《大数据分析创新》教学大纲

《大数据分析创新》教学大纲适用范围：202X版本科人才培养方案课程代码：08170101课程性质：专业创新选修课程学分：2学分学时：32学时（理论16学时，实验16学时）先修课程：Python程序设计后续课程：无适用专业：数据科学与大数据技术、数字媒体技术开课单位：计算机科学与技术学院一、课程说明《大数据分析创新》是数据科学与大数据技术和数字媒体技术等相关专业的专业创新课。该课程通过项目化教学，注重高级知识的综合应用，让学生“在解决问题中学习”，将这种学习理念运用本课程中，即“任务驱动”教学模式，使学生全面掌握大数据分析的原理和应用范围，对大数据分析的应用有较为全面的认识；使学生学会在工作中运用大数据技术提高工作效率。最终培养能够运用大数据技术进行综合创新的复合型人才。本课程共由四个模块组成，分别是：数据获取模块、数据存储模块、数据分析模块和数据可视化模块。四个模块包含十个项目，分别是：天气预报：数据感知技术、清洗“脏”数据：数据预处理、数据的安身之所：数据库技术、泰坦尼克号灾难中的生存之道：数据分析、预测未知：基本机器学习方法、计算机“看懂”图像：图像分类方法、计算机“读懂”文字：文本分类方法、从抽象到具体：数据可视化技术、邀你见证大数据的美：动态可视化技术、化零为整：大数据案例分析。通过这十个项目的学习，使学生掌握大数据分析的整个生命周期：采集、存储、分析、显示；掌握数据分析工程的创新设计能力；熟练运用大数据分析的相关工具。二、课程目标通过本课程的学习，使学生达到如下目标：课程目标1：了解机器学习中算法的分类，掌握大数据分析课程中四个模块的基本方法，对于给定的大数据挖掘任务，能够合理分析任务类型，选取最佳机器学习算法完成数据挖掘任务。课程目标2：分小组完成项目，培养团队合作的能力。小组首先自选项目，然后按照大数据分析的四个模块分派任务，任务完成后进行小组汇报。课程目标3：了解大数据概念、大数据基础知识、大数据处理的全生命周期，掌握数据挖掘的开发流程及管理方法，具备基本的项目管理和开发能力。课程目标4：培养学生的数字媒体思维能力，熟悉数字媒体技术是新时代对人才的新要求，具备从数字媒体角度分析未来的发展趋势，树立终身学习观念，主动适应社会发展，做对社会、对国家有用之人。三、课程目标与毕业要求《大数据分析创新》课程教学目标对数据科学与大数据技术和数字媒体技术专业毕业要求的支撑见表1。表1课程教学目标与毕业要求关系毕业要求指标点课程目标支撑强度4.研究4.1能够基于科学原理并采用科学方法对数数字媒体技术领域问题进行分析。课程目标1：了解机器学习中算法的分类，掌握大数据分析课程中四个模块的基本方法，对于给定的大数据挖掘任务，能够合理分析任务类型，选取最佳机器学习算法完成数据挖掘任务。H9.个人与团队9.1具备团队协作精神，能够与团队其他成员进行积极有效的沟通。课程目标2：分小组完成项目，培养团队合作的能力。小组首先自选项目，然后按照大数据分析的四个模块分派任务，任务完成后进行小组汇报。M11．项目管理11.2掌握数字媒体技术领域项目的设计、开发流程和管理方法，具备基本的项目管理能力。课程目标3：了解大数据概念、大数据基础知识、大数据处理的全生命周期，掌握数据挖掘的开发流程及管理方法，具备基本的项目管理和开发能力。M12终身学习12.2养成正确的生活、学习习惯，具备良好的身心素质，为自身知识和能力的持久发展提供身心保障。课程目标4：培养学生的数字媒体思维能力，熟悉数字媒体技术是新时代对人才的新要求，具备从数字媒体角度分析未来的发展趋势，树立终身学习观念，主动适应社会发展，做对社会、对国家有用之人。M注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容、基本要求与学时分配1.理论部分理论部分的教学内容、基本要求与学时分配见表2。表2教学内容、基本要求与学时分配教学内容教学要求，教学重点难点理论学时实验学时对应的课程目标1天气预报：数据感知技术1.1数据获取原理；1.2获取获取数据技术。