数据分析与数据挖掘-教学日历

教学日历（20xx～20xx学年第x学期）开课学院开课专业讲授学时32课程名称数据分析与数据挖掘授课教师实践/实验学时32授课年级授课班级总学时64使用教材《数据分析与数据挖掘》参考书目《数据分析与数据挖掘》校历周次授课内容分章节题目第1周第1章数据分析与数据挖掘基础（4学时）1.1数据分析与数据挖掘需求、1.2数据分析与数据挖掘的工作过程（1学时）1.3数据的组织和数据的类型（1学时）1.4数据的常用描述性统计量（1学时）1.5数据的基本描述性统计分析（1学时）第2周第2章数据抽样与推断检验（4学时）2.1随机变量概率分布（1学时）2.2抽样统计（1学时）2.3基本抽样分布（1学时）2.4常用的抽样分布与区间估计、2.5常用的参数检验（1学时）第3周第2章数据抽样与推断检验（1学时）2.6常用的单样本非参数检验（1学时）第3章可视化图与分组检（3学时）3.1数据的常用可视化图分析（1学时）3.2均值比较和t检验（1学时）3.3方差齐性检验（1学时）第4周第3章可视化图与分组检（4学时）3.4两独立样本的非参数检验（2学时）3.5两配对样本的非参数检验（1学时）3.6多样本的非参数检验（1学时）第5周第3章可视化图与分组检（1学时）3.6多样本的非参数检验（1学时）第4章方差分析与相关性分析（3学时）4.1方差分析（2学时）4.2PostHoc检验（1学时）第6周第4章方差分析与相关性分析（2学时）4.3连续属性数据的相关性分析（1学时）4.4离散属性相关性分析（1学时）第5章数据的预处理与距离分析（2学时）5.1数据的预处理、5.2数据的常用组织方式（1学时）5.3相似度计算与距离分析（1学时）第7周第5章数据的预处理与距离分析（1学时）5.4KNN分类模型、5.5参数的点估计（1学时）第6章回归分析（3学时）6.1一元线性回归（2学时）6.2多元线性回归（1学时）第8周第6章回归分析（2学时）6.3常用的曲线回归、6.4最小二乘法及其应用（1学时）6.5Logistic回归（1学时）第7章空间降维技术（2学时）7.1主成分分析（1学时）7.2因子分析案例研究（1学时）第9周第7章空间降维技术（1学时）7.3奇异值分解、7.4主成分回归与逐步回归（1学时）第8章关联规则与点对相关性（3学时）8.1频繁模式与关联规则的基本概念、8.2频繁模式挖掘（1学时）8.3频繁模式树、8.4点对相似度的典型度量（1学时）8.5信息熵及其应用与点对相关性度量（1学时）第10周第9章决策树（4学时）9.1分类问题与模型训练（1学时）9.2决策树及ID3算法、9.3C4.5算法与连续属性特征分类树（1学时）9.4CART决策树（1学时）9.5决策树剪枝、9.6ROC曲线与AUC指标（1学时）第11周第10章贝叶斯分类（4学时）10.1连续属性贝叶斯分类器、10.2正态概率分布下的贝叶斯分类器（1学时）10.3离散属性贝叶斯分类器（1学时）10.4朴素贝叶斯文本分类和TAN贝叶斯模型（1学时）10.5贝叶斯分类器中的参数估计与非参数估计（1学时）第12周第11章特征空间与判别分析（3学时）11.1特征空间、11.2特征提取与特征选择（1学时）11.3极大似然判别分析、11.4距离判别分析（1学时）11.5Fisher判别分析（1学时）第12章感知机与支持向量机（1学时）12.1线性判别函数、12.2感知机分类器（1学时）第13周第12章感知机与支持向量机（4学时）12.3感知机训练算法扩展（1学时）12.4最大间隔超平面与结构风险（1学时）12.5支持向量机（2学时）第14周第13章人工神经网络（4学时）13.1激活函数与多层感知机（1学时）13.2BP神经网络（1学时）13.3BP神经网络应用（1学时）13.4深度学习（1学时）第15周第13章人工神经网络（1学时）13.4深度学习（1学时）第14章集成学习（3学时）14.1机器学习中的若干问题（1学时）14.2统计量重抽样技术、14.3分类器重抽样技术与组合分类器（1学时）14.4随机森林与Adaboost算法（1学时）第16周第14章集成学习（1学时）14.5分类模型中的若干问题（1学时）第15章聚类分析与离群点分析（3学时）15.1聚类问题与聚类类型、15.2基于划分的聚类（1学时）15.3层次