《大数据分析技术》课程大纲

PAGE2**学院《大数据分析技术》课程教学大纲(课程类别：理论课（含课内实践）)课程基本信息课程名称大数据分析技术BigdataAnalysisTechnology课程代码0600084课程性质必修£选修课程类型£思想政治理论课£通识课程£专业基础课程专业核心课程£专业方向（选修）课程£集中性实践课程£创新创业与劳动教育课程£通识扩展课程考核方式£考试考查适用专业数据科学与大数据技术开课单位数学与计算机学院开课学期第4学期学时学分学分：2总学时：48理论学时：16实践学时：32先修课程数学分析、高等代数、概率论与数理统计、Python程序设计二、课程简介（性质、内容、任务)性质：《大数据分析技术》是应用统计学专业的一门专业核心课。内容：本课程主要介绍数据预处理、无监督学习、有监督学习（回归、分类）和深度学习五个模块的数据分析理论及实践，对应有数据预处理、插值与拟合、回归分析（一元和多元、线性和非线性）、logistic回归、树结构模型（决策树、随机森林、轻梯度提升机器）、支持向量机、聚类分析（模糊c均值聚类、kmeans++、KNN）、特征降维（PCA、ICA、t-SNE）、复杂网络分析及基于pytorch的深度学习（经典神经网络、深度神经网络）等数据分析技术。任务：通过本课程的学习，学生可以了解数据的价值及数据分析的重要性,掌握数据预处理、机器学习、深度学习等数据分析技术,具备数据建模、python编程、应用统计、数据分析报告撰写等能力。三、课程目标本课程的任务是通过课堂教学和实验教学，使学生获得数据科学与大数据技术领域的基本知识，提高学生分析和解决大数据价值挖掘方面问题的能力，支撑专业学习成果中相应指标点的达成。通过本课程学习，预期学生可以具备以下知识、技能或素养：课程目标1（L01）：熟练掌握和运用数据预处理的基本原理、基本概念、基本知识对原始数据进行数据清洗、数据集成、缺失项（及重复项、奇异项）数据的发现与处理、数据变换（标准化、归一化、离散化、编码）、数据规约等一系列操作，原始数据经预处理后成为数据成品，保存于数据仓库进行分类和管理，备后续应用。（开启数据分析第一个步骤）课程目标2（L02）：掌握监督学习方法的基本原理、基本概念和基本知识，熟练运用插值、拟合、回归分析、树结构模型、支持向量机等技术进行数据建模，进而完成数据预处理、因果推断、趋势预测、特征重要性评估等分析任务，并对模型精确性进行有效评估。课程目标3（L03）：掌握无监督学习的基本原理、基本概念和基本知识，熟练运用聚类分析、特征降维等技术进行数据建模，进而完成样本归类、标准模式库的建立等分析任务，并对模型精确性进行有效评估，对降维效果进行可视化。熟练运用复杂网络分析相关知识完成社交网络、互联网搜索、信用评估和风险控制、交通流量管理、流行病学研究等领域的数据分析任务，挖掘网络中的超级节点和社区结构。课程目标4（L04）：理解神经网络的概念，并能延伸理解深度学习的概念。熟练运用神经网络和深度学习知识建立数据分析模型，完成因果推断、趋势预测等任务。课程目标支撑毕业要求指标点及指标内涵支撑毕业要求指标点及贡献度（H/M/L）L012-3对原始数据进行预处理：数据集成、数据清洗、数据变换及数据归约，并对预处理完成的数据进行有效管理以备后用。2-3/ML023-3能熟练运用有监督机器学习相关方法和原理进行数据预处理、因果推断和趋势预测等分析，并能对模型精确性进行评估，能对模型进行统计检验。3-3/HL033-3能熟练运用无监督机器学习相关方法和原理进行聚类分析、特征降维和复杂网络分析，并能对聚类模型精确性进行评估。3-3/HL045-1能运用深度学习相关方法和原理进行图像分类、目标检测、文本分类等分析。5-1/H(说明：将通用标准中的毕业要求指标点及指标内涵与本专业知识和能力相结合进行描述；H-高支撑、M-中支撑、L-低支撑）教学内容及要求教学单元一：数据预处理学时：9其中实验学时：6支撑课程目标：4、5主要内容填写说明：某一单元包含的主要内容，不写章节，可逐项列出。须包含思政融入点、教学重难点。内容思政融入点重点难点数据集成培养“数据是战略资源”意识，树立加强数据管理、数据安全观念数据集成的概念数据集成的Python实现数据清洗数据清洗的概念数据清洗的Python实现数据变换数据变换的概念数据变换的Python实现数据归约实验内容填写说明：实验名称、学时、目的要求、方法原理、主要实验仪器及材料、掌握要点、实验内容、实验类型（演示性、验证性、设计性、综合性、研究性等）、实验要求（必做、选做）、安全教育。实验一1实验名称数据集成-新冠疫情数据统计2学时33目的要求（1）掌握在excel中进行数据清洗的基本方法；（2）掌握应用Python进行缺失数据填充等基本数据清洗的操作；（3）熟练掌握应用pandas实现数据集成。