大数据分析教学大纲

1、大数据分析一、课程说明课程编号： 160212Z10课程名称：大数据分析/Big data analysis课程类别：专业课学时/学分：32/2先修课程：数理统计，数据挖掘或商务智能，计算机程序设计适用专业：信息管理与信息系统、电子商务教材、教学参考书：1. 王星等著.大数据分析:方法与应用.清华大学出版社.2. 张俊妮著.数据挖掘与应用.北京大学出版社.3. 吴喜之著.复杂数据统计方法: 基于R的应用.中国人民大学出版社. 4. Mehmed Kantardzic 著, 王晓海, 吴刚 译.数据挖掘:概念、模型、方法和算法.清华大学出版社.5. 林子雨 著.大数据技术原理与应用:概念、存储、

2、处理、分析与应用. 人民邮电出版社.二、课程设置的目的意义本课程的目标是使学生掌握复杂数据的分析与建模方法，学习数据分析的计算机语言，具备按照实证研究规范使用数据挖掘工具进行大数据分析的能力。三、课程的基本要求1.专业知识掌握大数据分析的基本概念和原理；掌握数据分析的基本流程，了解数据清洗和准备过程的基本方法，大数据分析的常见方法和工具，以及不同方法的优劣和适用场合等专业知识。2.专业能力培养信息管理与信息系统专业学生根据具体应用情境，综合利用所学工具方法进行复杂数据的建模分析，挖掘有用信息的能力。3.专业素质通过本课程的理论教学和上机练习，培养学生从海量数据中挖掘信息的能力，以及理论结合实际

3、的能力。四、教学内容、重点难点及教学设计章节教学内容总学时学时分配教学重点教学难点教学方案设计（含教学方法、教学手段）讲课(含研讨)实践第1章大数据与数据挖掘简介220大数据的特征，数据挖掘的基本原理和流程无教学思路：通过“啤酒与尿布”、精准广告投放等实际案例引入大数据的概念，让学生了解数据挖掘的产生背景和作用。然后简介数据挖掘基本流程，帮助学生理解后续内容在整个流程中的位置。第2章离群点发现321离群点检测算法检测算法的实现先讲为什么要识别离群点，应用场景是怎样的，然后介绍基于统计的、基于距离的和局部离群点检测算法，再利用上机实验让学生自己动手，更深入的理解算法第3章有指导的学习422决策树

4、和人工神经网络理解不同方法的优缺点和适用场合讲解有指导的学习方法的概念和特征，介绍K近邻、决策树、人工神经网络和其他算法，利用上机实验让学生自己动手实现，加深理解第4章无指导的学习642关联规则、聚类分析聚类分析方法的 实现讲解无指导的学习方法的概念和特征，介绍关联规则、聚类分析、基于预测强度的聚类方法，引导学生讨论聚类问题的变量选择问题，利用上机实验加深学生理解第5章贝叶斯分类和因果学习642贝叶斯分类、贝叶斯网络贝叶斯网络的构建讲解贝叶斯分类、决策论与统计决策论、线性判别函数和二次判别函数、朴素贝叶斯分类、贝叶斯网络等内容，结合上机实验加深理解第6章高级分析方法550高维线性回归模型和图模

5、型理解所介绍方法的优势和局限，以及适用场合讲解高维线性回归（概述、模型选择、广义线性模型、高维回归系数压缩）和图模型（基本概念和性质、协方差选择、指数族图模型、谱聚类）的相关内容，具体算法仅作概述，主要是让学生理解这些分析方法的基本概念、分析流程、特点比较和应用场合第7章大数据分析应用举例660让学生理解如何将大数据分析方法应用于实际对各种分析方法的综合运用讲解在客户关系管理、社会网络分析和自然语言处理三种情境下如何综合里大数据分析方法实现管理功能，以此为示范鼓励有余力的学生自行选择应用场景做小型项目，并让学生介绍自己开发的经验和教训。注：实践包括实验、上机等五、实践教学内容和基本要求本课程要

6、求学生编程实现课堂讲授的数据挖掘算法，采用R语言作为主要实验语言，在聚类和回归分析中允许使用SPSS软件作为分析工具。实验的内容和要求如下：1离群点检测实验：通过实例实现基于统计和基于距离的离群点检测算法；2神经网络构建实验：通过实例实现神经网络的感知器算法、LMS算法和反向传播算法；3关联规则挖掘实验：通过实例实现静态关联规则算法（Apriori算法）、动态关联规则算法（Carma算法）和序列规则挖掘算法；4 聚类分析实验：通过实例实现基于划分的方法(k-平均，k-中心点算法和CLARA算法)、基于层次的方法(AGNES和DIANA方法)和基于密度的方法(DBSCAN)；5. 分类和预测实验：实现决策树分类、贝叶斯分类和BP神经网络分类的实例六、考核方式及成绩评定考核方式考核内容成绩比例（%）