教学要求：使学生理解数据感知原理，掌握获取感知数据技术。重点：理解数据感知原理；难点：掌握获取感知数据技术。141、32清洗数据：数据预处理2.1数据预处理的原理；2.2数据预处理的方法教学要求：使学生理解数据预处理的涵义，掌握数据预处理代码的开发；重点：数据预处理的技术原理。难点：数据预处理编码。11、33数据的安身之所：数据库技术3.1数据库技术相关概念；3.2数据库的增删改查方法；教学要求：了解和回顾数据库技术相关概念，掌握基本的数据库中数据的增删改查方法。重点：数据库的增删改查方法。难点：数据库技术相关概念。21、34.泰坦尼克号灾难中的生存之道：数据分析4.1数据分析的基本流程；4.2数据关联性分析实例；教学要求：使学生掌握数据分析的基本流程，掌握数据关联性分析。重点：数据分析的基本流程和技术原理。难点:数据分析的工程实践。241、35.预测未知：基本机器学习方法5.1机器学习的概念和分类；5.2分类算法的概念和方法；教学要求：使学生掌握机器学习的基本流程，掌握分类算法的基本方法。重点：掌握机器学习的基本概念和流程。难点:掌握分类算法的原理和方法。21、46.计算机“看懂”图像：图像分类方法6.1卷积神经网络概念；6.2图像分类模型和方法。教学要求：使学生了解卷积神经网络概念，掌握图像分类模型和方法。重点：卷积神经网络的基本原理；难点:图像分类模型和技术方法。241、47.计算机“读懂”文字：文本分类方法7.1自然语言处理的基本概念；7.2分词方法；7.3文本分类方法。教学要求：使学生了解自然语言处理的基本概念；掌握文本分类方法；重点：自然语言处理的基本概念；难点:文本分类方法。21、48.从抽象到具体：数据可视化技术8.1数据可视化的基础概念；8.2数据可视化的基本方法；8.3简单的数据可视化界面。教学要求：使学生了解自然语言处理的基本概念；掌握文本分类方法；重点：自然语言处理的基本概念；难点:文本分类方法。241、3、49.邀您见证大数据的美：动态可视化技术（1）动态可视化方法；（2）动态可视化方法常用工具。教学要求：使学生了解动态可视化方法，熟悉动态可视化方法常用工具；重点：动态可视化方法；难点:动态可视化实现步骤。11、310.化零为整：大数据案例分析10.1基于实际项目的大数据案例分析；10.2综合大数据项目中的关键技术；教学要求：使学生理解理解大数据系统项目的基本组成；重点：大数据项目开发的生命周期；难点:大数据项目的系统架构。11、4合计16162.实验部分实验部分的教学内容、基本要求与学时分配见表3。表3实验项目、实验内容与学时实验项目实验内容和要求实验学时对应的课程目标1.数据采集与预处理实验内容：数据采集与预处理。实验要求：掌握数据采集与预处理的基本操作方法。41、22.统计分析与机器学习实验内容：统计分析与机器学习。实验要求：掌握统计分析的基本概念和方法；熟练机器学习的步骤和方法。41、23.高级机器学习分析实验内容：高级机器学习分析实验。实验要求：了解大数据平台数据挖掘架构；理解并掌握基本数据挖掘方法。41、24.数据可视化实验实验内容：数据可视化实验。实验要求：了解数据可视化场景与基本原理；理解数据可视化基本方法；掌握基本的数据可视化的应用。41、2合计16五、教学方法及手段本课程以课堂讲授为主，将教学内容项目化处理，采用启发式、讨论式教学和案例教学等，促进学生积极思考，开发学生的潜能，培养学生思考问题、分析问题和解决问题的能力；以“少而精”为原则，精选教学内容，精讲多练，安排学生小组报告，巩固课堂所学知识；课程利用丰富的线上资源，提供灵活的自主学习平台。在实验教学环节中，围绕教学项目和大数据分析的生命周期构建实验项目。在每个实验项目中使用现实数据集，结合案例教学使学生掌握基本理论、基本知识和基本技能，培养学生自主学习能力、实际动手能力，激发学生的创新思维。在实验前学生应复习和掌握与本实验有关的教学内容；在实验中要严格遵守实验纪律，按操作规程使用仪器；实验结束后，按规定对仪器进行维护保养；每完成一项实验，要认真完成一份实验报告。