136042-数据仓库与数据挖掘-专业课教学大纲

1、菏泽学院计算机学院数据仓库与数据挖掘课程教学大纲课程编号：136042课程名称：数据仓库与数据挖掘/DataWarehouseandDataMiningTechnology课程类别：专业方向课课程总学时/学分：80/4（实践80学时，任务驱动方式融入教学内容）适用对象：计算机科学技术.NET方向一、课程简介数据仓库与数据挖掘技术出现于20世纪80年代，90年代有了突飞猛进的发展，并可望在新的千年继续繁荣。数据仓库与数据挖掘是一个多学科领域，从多个学科汲取营养。这些学科包括数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高信能计算和数据可视化。二、教学

2、目的和任务根据学校“一体两翼，三经四纬，五个保障”的宏观人才培养模式，以及计算机类专业人才培养方案要求，通过本课程学习，使学生能对数据仓库和数据挖掘的基本方法和基本概念有整体的了解，掌握建立数据仓库的原理和方法，从理论上掌握数据仓库、OLAP联机分析的基本概念、原理、主要算法及应用系统解决方案，熟练掌握数据挖掘的关联规则，分类方法，聚类方法等算法，并能够在软件开发过程中熟练掌握这些方法加以应用。三、教学基本要求本课程的内容从知识、素质、能力、德、智、体、美七个维度形成教学内容方阵，每一次课一般安排3-5个知识点，从七个维度组织内容，分课内、课外开展教学。素质养成主要包括以下内容：.思想政治素质

3、具有中国特色社会主义共同理想，秉承社会主义核心价值观；具有爱国主义精神；具有责任心和社会责任感。.文化科技素质具有不断更新知识和自我完善的能力；具有持续学习和终身学习的能力；具有一定的创新意识、创新精神和创新能力；具有一定的人文和艺术素养；具有良好的人际沟通能力。.专业素质掌握数据仓库与数据挖掘基本知识；具有一定数据挖掘与数据分析能力，利用数据挖掘基本知识、基本技能，解决实际问题的能力。.职业素质具有良好的职业道德和职业操守；具有较强的组织观念和集体意识;有耐心，精益求精，有着良好数据分析能力。.身心素质具有人文素养、审美能力、团结协作精神，具有健康的体魄和良好的心理素质，社会适应能力。能力训

4、练：集中训练学生解决问题、分析问题能力、逻辑思维能力。德育：贯彻课程思政精神，由于数据仓库与数据挖掘其本身就是数学与计算机的交叉应用，来源于实践最终落地于实践，与深度学习和机器学习等人工智能基础课程息息相关，是集我们的人生观、世界观、方法论于一体的，在学习中能结合知识点开展文化、思想、政治等教育。智育：主要体现在知识点的难点重点的学习能力培养，创新能力的启迪与激发。体育：主要培养学生的身心健康，阳光心态，问题分析过程，耐得住寂寞，经得了加班，要有体力还要有毅力。美育：通过数学之美来培养学生欣赏美、创造美的素养，让学生爱上数据挖掘，体会数据的魅力！第1章数据仓库概述（2学时）数据仓库及其历史数据

5、仓库及其开发工具数据仓库系统开发工具数据仓库与操作型数据库的关系商务智能与数据仓库关系知识点：数据仓库概念、数据仓库及其开发工具、数据仓库系统开发工具、数据仓库与操作型数据库的关系、商务智能与数据仓库关系重点：数据仓库与操作型数据库的关系、商务智能与数据仓库关系难点：数据仓库与操作型数据库的关系、商务智能与数据仓库关系第2章数据仓库设计（4学时）数据仓库设计概述数据仓库的规划和需求分析数据仓库建模数据仓库的物理模型设计数据仓库的部署和维护数据仓库设计示例知识点：数据仓库构建模式、数据仓库规划与需求分析、多维数据模型及实现、数据存储结构、数据仓库部署、数据仓库维护。重点：数据仓库规划与需求分析、

6、多维数据模型及实现、数据存储结构、数据仓库部署难点：数据仓库规划与需求分析、多维数据模型及实现、数据存储结构、数据仓库部署、数据仓库维护。第3章OLAP技术（4学时）OLAP概述OLAP的多维数据模型OLAP实现知识点：OLAP概念、OLAP与OLTP区别与联系、多维数据模型定义、OLAP实现重点：OLAP与OLTP区别与联系、多维数据模型定义、OLAP实现难点：多维数据模型定义、OLAP实现第4章数据挖掘概述（4学时）什么是数据挖掘数据挖掘系统数据挖掘过程知识点：数据挖掘定义，数据挖掘知识表示，数据挖掘对象，数据挖掘系统，数据清理，数据集成，数据变换，数据归约。重点：数据挖掘知识表示，数据挖

