随着大数据、云计算、人工智能等技术在各高等学校数字化校园、智慧化校园建设的广泛应用。在教育大数据环境下,高校用好这些数据,不仅影响着高等学校整个教育教学体系的有序运行,而且也必将成为助力高等学校推动教育教学体系改革、创新的不竭动力。本文以Y校学生评教数据和学生在线学习数据为研究对象,聚焦教学运行情况和学生自主学习情况,利用基于改进的K-modes算法对课堂教学运行状况进行了聚类分析,利用基于机器学习的神经网络算法对学生在线课程学习情况进行了预测和对比研究,希望能对高校教学管理体系构建和教学管理体系改革、创新提供有意义的参考。主要开展了两项研究工作:一是通过对某高校学生评教数据进行了初步的分析和变换,利用改进的余弦相异度算法对异常评教数据进行了剔除,采用归一化方法对评教数据进行了标准化,采用传统的K-modes算法对评教数据进行了初步的聚类分析,指出其存在的三个方面问题,并基于这三个问题,从聚类族数确定、初始聚类中心确定和聚类距离度量等三个方面对传统的K-modes算法进行了改进,实验结果表明,改进后的算法更合理性和有效性。二是对某高校学生在线学习数据进行规格化处理,建立了基于机器学习的神经网络模型,并对同一门课程同一名教师不同班级、同一门课程不同教师在不同班级、不同课程不同教师不同班级等三种情况进行预测,结果表明模型具有较好的适应性;在此基础上,将该模型与传统的回归分析模型预测结果进行对比,实验结果表明该模型在各项指标上都优于回归分析结果。本文尽管以某高校真实数据为研究对象,对教学运行状态及学生在线学习等两个方面进行了一些有意的探索,也得出了一些有一定参考价值的初步结论,但是由于时间比较仓促,加之个人的能力有限,还没有形成比较系统的软件,后续将会继续开展研究工作,为教学管理者、教师、学生能够及时、准确地掌握真实的教学状况,不断提升教学质量。