4方法原理应用excel和pandas等工具实现数据清洗和集成5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用excel实现初步数据清洗（2）应用python实现缺失项填充、重复项发现及处理、奇异项发现及处理、数据光滑处理等基本数据清洗；（3）应用pandas实现数据集成。7实验内容将全国各省新冠肺炎疫情数据汇集在一张电子表格中，并进行数据清洗8实验类型综合性9实验要求必做实验二1实验名称数据变换-空气质量监测数据分析2学时33目的要求（1）掌握在excel中进行数据清洗的基本方法；（2）掌握应用Python进行缺失数据填充等基本数据清洗的操作；（3）熟练掌握应用python实现数据变换。4方法原理应用excel和python等工具实现数据清洗和数据变换5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用python实现缺失项填充、重复项发现及处理、奇异项发现及处理、数据光滑处理等基本数据清洗；（2）应用python实现数据变换7实验内容对空气质量监测数据进行预处理，再对预处理后的数据施行数据变换8实验类型综合性9实验要求必做教学方式填写说明：教学方式包含讲授、练习、演示、讨论、实验、上机操作、小组报告、线上线下混合教学等。教学方式应清楚明确，详细描述。1.教师讲授数据预处理的概念及必要性等知识点。2.围绕“集成”、“清洗”、“变换”等主题，学生自由讨论，相互启发；3.教师总结并引导学生纠正或坚持自己在上述主题的讨论中所形成的认知（经验或知识）；培养学生多途径获取知识的能力。教学单元二：有监督学习学时：21其中实验学时：14支撑课程目标：4、5主要内容（注明重、难点）内容思政融入点重点难点插值与拟合寻找真相、逼近真相插值与拟合的python实现插值与拟合的概念回归分析向平庸回归线性回归分析非线性回归分析Logistic回归格物致知Logistic回归的python实现Logistic回归的概念树结构模型决策树生长联想中国家谱文化决策树、随机森林lightGBM支持向量机完美的数学模型支持向量机的python实现支持向量机的数学原理实验内容实验三1实验名称插值-水箱水流量问题2学时33目的要求（1）理解插值的含义及基于Python的实现；（2）掌握应用插值技术进行缺失数据的填充；（3）会应用python计算数值导数。4方法原理线性插值、多项式插值、样条插值原理5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用erpolate模块实现插值；（2）应用插值进行缺失数据的填充；（3）会应用numpy.gradient计算数值导数。7实验内容水箱水流量问题：根据观测数据推断水箱流速8实验类型研究性9实验要求必做实验四1实验名称多元线性回归分析-产品销量与广告媒体投入之间关系分析2学时33目的要求（1）理解多元线性回归模型的概念，掌握应用Python实现多元线性回归模型的参数估计及模型评估，能应用Python做各种统计检验；（2）掌握应用Python工具箱stats,scipy,sklearn求解多元线性回归模型的方法和步骤。4方法原理多元线性回归模型5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）掌握多元线性回归建模步骤（2）熟练掌握应用python求解多元线性规划模型，并进行各种检验7实验内容根据产品销量与广告媒体投入的数据，分析产品销量与广告媒体投入之间的关系8实验类型综合性9实验要求必做实验五1实验名称树结构模型-信贷影响因素研究2学时53目的要求（1）理解决策树和随机森林模型的概念，掌握应用决策树求解问题的最优解决方案，掌握应用随机森林挖掘特征的重要性，掌握应用Python实现决策树和随机森林的方法和步骤；（2）了解信贷的背景和一些操作方法，做一个讲信用、有信誉的人。4方法原理决策树，随机森林，lightGBM5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用决策树或随机森林解决信贷人员类别预测问题；（2）信贷影响因素重要性的评估7实验内容根据信贷记录应用决策树、随机森林或lightGBM预测信贷成员类别8实验类型综合性9实验要求必做实验六1实验名称支持向量机-口罩销量影响因素研究2学时33目的要求（1）熟练掌握应用支持向量机回归器对口罩销量进行预测；（2）了解空气质量的描述方法，做一个环保的人，为国家“绿水青山就是金山银山”的环保战略贡献一份力量。4方法原理支持向量机5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）了解支持向量机回归模型的建模步骤；（2）应用支持向量机回归器实现口罩销量的预测7实验内容应用支持向量机预测口罩销量8实验类型研究性9实验要求必做教学方式1.教师讲授插值、logistic回归、决策树、支持向量机等模型的原理、建模方法和步骤。2.围绕拟合、回归分析、随机森林等主题，学生自由讨论，相互启发；3.