【正文】 行深層的分析，挖掘出隱藏在數(shù)據(jù)背后的規(guī)律或模式，根據(jù)挖掘結(jié)構(gòu)提出 一些指導(dǎo)性建議從而更好的指導(dǎo)教師教學(xué)，提高教學(xué)效率，提高學(xué)生的成績。最后應(yīng)用數(shù)據(jù)挖掘技術(shù)對學(xué)生成績進(jìn)行挖掘，得出定性評價，根據(jù)這些挖掘結(jié)果有針對性的提出一些改進(jìn)教學(xué)質(zhì)量和提高學(xué)生成績的措施。目前，數(shù)據(jù)倉庫還沒有一個統(tǒng)一的定義，著名的數(shù)據(jù)倉庫專家 對數(shù)據(jù)倉庫概念有比較系統(tǒng)和全面的解釋，他在其著作《 Building the Data Warehouse》一書中指出：數(shù)據(jù)倉庫（ Data Warehouse）是一個面向主題的（ Subject Oriented）、集成的（ Integrate）、 相對穩(wěn)定的（ NonVolatile）、反映歷史變化（ Time Variant）的數(shù)據(jù)集合，它廣泛應(yīng)用于支持管理決策。目前，國外企業(yè)所建立的數(shù)據(jù)倉庫應(yīng)用系統(tǒng)給他們都帶來了明顯的經(jīng)濟效益，但是金融業(yè)使用數(shù)據(jù)倉庫只是完成簡單的報表生成和日常業(yè)務(wù)分析，并沒有對數(shù)據(jù)進(jìn)行深入的挖掘分析，顯然這樣沒有發(fā)揮出數(shù)據(jù)倉庫的應(yīng)用價值，所以并不能給銀行等金融業(yè)帶來真正的經(jīng)濟效益。使用數(shù)據(jù)倉庫的關(guān)鍵是建立倉庫模型 ,這就對設(shè)計者提出了要求，他們必須對相關(guān)的業(yè)務(wù)非常熟悉而且還應(yīng)具備相應(yīng)的管理分析能力 。數(shù)據(jù)倉庫技術(shù)包括對數(shù)據(jù)的抽取 、存儲與管理、數(shù)據(jù)表現(xiàn)和方法論等方面。數(shù)據(jù)倉庫技術(shù)未來的發(fā)展趨勢：在數(shù)據(jù)抽取方面，將會在系統(tǒng)集成化方面得到飛速的發(fā)展；在數(shù)據(jù)管理方面，數(shù)據(jù)庫廠商將產(chǎn)生出數(shù)據(jù)倉庫引擎，與數(shù)據(jù)庫服務(wù)器同步發(fā)展；在數(shù)據(jù)表現(xiàn)方面，數(shù)理統(tǒng)計的算法和功能將應(yīng)用到聯(lián)機分析產(chǎn)品中。 隨著國家對教育的重視，學(xué)校也開始尋找各種可以提高學(xué)生成績的途徑。把數(shù)據(jù)挖掘技術(shù)應(yīng)用到教育領(lǐng)域，通過對數(shù)據(jù)庫中的大量數(shù)據(jù)（特別是學(xué)生的成績數(shù)據(jù)）進(jìn)行抽取、轉(zhuǎn)換，從中提取出對教學(xué)質(zhì)量的改進(jìn)有作用的數(shù)據(jù)。把數(shù)據(jù)挖掘技術(shù)應(yīng)用到教學(xué)管理中，建立教學(xué)管理挖掘系統(tǒng)，對其中的數(shù)據(jù)進(jìn)行分析能得到傳統(tǒng)的分析方法無法得到的潛在信息，因此學(xué)校可以利用這些信息知道教學(xué)的進(jìn)程從而提高教學(xué)質(zhì)量。通過對某一個院系學(xué)生的 評價數(shù)據(jù)和授課教師的信息進(jìn)行數(shù)據(jù)挖掘，采用分類、聚類、決策樹、關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法對學(xué)生成績進(jìn)行挖掘，對挖掘結(jié)果進(jìn)行分析，得出定性評價，找出影響教學(xué)質(zhì)量的關(guān)鍵因素，為教學(xué)提供決策支持。