数据挖掘与机器学习教学大纲

1、数据挖掘与机器学习教学大纲01课程性质本课程以数据挖掘和机器学习为主要内容，讲述实现数据挖掘的主要功能、数据挖掘、机器学习算法和应用，并通过对实际数据的分析更加深入地理解常用的数据挖掘与机器学习模型。培养学生数据分析和处理的能力。该课程的先修课程有概率论与数理统计、数据库原理和程序设计等。02教学IJ的本课程的主要目的是培养学生的数据挖掘与机器学习的理论分析与应用实践的综合能力。通过本课程的教学，使学生掌握数据挖掘和机器学习的一般原理和处理方法，能使用机器学习理论解决数据挖掘相关的问题。03教学内容本课程全面而又系统地介绍了数据挖掘与机器学习的方法和技术，反映了当前数据挖掘和机器学习研究的最新

2、成果。本课程主要学习的内容包括Python数据分析与可视化基础、认识数据、数据预处理、回归分析.关联规则挖掘、分类与预测、聚类分析、神经网络与机器学习基础、离群点检测以及Python数据挖掘案例分析等内容。04教学时数本课程的教学时数为72学时，理论教学54学时，实验教学18学时。第一章数据挖掘概述教学要点：1 ?理解和掌握数据挖掘与机器学习的基本概念、数据挖掘过程、数据挖掘的主要任务以及数据挖掘使用的主要技术。2 .了解数据挖掘与机器学习的应用和面临的问题。3 .对数据挖掘和机器学习能够解决的问题和解决问题思路有清晰的认识。4?熟练应用Jupyternotebook的开发环境。教学时数：4学

3、时。考核要点：了解数拯挖掘的左义和功能，理解数据挖掘在何种数据上进行，数据挖掘可以挖掘什么类型的模式，掌握初级的数据分析方法。第二章Python数据分析与挖掘基础教学要点：1 ?理解和掌握Python基础语法、内建的数据结构、Numpy数值运算基础、Pandas统计分析基础.2 .掌握Matplotlib图表绘制基础等数据分析和可视化方法。教学时数：6学时。考核要点：掌握Python编程基础，数据分析与可视化方法。第三章认识数据教学要点：1 .理解和掌握数据对象和属性类型，数据的基本统计描述，掌握度量数据相似性和相异性的方法。2 .了解数据可视化的方法。教学时数：3学时。考核要点：了解数据的属

4、性类型，理解数据的基本统汁描述，掌握度量数据相似性和相异性的方法。第四章数据预处理教学要点：1 .了解数据预处理的目的和意义。2 .掌握如何对数据进行清理。3 .掌握如何对不同数据源的数据进行合并。4 .掌握如何对数据进行变换，使之适合建模的需要。5 .掌握如何对数据进行消减，使得在消减后的数据集上挖掘更有效。6 .掌握利用Python进行数据预处理的方法。教学时数：4学时。考核要点：理解数据清理、数据集成、数据规约、数据变换于数据离散化的方法，掌握数据预处理的基本方法。第五章回归分析教学要点：1 .掌握回归分析原理。2 .掌握一元线性回归分析。3 .掌握多元线性回归分析。4 .掌握逻辑回归。

5、5 .了解其他回归分析。教学时数：4学时。考核要点：掌握回归的左义的左义，各类回归的原理及Python实现。第六章关联规则挖掘教学要点：1. 了解关联规则的基本思想、概念和意义。2. 了解关联规则挖掘的应用背景：掌握常用的关联规则算法。3. 掌握利用Python实现关联规则分析。4. 了解其它方法的内容、了解关联规则挖掘的研究动态。教学时数：4学时。Apriori算法和挖考核要点：了解频繁项集、闭项集和关联规则的概念，理解模式评估方法，掌握掘频繁项集的模式增长方法。第七章分类教学要点：1 .了解分类及预测的基本思想、概念和意义。2 .掌握常用的分类及预测算法（或模型）。3 .了解分类及预测挖掘

6、的研究动态。4 .掌握利用Python实现各种分类算法的方法。教学时数：12学时。考核要点：了解分类的概念，理解评估分类器性能的度量方法，掌握决策树分类算法、SVM、贝叶斯分类算法、模型评估与选择、组合分类及利用Python实现分类的方法。第八章聚类教学要点：1 .了解如何汁算由各种属性和不同的类型来表示的对象之间的相异度。2 .掌握K-Means聚类、层次聚类、基于密度的聚类和英他常用方法。3 .掌握利用sklearn实现聚类的方法。教学时数：10学时。考核要点：了解聚类的概念，掌握k-Means和k-Medoids算法、层次方法和基于密度的方法等典型算法及英Python的实现方法。第九束神

7、经网络与深度学习教学要点：1. 了解理解神经网络与深度学习的原理。2. 掌握感知机与BP神经网络的原理。3. 了解深度学习基础。4. 时数：5学时。考核要点：了解神经网络的概念，掌握感知机模型和BP神经网络、了解深度学习算法。第十章离群点检测教学要点：1 .了解离群点的概念与检测方法。2 .掌握sklearn中的异常值检测方法。教学时数：4学时。考核要点：了解离群点的概念、类型以及离群点检测的常用方法，掌握sklearn中的异常值检测方法。第十一章数据挖掘案例教学要点：1 .掌握数据挖掘与机器学习的分析与实现。2 .掌握利用Python进行综合数据分析。教学时数：4学时。考核要点：掌握利用Py