六、课程资源1.推荐教材（1）林子雨.大数据导论[M].北京:人民邮电出版社,2020.（2）薛志东.大数据技术基础[M].北京:人民邮电出版社,2018.2.参考书（1）吕云翔.大数据基础及应用[M].北京:清华大学出版社,2016.（2）王振武.大数据挖掘与应用[M].北京:清华大学出版社,2017.（3）王国胤.大数据挖掘及应用[M].北京:清华大学出版社,2017.（4）陈为.数据可视化（第2版）[M].北京:电子工业出版社,2019.（5）明日科技.Python数据分析从入门到实践[M].吉林:吉林大学出版社,2022.3.期刊（1）孙国道,杨雨璠,潘翔等.流行病数据可视分析综述[J].计算机学报,2022,45(03):601-623.（2）王弘毅,徐奚娇,龚家瑜.大数据软件的质量模型分析[J].信息技术与标准化,2022(08):46-49.（3）丁伶敏,吕建友.探讨云计算中大数据的MapReduce处理方法[J].物联网技术,2014,(9):86-88.（4）PuneetM,JunliX,HovdeKL,etal.META-PLSmodelling:Anintegratedapproachtoautomaticmodeloptimizationfornear-infraredspectra[J].AnalyticaChimicaActa,2022,1221.（5）杨一帆,邹军.数字孪生技术的研究现状分析[J].应用技术学报,2022,22(02):176-184,188.4.网络资源（1）计算机技术博客园./.（2）CSDN.中国软件开发者论坛./.（3）51CTO./art/201610/519026.htm.七、课程考核对课程目标的支撑课程成绩由过程性考核成绩和期末考核成绩两部分构成，具体考核/评价细则及对课程目标的支撑关系见表4。表4课程考核对课程目标的支撑考核环节占比考核/评价细则课程目标123过程性考核课堂表现12（1）根据课堂出勤情况和课堂回答问题、课堂测试情况进行考核，满分100分。（2）以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√444实验30（1）根据每个实验的实验操作完成情况和实验报告质量单独评分，满分100分；（2）每次实验单独评分，取各次实验成绩的平均值作为此环节的最终成绩。（3）以实验成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√5205小组汇报18（1）要求学生分组进行项目汇报，主要考核学生各章节知识点的理解和掌握程度，满分100分；（2）包括小组内评，小组间评，教师评分，取各项成绩的加权和作为此环节的最终成绩。√√√666期末考核40（1）大作业100分，将阶段性成果汇总成一个完整的大数据分析的作品。（2）主要考核大数据分析的整个生命周期的熟练掌握和灵活应用能力。√√√151510合计：100分304525八、考核与成绩评定1.考核方式及成绩评定考核方式：本课程主要以课堂表现、实验、小组汇报、期末大作业等方式对学生进行考核评价。考核基本要求：考核总成绩由期末大作业成绩和过程性考核成绩组成。其中：期末大作业成绩为100分（权重40%）；课堂表现、实验、小组汇报等过程性考核成绩为100分（权重60%）；过程性考核与教学大纲各章节的学时基本成比例。2.过程性考核成绩的标准过程性考核方式重点考核内容、评价标准、所占比重见表5。表5过程性考核方式评价标准考核方式所占比重(%)100>x≥9090>x≥8080>x≥7070>x≥60x<60课堂表现20积极参与教学活动，踊跃回答问题，准确率大于90%。认真参与教学活动，回答问题准确率大于80%。偶尔参与教学活动，回答问题准确率大于70%。上课不认真，偶尔参与教学活动，回答准确率大于60%.。上课不认真，不参与教学活动。实验50实验预习认真，能够熟练掌握方法与步骤，实验操作过程熟练、规范，遵规守纪、团结协作，实验结果详实、结论清晰、讨论合理实验前有预习，能够