学生分组对拟合、回归分析、随机森林等主题查阅资料，引导学生学会通过文献等途径获取知识，培养自学的能力，形成自己的观点和见解；4.各组汇报、相互提问、质疑辩驳、自由表达；5.教师总结并引导学生理解从插值到拟合再到回归分析、从决策树到随机森林的学习扩展途径；培养学生从特殊到一般、从现象到规律的融会贯通的能力。教学单元三：无监督学习学时：12其中实验学时：8支撑课程目标：4、5主要内容（注明重、难点）内容思政融入点重点难点聚类分析物以类聚模糊C均值聚类、kmeans++KNN特征降维化繁为简PCA，ICAt-SNE复杂网络分析大海航行靠舵手中心性分析社区检测实验内容实验七1实验名称聚类分析-大型百货商场会员画像2学时33目的要求（1）理解聚类分析的概念，掌握应用模糊C均值聚类、k均值聚类、k最邻近聚类等方法进行聚类分析，掌握应用Python实现上述聚类方法的步骤，并能熟练地对各聚类方法进行评估；（2）了解大型百货商场的会员管理策略。4方法原理模糊c均值聚类，k均值聚类、k最邻近聚类5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用模糊c均值聚类（k均值聚类、k最邻近聚类）对大型百货商场会员画像，为大型百货商场会员管理提供建议；（2）掌握聚类分析评估方法；（3）了解大型百货商场会员管理策略。7实验内容利用会员消费明细对会员进行画像。8实验类型综合性9实验要求必做实验八1实验名称特征降维-大学生公益参与情况影响因素分析2学时33目的要求（1）理解特征降维的概念，掌握PCA、ICA、t-SNE等特征降维方法；（2）熟练掌握应用python实现特征降维解决高维因果推断问题。4方法原理PCA，ICA，t-SNE5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用PCA、ICA、t-SNE等方法进行特征降维分析；（2）熟练掌握PCA、ICA、t-SNE的python实现。7实验内容通过调查问卷获得大学生对公益的基本认知及参与情况，调查数据数据预处理后有116个维度，对数据进行降维，之后进行影响因素分析。8实验类型综合性9实验要求必做实验九1实验名称复杂网络分析-大学生公益参与情况影响因素分析2学时23目的要求（1）对大学生公益参与情况影响因素（116个）进行复杂网络分析；（2）熟练掌握中心性分析及社区检测的python实现。4方法原理中心性分析，社区检测5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）掌握复杂网络分析的方法和原理；（2）熟练掌握中心性分析及社区检测的python实现。7实验内容通过调查问卷获得大学生对公益的基本认知及参与情况，调查数据数据预处理后有116个维度，对影响因素进行复杂网络分析。8实验类型研究性9实验要求必做教学方式1.教师讲授模糊c均值聚类、主成分分析、复杂网络分析等模型的原理、建模方法和步骤。2.围绕kmeans++、ICA等主题，学生自由讨论，相互启发；3.学生分组对kmeans++、ICA等主题查阅资料，引导学生多角度解决问题，形成自己的观点和见解；4.各组汇报、相互提问、质疑辩驳、自由表达；5.教师总结并引导学生理解多角度多方法解决聚类问题、特征降维问题；培养学生学会深度思考且多方法解决问题的能力。教学单元四：深度学习学时：6其中实验学时：4支撑课程目标：4、5主要内容（注明重、难点）内容思政融入点重点难点神经网络人脑的模拟，勇攀科技高峰应用python第三方库构建神经网络模型神经网络的概念深度学习我国科学家在相关领域的成就基于PyTorch构建深度学习模型PyTorch操作实验内容实验十1实验名称深度学习-上证指数预测2学时33目的要求（1）了解时间序列的概念，掌握应用基于PyTorch平台的深度学习方法实现时间序列的预测；（2）熟练掌握循环神经网络“LSTM”在时间序列预测中的应用；（3）了解金融时间序列的概念。4方法原理长短时记忆网络5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用PyTorch搭建LSTM网络；（2）应用“LSTM”对时间序列进行预测。7实验内容根据给定的上证指数时间序列，预测今后一段时间内上证指数走势。8实验类型研究性9实验要求必做实验十一1实验名称深度学习-图像识别2学时13目的要求（1）了解图像识别的概念，掌握基于PyTorch的深度学习实现图像识别的方法和步骤；（2）掌握卷积神经网络在图像识别中的应用。4方法原理卷积神经网络5主要实验仪器及材料电脑，excel（或wps），anaconda（python、spyder）6掌握要点（1）应用PyTorch搭建CNN网络；（2）应用CNN实现图像识别。7实验内容根据给定图像，建立并训练CNN网络，实现未知图像的识别。8实验类型验证性9实验要求选做教学方式1.教师讲授经典神经网络-多层感知机的原理、建模方法和步骤。