本发明涉及青岛大数据培训领域，尤其涉及一种基于青岛大数据培训的课程培训方法。随着我国高等教育改革的不断深入，高等教育已经成为推动社会生产力变革的重要场所。有利高等教育改革有利于传统教学模式的改革，有利于人才培养质量的提高，有利于我国结构的长期调整。虽然高等教育课程体系建设取得了一定的成绩，但与欧美等发达国家相比，仍有一定差距，尤其是在高等教育的发展、实施和评价方面。此外，学生在选择课程时，通常会根据院校的建议或同学、学长的经验，参考自己的兴趣或自己的发展规划，导致在接受课程教育时出现诸多不适应。有些课程虽然纳入了人才培养计划，但只是一门单独的课程，并没有融入或整合到相关课程中。相关课程的后续学习会有薄弱的衔接，不利于相关知识体系的构成。另外，在课程教学中，需要对大量的课程进行自动筛选和识别，对课程质量进行评价，提高课程的教学效果。在评价课程的教学效果时，要考虑很多因素，如在线课件质量、教学水平、教学针对性和多媒体课件等。高校和学生对课程的评价基本上以行政或个人主观感受为主，缺乏科学的选课和评价体系。

　　为了解决上述技术问题，本发明提出了一种基于青岛大数据培训的课程培训方法，通过确定符合课程要求的课程时间表，考虑学生的背景、兴趣和期望的学位时间，方便学生提供选课服务，在评估课程教学效果时融入大数据信息，结合统计数据分析方法，实现对课程教学效果的量化评估，通过课程教学分析评估大数据的效果，从而提高课程教学效果。

　　本发明提供了一种基于青岛大数据培训的课程培训方法，包括为给定学生生成个性化课程表的选课算法和课程评价方法；课程选择算法包括四个阶段：1)数据收集；2)课程时间表创建；3)课程实例；4)课程展示；选课算法收集相关数据，对数据进行分析，得到决策变量、约束和目标函数，并进行整数线性规划运算。选课算法采用压缩层次聚类方法，从所有学生的聚类开始，迭代合并较为接近的聚类。青岛大数据培训当目标学生的聚类足够大时，聚类停止。聚类前，定义学生之间、聚类之间的距离度量，将每个学生表示为目标学生所修课程的向量，将目标专业的学生总数定义为m，将目标学生所修课程的数量定义为n；设hi为第I个学生的长度n的向量，h为包含的课程历史向量集，hi，g代表学生I在课程g上的成绩，其中g[1，n]；两个学生向量之间的欧氏距离如公式所示：青岛大数据培训将聚类方法转化为算术平均未加权分组方法，两个聚类之间的距离为每个聚类中向量之间的平均距离；给定两组学生向量c1和c2，它们之间的距离定义为：其中(| |)表示向量的长度，距离(a，b)是选定的距离度量；目标学生被引入一个集群，集群中的学生分布较少，所以他们略有相似。当目标学生群的大小变得足够大时，群中的同类学生被提取。课程或每学期的学时数初时由目标学生所在的院校设定如下：mincrt:tt   t每学期的较小学时数，其中t为所有学期的时间序列集；max  CRT:t学期的较大大学时数；学生提供的参数定义如下：mincrs，t:学生的较小学时数ss，其中s为所有学生的无序集；Tt的较小时数，其中t为所有学期的时间序列集；Maxcrs，t:学生在t学期的较大大学时数；Maxsemesterss:学生s选择的大学期间的较大数量。

　　本发明提供了一种基于青岛大数据培训的课程培训方法，青岛大数据培训通过确定符合课程要求的课程时间表，考虑学生的背景、兴趣和期望的学位时间，方便学生提供选课服务，在评估课程教学效果时融入大数据信息，青岛大数据培训结合统计数据分析方法，实现对课程教学效果的量化评估。