分析教育教学改革进程有限，主要因为传统使用的大数据分析技术存在较多的局限性，同时经济与管理专业的学生缺乏分析处理数据的能力，所以使用大数据分析手段提高学生处理投资决策中的数据的能力是当前高等教育中投资学课程教学改革的主要目的。核心在于权衡投资风险和受益，实现效益最大化，需要依赖投资数据的分析。新形势下有较多获取信息和处理信息的途径，在一定程度上对数据处理者提出了更高的要求，不仅要考虑投资决策的特点，还要对获取的信息分析结果进行总结归纳。

三、大数据背景下投资学教学改革研究

虽然当前高新技术的发展迎来了大数据时代，并给投资学课程教学带来了丰富的数据支持来源和处理分析手段，但对教师的专业信息处理能力和人才培养目标都提出了更高的新标准。作为现代化金融教学核心课程的投资学，应当与时俱进进行新的调整，更好地满足现代社会各行各业对于人才的需求。在投资学教学过程中，应当以现代社会发展需求为目标，培养专业金融人才的数据分析能力及创新实践能力。在当前大数据时代下，如何对投资学教学进行改革是各高校应当考虑的首要问题。由于经济学专业理论性比较强，还要求实践操作能力，因此投资学教学改革应从大数据采集、整理、分析到综合决策等方面进行。

（一）数据采集。在投资学有效市场理论教学过程中，首先，应当提高各高校的数据平台技术并拓展资源包。构建以大数据为核心的信息化平台为师生教学活动的展开提供支持与保障。在以数据为核心的第三方平台下，不仅可以对股票、债券及期权等数据进行详细分析，还可以为投资学实践教学和案例分析提供强大的数据支持。再者，针对HTML、采集文本和视频等非结构化数据，可以在传统的理论教学基础上，重点对非结构化数据挖掘进行相关分析，例如，对当前A股市场的有效性、证券市场中个股的交易数据等进行分析，为投资学教学提供大量的数据支持。考虑到股票市场交易量庞大，可以采用抽样分析的办法，侧重对市场指数进行宏观面的分析，淡化对一般指数的研究。一方面，从理论来看，进行有效性分析应当先对市场整体进行分析调查，然后抽样分析个体自身的局限性，而大数据处理技术能够有效地对海量的数据进行分析处理，从对研究对象的总体把控分析到局部的详细分析。另一方面，考虑到数据表现形式各异，可以将有效市场检验分为结构化数据和非结构化数据，个股指数、大盘指数等划分为结构化数据，参考文献等划为非结构化数据。通过对个股数据进行分类分析处理，可以挖掘金融市场信息传递的规律，使研究结果更具权威性。其次，对于A股市场有效性的相关文献较多，例如在中国知网上以“市场有效性”为关键词就可以搜出相关文献1192条，再进行相关文献分类和筛选，形成有效市场的相关结论。

（二）数据分析方法。一般层面，传统金融的理论建模分析侧重于结构化数据，一方面是深入检验对有效市场理论的研究，另一方面是深化研究对数据的分析论证，同时需要其他专业的理论基础知识支撑，如数学、统计学及计算机技术等。非结构化数据最典型的以文本挖掘为例，如股票市场研究文献，其中包含中文和英文，建模也是常见的分析方式，是投资学教学中的实践工具和理论基础。总的来说，数据分析处理方法不同，对于金融工具和课程理论知识运用的要求也有所不同，需要教师提高数据处理及深层数据挖掘的能力，更好地教授给学生数据分析方法，增强创新意识和提高实践操作能力，强化投资专业技能。

（三）综合决策。采用不同的数据分析方法和角度，导致分析结果大不相同。结果和结论的统计，基于归纳整理大量数据库里金融市场相关的有效数据。有效市场的分析过程中存在的个体差异，如何对有效市场进行合理判断，最终综合决策能力是当前投资学培养人才计划的核心所在。不仅要结合专业知识体现投资学原理，而且要从统计角度提出理性结论。例如结构化数据分析，在有效市场理论下，个股指数的分析结果与综合指数分析结果存在一定偏差，在这种情况下，可以尝试从信息传递过程分析或投资者投资行为分析等角度进行论证［3］（77-80）。由于综合市场指数是从宏观上反映市场运营情况的，因此可作为相关依据供投资者参考。个股投资者群体相对较小，投资者关注度过高或过低都会影响个股指数信息的变化，以及出现对信息过度反应、信息传递效率低等问题。结构化数据和非结构化数据存在差异的主要原因在于数据结构类型的差异，所以在投资学有效市场理论教学中存在一定的不确定性，但是大数据的科学性可以打消存在的疑惑和不确定性［4］（37-40）。由于有效市场理论并没有明确界定市场信息，因此探究真实市场规律必然存在争议。

四、结语

当前全球信息技术迅猛发展、竞争激烈，大数据、云计算等创新科技已被普遍运用于金融界，区块链技术已发展成彻底改变以往金融业的新一代互联网科创新。针对互联网科技在金融界多个方面的关联与运用，投资学课程教学一定要密切联系现实，持续创新教授内容与教学模式，迎合当前互联网金融变革引起的投资环境改变，建设优质的教学队伍，培养一支高质量、专业性强的投资学教学团队，提高教学水平，使学生在投资学的学习过程中实现求新求实的目标［5］（115-116）。总而言之，大数据时代的到来，高等院校金融专业人才培养方案不能局限于传统的投资学教学理念和模式，需要与时俱进对教学理念进行深入探讨和对教学模式进行改革。将大数据思维运用到投资学教学中是投资学改革的必然趋势，需要各高校教师在投资学教学中给予足够的重视。

参考文献：

［1］管河山，王谦.大数据背景下投资学课程教学改革研究［J］.大学教育，2020（05）.

［2］乌拉尔·沙尔赛开.互联网金融背景下投资学教学改革方案研究［J］.乌鲁木齐职业大学学报，2017，26（02）.

［3］冯小舟.对大数据时资学课程体系新规划的思考［J］.金融教育研究，2016，29（06）.

［4］陈尊厚，胡继成.基于应用创新型人才培养的投资学教学改革思考［J］.中国大学教学，2015（09）.