2.围绕LSTM、CNN等主题，学生自由讨论，相互启发；3.学生分组对LSTM、CNN等主题查阅资料，引导学生攻坚克难，勇攀科技高峰；4.各组汇报、相互提问、质疑辩驳、自由表达；5.教师总结并引导学生理解深度学习的概念及技术实现；培养学生不畏难、勇攻关的科学精神。五、考核方式及成绩评定（填写说明：课程考核分考试和考查两种。考试课程要明确是开卷考试还是闭卷考试，要明确是采用百分制还是五级制；考查课程请注明考查方式（如论文、大作业等等）。建议采用过程性考核方式，明确各考核环节的权重，各考核环节要反映课程目标的达成情况。）（一）成绩评定方法考核环节权重考核要素实验50%根据实验参加次数、实验正确率、实验报告质量评定课堂表现及书面作业20%根据出勤率、课堂表现、课堂小练习、书面作业等情况评定期末考查30%根据试卷答题正确性评定，答题步骤正确性与解题思路正确性酌情给分。（二）课程目标评定权重课程目标课程目标权重实验(权重50%)课堂表现及书面作业(权重：20%)期末考试(权重：30%)合计(权重：100%)课程目标达成度分数分配分数分配分数分配课程目标分数L01Y1=17%20(A1)20(A2)10(A3)17(M1)Q1L02Y2=31.5%30(B1)30(B2)35(B3)31.5(M2)Q2L03Y3=31.5%30(C1)30(C2)35(C3)31.5(M3)Q3L04Y4=20%20(D1)20(D2)20(D3)20(M4)Q4合计100%100100100100Q课程目标达成度计算方法：（1）课程目标分数计算M1=A1*K1+A2*K2+A3*K3=10+4+3=17M2=B1*K1+B2*K2+B3*K3=15+6+10.5=31.5M3=C1*K1+C2*K2+C3*K3=15+6+10.5=31.5M4=D1*K1+D2*K2+D3*K3=10+4+6=20（2）课程分目标达成度计算Q1=（K1*该项课程目标考核方式1学生平均分+K2*该项课程目标考核方式2平均分+K3*该项课程目标考核方式3平均分）/M1Q2=（K1*该项课程目标考核方式1学生平均分+K2*该项课程目标考核方式2平均分+K3*该项课程目标考核方式3平均分）/M2Q3=（K1*该项课程目标考核方式1学生平均分+K2*该项课程目标考核方式2平均分+K3*该项课程目标考核方式3平均分）/M3Q4=（K1*该项课程目标考核方式1学生平均分+K2*该项课程目标考核方式2平均分+K3*该项课程目标考核方式3平均分）/M4（3）课程目标总达成度（含n个课程目标）Q=Q1*Y1+Q2*Y2+Q3*Y3+Q4*Y4（4）课程目标期望值：0.65（三）课程目标评价标准实验课程目标评分标准L01：熟练运用所学数据预处理相关知识对原始数据进行数据集成、数据清洗、数据变换、数据规约等操作。能熟练地使用excel和python完成数据预处理各项任务。优（90-100）能较好使用excel和python完成数据预处理各项任务。良（80-89）能使用excel和python完成数据预处理各项任务。中（70-79）基本能够使用excel和python完成数据预处理各项任务。及格（60-69）不能使用excel和python完成数据预处理各项任务。不及格（0-59）L02：熟练运用所学监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，能熟练评估模型的精确性，能对线性回归等回归模型进行参数估计和统计检验。能熟练地使用监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，能熟练地对模型精确性进行评估，并能熟练地对线性回归等回归模型进行参数估计和统计检验。优（90-100）能较好使用监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，能较好地对模型精确性进行评估，并能较好地对线性回归等回归模型进行参数估计和统计检验。良（80-89）能使用监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，能对模型精确性进行评估，并能对线性回归等回归模型进行参数估计和统计检验。中（70-79）基本能够使用监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，基本能够对模型精确性进行评估，基本能够对线性回归等回归模型进行参数估计和统计检验。及格（60-69）不能使用监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，不能对模型精确性进行评估，不能对线性回归等回归模型进行参数估计和统计检验。不及格（0-59）L03：熟练运用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能熟练评估聚类模型的精确性，能熟练通过可视化技术观察降维效果。