7、掘对象，数据清洗，数据集成，数据变换，数据归约难点：数据清理，数据集成，数据变换，数据归约第5章关联分析（8学时）关联分析概念Aprior算法频繁项集的紧凑表示多层关联规则挖掘知识点：事务数据库，关联规则及其度量，频繁项集，挖掘关联规则的基本过程，Apriori算法，频繁项集，多层关联规则的挖掘，多层关联规则的挖掘算法。重点：关联规则及其度量，频繁项集，Apriori算法，频繁项集，多层关联规则的挖掘。难点：频繁项集，Apriori算法，频繁项集。第6章序列模式挖掘（12学时）序列模式挖掘概述Apriori算法模式增长框架的序列挖掘算法知识点：序列数据库，序列模式挖掘算法，Apriori类算法

8、，模式增长框架的序列挖掘算法。重点：序列模式挖掘算法，Apriori类算法难点：Apriori类算法，模式增长框架的序列挖掘算法第7章分类方法（16学时）分类过程K-最近邻分类算法决策树分类算法贝叶斯分类算法知识点：学习阶段、分类阶段、K-最近邻分类算法,决策树，建立决策树的ID3算法，贝叶斯分类。重点：K-最近邻分类算法,决策树，贝叶斯分类。难点：K-最近邻分类算法,决策树，贝叶斯分类。第8章回归分析和时序挖掘（16学时）回归分析和时序挖掘逻辑回归分析时序分析模型知识点：一元线性回归分析，多元线性回归，逻辑回归分析原理，逻辑回归模型，时序预测常用方法，回归分析与时序模型重点：一元线性回归分析

9、，逻辑回归分析原理，逻辑回归模型，回归分析与时序模型。难点：逻辑回归分析原理，逻辑回归模型，回归分析与时序模型。第9章聚类方法（16学时）聚类概述基于划分的聚类算法基于层次的聚类算法基于密度的聚类算法知识点：聚类概念，相似性测度，聚类过程，聚类算法的评价，聚类方法的分类，K-均值算法，K-中心点算法，基于层次的聚类，基于密度的聚类重点：K-均值算法，K-中心点算法，基于层次的聚类，基于密度的聚类难点：K-均值算法，K-中心点算法，基于层次的聚类，基于密度的聚类根据学生的实际情况，为提高教学效果，实现课程的教学目标，贯彻“以学生为主体，教师为主导”的教学理念，课程采用以任务驱动、线下线上相结合的

10、混合式教学模式，鼓励学生通过自主学习、小组合作的方式学习，以培养他们的自主学习能力。教学过程采用任务驱动的方式设计教学案例，将数据仓库与数据挖掘与现实问题紧密结合，培养学生分析问题、解决问题、动手实践能力以及团队协作能力。鼓励学生多角度思考问题。1课前准备。首先学科组集体备课，授课教师事先依据知识点录制视频，分析课程重点和难点，制作自主学习任务单，同时将录制的视频以及网络资源精品课程通过雨课堂或学习通推送给学生。2课堂教学。课堂坚持学为主体，以任务驱动的方式，抛出问题，引导学生梳理知识点，分析问题，从认知的角度认知知识点，梳理重难点，最后达到解决问题的目的。3课后反思。“知止而后有定，定而后能

11、静，静而后能安，安然后能虑，虑而后能得。”总结反思即对学习过程的简要归结，其本身是学习提高的过程。于学生而言，总结反思有助于增强原有知识节点之间的关联性，调整知识网络体系的内部结构。通过总结反思，随时监控学习过程中使用的学习策略、学习方法得当与否，以便在下一次学习中有更好的体验；于教师而言，有助于认识到教学过程中的得与失，从而不断优化教学设计。4自主课外学习。结合传统教学和在线实践各自的优点，将在线训练方式应用于程序设计教学中，培养学生兴趣，提高学生实践能力，改变学生被动接受式的学习方式，主动构建知识体系，自主探究式学习。六、实践内容电力窃漏电用户自动识别任务驱动模式，用于前4章知识的导入，从数据获取直至数据清洗。中医病症关系规则任务驱动用于关联规则相关知识的引入，最后构建关联规则方案电子商务网站用户行为分析及服务推荐任务驱动，掌握分类算法电商产品评论数据情感分析任务驱动，分类与聚类分析七、先修课程、后续课程先修课程：python程序设计，数据库，高等数学，线性代数，概率与数理统计后续课程：数据分析算法，机器学习八、考核方式考试考核的目的主要是督促学生进行知识的积累，检验学生掌握知识的程度，考察学生认识问题，解决问题的能力。期末成绩方案：最后总评成绩按期终成绩占70%，平时成绩（包括出勤、作业、回答问题等）占30%计算。期终成绩：针