把數(shù)據(jù)挖掘技術(shù)應(yīng)用到網(wǎng)絡(luò)教學(xué)方面，對教學(xué)信息數(shù)據(jù)進(jìn)行挖掘，產(chǎn)生有利于提高網(wǎng)絡(luò)教學(xué)質(zhì)量的信息點，使得網(wǎng)絡(luò)教學(xué)工作得到順利開展。 （二） 研究內(nèi)容 在明確了我校教 學(xué)管理系統(tǒng)的不足之后，試圖將數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù)應(yīng)用到教學(xué)管理中，首先對教學(xué)系統(tǒng)中大量的學(xué)生成績數(shù)據(jù)進(jìn)行分析和處理，利用SQL Server 2021 軟件中的挖掘算法以學(xué)生成績?yōu)楹诵耐诰驖撛诘囊?guī)律及模式，得到影響學(xué)生成績可能原因，有針對性地提出教學(xué)建議和課程安排次序，以幫助教育者制定教學(xué)計劃，提高教學(xué)質(zhì)量。 二 數(shù)據(jù)倉庫及數(shù)據(jù)挖掘相關(guān)知識 （一） 數(shù)據(jù)倉庫 如今數(shù)據(jù)庫中存有大量的數(shù)據(jù)信息，必須對其進(jìn)行存儲、管理和維護(hù)，由于數(shù)據(jù)庫管理系統(tǒng)（ database management system,DBMS）的局限性使得它很難滿足人們的需求。而應(yīng)用決策支持系統(tǒng)（ decision support system,DSS），它所需的數(shù)據(jù)必須經(jīng)過提取、轉(zhuǎn)換、過濾等預(yù)處理操作并與其他數(shù) 據(jù)源整合，按主題存放在數(shù)據(jù)庫中。這些工作通常都在數(shù)據(jù)倉庫（ data warehouse,DW）中完成。數(shù)據(jù)倉庫與其他數(shù)據(jù)庫不同，它更像是一種過程，它是對各種業(yè)務(wù)數(shù)據(jù)的 整合、加工和分析。 2 數(shù)據(jù)倉庫的特點 數(shù)據(jù)倉庫主要有四個特征：面向主題性、集成性、不可更新性、隨時間變化性。數(shù)據(jù)倉庫中的數(shù)據(jù)由于是面向主題進(jìn)行組織的，所以能完整地刻畫各項數(shù)據(jù)以及數(shù)據(jù)之間的關(guān)系。我們一般把數(shù)據(jù)倉庫中的數(shù)據(jù)分為外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)，外部應(yīng)用系統(tǒng)的信息就叫外部數(shù)據(jù)，本系統(tǒng)中的信息就叫內(nèi)部數(shù)據(jù)。我們所說的數(shù)據(jù)集成并不是對數(shù) （ 3） )數(shù)據(jù)倉庫中的數(shù)據(jù)是不可更新的 數(shù)據(jù)倉庫中的數(shù)據(jù)記錄的是日積月累的歷史數(shù)據(jù)的內(nèi)容，反映的是不同時間點的數(shù)據(jù)庫快照集合通過數(shù)據(jù)的統(tǒng)計、整合和重組而得 出的數(shù)據(jù)。當(dāng)我們要進(jìn)行新的分析決策時，這時候就需要對數(shù)據(jù)進(jìn)行更新操作，把數(shù)據(jù)倉庫中那些過時的數(shù)據(jù)刪掉，并將近期的數(shù)據(jù)進(jìn)行集成整合然后添加到數(shù)據(jù)庫中進(jìn)而生成新的記錄。 .3 數(shù)據(jù)倉庫系統(tǒng)的體系結(jié)構(gòu) 數(shù)據(jù)倉庫系統(tǒng)是在數(shù)據(jù)倉庫的基礎(chǔ)上建立的，它通過查詢工具和分析工具提取出滿足用戶的各種需求的數(shù)據(jù)信息。 （ 2）數(shù)據(jù)的抽取、轉(zhuǎn)換、裝載、預(yù)處理 數(shù)據(jù)的抽取是將數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)倉庫統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)和內(nèi)部格式，數(shù)據(jù)的凈化是確保數(shù)據(jù)的有效性并能為決策服務(wù)。