能熟练地使用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能熟练评估聚类模型的精确性，能熟练通过可视化技术观察降维效果。优（90-100）能较好使用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能较好地评估聚类模型的精确性，能较好地通过可视化技术观察降维效果。良（80-89）能使用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能评估聚类模型的精确性，能通过可视化技术观察降维效果。中（70-79）基本能够使用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，基本能够评估聚类模型的精确性，基本能够通过可视化技术观察降维效果。及格（60-69）不能使用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，不能评估聚类模型的精确性，不能通过可视化技术观察降维效果。不及格（0-59）L04：理解神经网络及深度学习的概念，能熟练建立神经网络或深度学习模型，熟练运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。能熟练地建立神经网络或深度学习模型，熟练运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。优（90-100）能较好地建立神经网络或深度学习模型，能较好地运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。良（80-89）能建立神经网络或深度学习模型，能运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。中（70-79）基本能建立神经网络或深度学习模型，基本能较好地运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。及格（60-69）不能建立神经网络或深度学习模型，不能运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。不及格（0-59）2.课堂表现及书面作业课程目标评分标准L01：熟练运用所学数据预处理相关知识对原始数据进行数据集成、数据清洗、数据变换、数据规约等操作。能够熟练针对数据分析目的及要求，熟练地选取数据预处理方法，完成对原始数据的预处理；出勤率高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。优（90-100）能够较好地针对数据分析目的及要求，较好地选取数据预处理方法，较好地完成对原始数据的预处理；出勤率较高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。良（80-89）能够针对数据分析目的及要求，能够选取数据预处理方法，完成对原始数据的预处理；出勤率较高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。中（70-79）基本能够针对数据分析目的及要求，基本能够选取数据预处理方法，基本能够完成对原始数据的预处理；出勤率不高；实践作业、研讨作业，均能参与，对所讨论内容理解基本正确。及格（60-69）能针对数据分析任务及目的选取合适的数据预处理方法来完成对原始数据的预处理；出勤率低，不能按时提交作业；不参与实践作业或研讨作业。不及格（0-59）L02：熟练运用所学监督学习方法完成数据预处理、因果推断、趋势预测、分类等数据分析任务，能熟练评估模型的精确性，能对线性回归等回归模型进行参数估计和统计检验。能够熟练针对数据分析目的及要求，熟练地选取监督学习方法完成数据分析任务；出勤率高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。优（90-100）能够较好地针对数据分析目的及要求，较好地选取监督学习方法完成数据分析任务；出勤率高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。良（80-89）能够针对数据分析目的及要求选取合适的监督学习方法完成数据分析任务；出勤率较高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能较好地参与，对所讨论内容理解正确。中（70-79）基本能够针对数据分析目的及要求选取合适的监督学习方法完成数据分析任务；出勤率不高，每次按时提交作业，作业字迹工整，作业基本正确；实践作业、研讨作业，基本能参与，对所讨论内容理解基本正确。及格（60-69）不能选取监督学习方法完成数据分析任务；出勤率低，不能按时提交作业；不参与实践作业或研讨作业。