8、thon进行数据挖掘与机器学习的实现过程。本课程使用教具和现代教育技术的指导性意见本课程教材力求内容新颖，应采用多样化的方式进行教学，让学生在理论与实践相结合的基础上，对课程所要求的实际操作能力有进一步的提高。充分利用多媒体等现代化教学手段，整体优化教学过程和教学内容，调动学生学习积极性；布宜实际操作任务给学生上机操作并及时指导。实验部分基本要求：实验是数据挖掘与机器学习课程教学中不可分割的重要组成部分。实验课程设汁的思想是帮助学生理解和掌握数据挖掘的基本概念、算法、技术和原理，熟练掌握利用Python进行数据挖掘和机器学习的使用方法，通过适当的编程提高学生的编程能力以及实践动手能力，提高学生

9、对课程的学习兴趣，加强创新精神与综合素质的培养。实践课程课时：18学时05教学进度计划表名称总时数讲课实践/实验上机习题课程设计周学时计划时数7254184周次课次授课内容摘要时数目的要求11第一章数据挖掘与机器学习概述一、数搦挖掘简介二、数据分析与数据挖掘三、数据挖掘的任务四、数据挖掘的数据源2理解和掌握数据挖掘与机器学习的基本概念、数据挖掘过程、数据挖掘的主要任务以及数据挖掘使用的主要技术。2五、数据挖掘使用的主要技术六、数据挖掘的主要任务七、数据挖掘的商用工具八、利用Python进行数据挖掘2了解数据挖掘与机器学习的应用和面临的问题。对数据挖掘和机器学习能够解决的问题和解决问题思路仃清晰

10、的认识熟练应用Jupyternotebook的开发环境。23第二章Python数据分析基础一、Python程序概述二、Python内建的数据结构2理解和掌握Python基础诰法、内建的数据结构。4二、Numpy数值计算基础2掌握Numpy数值计算方法，主要包括数组和矩阵运算。35四、Pandas统计分析基础2掌握Pandas中的数据结构、数据查询与编辑、分组汇总及绘图。6五、Matplotlib数据可视化基础六、Scikit-learn基础2掌握Matplotlib数据可视化绘图基础，参数设置及常用绘图。周次课次授课内容摘要时数目的要求47实验一、数据分析与可视化实训2利用Python进行数据

11、分析与可视化8第三章认识数据数据对象与属性类型数据的基本统计描述数据可视化度量数据的相似性2理解和掌握数据对象和属性类型，数拯的基本统il?描述，掌握度量数据相似性和相异性的方法：了解数据可视化的方法。591）第四章数据预处理2） 数据预处理概述，Python数据预处理方法3） 数据清理及Python数摒清洗方法2了解数据预处理的目的和意义:掌握如何对数据进行清理。10三、数据集成及利用Python进行数据合弁1）数据变换与离散化2）数据归约2学押汕何W不同数据源的数据进行合弁：掌握如何对数据进行变换，使Z适合建模的需要：掌握如何对数据进行消减，使得在消减后的数据集上挖掘更有效：掌握利用Pyt

12、hon进行数据预处理的方法。6113）实验二、利用Python实现数据预处理（数据合弁、数据清洗、数据变换）2掌握利用Python实现数据清洗、数据集成和数据变换的方法周次课次授课内容摘要时数目的要求12第五章回归分析一、回归分析概述二、一元线性回归分析2掌握回归分析原理：掌X兀线性回归分析的原埋与方法。713三、多元线性回归四、逻辑回归五、其他回归分析2掌握多元线性回归分析：掌握逻辑回归；了解其他回归分析14实验三、利用Python实现典型的回归分析2掌握利用Python实现典型的回归分析方法815第六章关联规则挖掘一、关联规则分析概述二、频繁项集挖掘方法2了解频繁项集、闭项集和关联规则的概

13、念，理解模式评估方法，掌握Apriori算法16三、频繁模式树算法四、关联规则评估方法2?讣FP挖应'订沈；利川?：?thon实现关联规则分析；了解其它方法的内容、了解美联规则挖掘的研究动态。917实验四、Python实现数拯的关联规则分析2掌握利用Python实现数据的关联规则分析18第七章分类一、分类概述二、决策树规约及KPython实现2了解分类及预测的基本思想、概念和意义：掌握决策树规约算法。1019三、K近邻算法四、支持向量机算法及其实现2掌握KNN算法原理与实现：了解SVM算法及其实现。20五、贝叶斯分类六、模型评估与选择2熟悉掌握贝叶斯分类算法：理解评估分类器性能的度周次

14、课次授课内容摘要时数目的要求量方法。1121七、组合分类组合方法概述；袋装；提升和Adaboost:随机森林2掌握组合分类的原理：掌握随机森林框架及Python实现方法22实验五、分类分析综合实验2用不同的算法实现给宦数据集的分类分析，掌握利用Python实现数据分类分析的常用方法1223第八章聚类一、聚类概述二、K-Means算法K-Means算法实现2掌握聚类分析的基本原理；熟练掌握K-Means算法的原理及其实现24三、层次聚类方法层次聚类算法及其Python实现2掌握层次聚类算法及其实现1325四、基于密度的聚类方法DBSCAN算法原埋及其实现2掌握DBSCAN算法及其实现26五、其他

15、聚类方法STING算法、C0BWENB算法及模糊聚类算法2了解STING算法、C0BWENB算法；掌握模糊聚类算法。1427六、聚类评估估计聚类趋势确建簇数目的方法测定聚类质量2掌握聚类评估的基本方法：确怎簇数目的常用方法：聚类质量的测定。28实验六数据的聚类分析综合实验2掌握数据聚类的典型算法周次课次授课内容摘要时数目的要求1529第九期中经网络与深度学习一、神经网络基础神经元模型，感知机与多层网络2理解神经网络基本原埋；掌握感知机的原埋。30二、BP神经网络2理解多层前馈神经网络的原理：理解后向传播算法；了解BP神经网络的应用。1631二、深度学习基础深度学习的基本原埋和常用框架2理解深度学习的基本原埋：了解深度学习常用的几