數(shù)據(jù)的提取、凈化、轉(zhuǎn)化到加載這四個過程被稱為數(shù)據(jù)分級。 （二） 數(shù)據(jù)挖掘 1 數(shù)據(jù)挖掘的概念 數(shù)據(jù)挖掘 (Data Mining， DM)是從大量的、隨機的、 不完全的、 模糊的、有噪聲的數(shù)據(jù)中，提取出隱含在數(shù)據(jù)中的、隱藏的、但又有潛在使用價值的信息和知識的過程。數(shù)據(jù)挖掘出來的內(nèi)容必須是需求者感興趣的信息，因此數(shù)據(jù)挖掘過程就是使用各種挖掘技術(shù)從大型數(shù)據(jù)庫中提取出人們感興趣的信息的過程，提取出來的這些信息和知識用概念、規(guī)則、規(guī)律、模式等形式來表示。 2 數(shù)據(jù)挖掘的對象 數(shù)據(jù)挖掘的對象主要包括關(guān)系數(shù)據(jù)庫、事務(wù)數(shù)據(jù)庫、多媒體數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、數(shù)據(jù)倉庫、文本數(shù)據(jù)源、遺產(chǎn)數(shù)據(jù)庫以及 Web 頁等八個方面。決策者明確需要了解的信息，我們可以直接使用查詢、 OLAP 技術(shù)或其它工具來得到；而有些隱藏的信息我們就不能直接得到，因而就需要用到數(shù)據(jù)挖掘技術(shù)。 數(shù)據(jù)挖掘的任務(wù)包括關(guān)聯(lián)模式、聚類模式、分類和預(yù)測、偏差檢測與時序模式。關(guān)聯(lián)模式是指數(shù)據(jù)項之間存在的關(guān)聯(lián)規(guī)則，如果兩個或兩個以上數(shù)據(jù)項重復(fù)出現(xiàn)的概率比較高，它們之間就可能存在某種關(guān)系，我們把這種可能的關(guān)系稱之為關(guān)聯(lián)規(guī)則。按照相似度把數(shù)據(jù)歸并成若干類，要求同一類別中的數(shù)據(jù)相似、數(shù)據(jù)間的距離較小，不同類別中的數(shù)據(jù)相異、數(shù)據(jù)間的距離較大，我們把它稱之為聚類。描述和區(qū)分?jǐn)?shù)據(jù)的類或概念的技術(shù)成為分類技術(shù)，分好的類或概念模型能夠預(yù)測未知的對象類。分類中的反常實例和不滿足規(guī)則的特例不能直接用于數(shù)據(jù)分析，需要經(jīng)過檢查偏差，預(yù)測數(shù)據(jù)庫中數(shù)據(jù)的某些異常問題，為后一步的改正做好鋪墊。時間序列模式是根據(jù)數(shù)據(jù)的發(fā)展趨勢來預(yù)測將來可能出現(xiàn)的值，它是根據(jù)時間序列查詢出事件較高的發(fā)生概率來實現(xiàn)的。聯(lián)機分析處理技術(shù)支持動態(tài)多維分析，所謂動態(tài)多維分析是指跨維，在不同的層次選取成員進(jìn)行計算和建模，在不同的時間段進(jìn)行趨勢分析和預(yù)測分析；對數(shù)據(jù)進(jìn)行切片和切塊等多個方面對數(shù)據(jù)進(jìn)行深入地分析；它還可以用于查詢底層的細(xì)節(jié)數(shù)據(jù)，通過旋轉(zhuǎn)對不同維進(jìn)行比較。 .2 OLAP 的特性 （ 1） 快速 性 OLAP 能快速的對數(shù)據(jù)進(jìn)行分析，基本上在 5 秒鐘之內(nèi)就能分析出用戶的需求信息。 （ 2） 可分析性 OLAP 系統(tǒng)可處理與應(yīng)用有關(guān)的邏輯分析和統(tǒng)計分析。 （ 3） 多維性 進(jìn)行多維分析的基礎(chǔ)必須要多個維度，用戶應(yīng)在 SQL Server 里創(chuàng)建多維數(shù)據(jù)集和多維視圖，然后才能進(jìn)行 多維分析。 （ 4） 信息性 OLAP 能管理好大容量的信息，并且能夠從這些龐大的數(shù)據(jù)里迅速及時的提取出用戶 需求的信息。 （ 5） 可