不及格（0-59）L03：熟练运用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能熟练评估聚类模型的精确性，能熟练通过可视化技术观察降维效果。能够熟练针对数据分析目的及要求，熟练地选取无监督学习方法完成聚类分析、特征降维或复杂网络分析等任务；出勤率高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。优（90-100）能够较好地针对数据分析目的及要求，较好地选取无监督学习方法完成聚类分析、特征降维或复杂网络分析等任务；出勤率较高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。良（80-89）能够针对数据分析目的及要求选取无监督学习方法完成聚类分析、特征降维或复杂网络分析等任务；出勤率一般，每次能提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，能较积极参与，对所讨论内容理解正确。中（70-79）基本能够针对数据分析目的及要求选取无监督学习方法完成聚类分析、特征降维或复杂网络分析等任务；出勤率不高，每次能提交作业，作业内容基本正确；实践作业、研讨作业，能参与，对所讨论内容理解基本正确。及格（60-69）不能针对数据分析目的及要求选取无监督学习方法完成聚类分析、特征降维或复杂网络分析等任务；出勤率低，不按时提交作业；不参与实践作业或研讨作业。不及格（0-59）L04：理解神经网络及深度学习的概念，能熟练建立神经网络或深度学习模型，熟练运用神经网络或深度学习方法完成因果推断、趋势预测、模式识别等数据分析任务。能够熟练针对数据分析目的及要求，熟练地选取神经网络或深度学习方法完成回归或分类任务；出勤率高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。优（90-100）能够较好地针对数据分析目的及要求，较好地选取神经网络或深度学习方法完成回归或分类任务；出勤率较高，每次按时提交作业，作业字迹工整，作业内容正确；实践作业、研讨作业，均能积极参与，对所讨论内容理解正确。良（80-89）能够针对数据分析目的及要求选取神经网络或深度学习方法完成回归或分类任务；出勤率一般，每次能提交作业，作业内容正确；实践作业、研讨作业，能积极参与，对所讨论内容理解正确。中（70-79）基本能够针对数据分析目的及要求选取神经网络或深度学习方法完成回归或分类任务；出勤率不高，每次按时提交作业，作业基本正确；参与实践作业或研讨作业，对所讨论内容理解基本正确。及格（60-69）不能针对数据分析目的及要求选取神经网络或深度学习方法完成回归或分类任务；出勤率低，不按时提交作业；不参与实践作业或研讨作业。不及格（0-59）3.期末考查（大作业或课程论文）课程目标评分标准L01:熟练掌握和运用数据预处理的基本原理、基本概念、基本知识完成相关数据预处理任务。能够很好地掌握数据预处理知识，对基本内容有很好的理解。优（90-100）能够较好地掌握数据预处理知识，对基本内容有较好的理解。良（80-89）能够掌握数据预处理知识，对基本内容有一定的理解。中（70-79）基本上能够掌握数据预处理知识，对基本内容有一定的了解。及格（60-69）不能够掌握数据预处理知识，对基本内容不了解。不及格（0-59）L02:熟练运用所学监督学习知识完成数据预处理、回归和分类等数据分析任务，能熟练评估模型的精确性，能对线性回归等回归模型进行参数估计和统计检验。根据数据分析任务能熟练地选择恰当的机器学习模型，能熟练地选用适宜的模型评估方法，并能熟练地比较不同方法的优缺点。优（90-100）根据数据分析任务能较好地选择恰当的机器学习模型，能较好地选用适宜的模型评估方法，并能较好地比较不同方法的优缺点。良（80-89）根据数据分析任务能选择恰当的机器学习模型，能选用适宜的模型评估方法，并能比较不同方法的优缺点。中（70-79）根据数据分析任务基本能选择恰当的机器学习模型，基本能选用适宜的模型评估方法，并基本能比较不同方法的优缺点。及格（60-69）根据数据分析任务不能选择恰当的机器学习模型，不能选用适宜的模型评估方法，也不能比较不同方法的优缺点。不及格（0-59）L03：熟练运用无监督学习完成聚类分析、特征降维、复杂网络分析等数据分析任务，能熟练评估聚类模型的精确性，能熟练通过可视化技术观察降维效果。根据数据分析任务，能够熟练地选择无监督学习模型进行聚类分析、特征降维或复杂网络分析，对聚类分析能熟练选用模型精确性的评估方法，对特征降维能熟练地通过可视化技术观察降维效果。优（90-100）根据数据分析任务，能较好地地选择无监督学习模型进行聚类分析、特征降维或复杂网络分析，对聚类分析能较好地选用模型精确性的评估方法，对特征降维能较好地地通过可视化技术观察降维效果。良（80-89）根据数据分析任务，能选择无监督学习模型进行聚类分析、特征降