《机器学习项目开发实战》-教案 项目4 无监督学习项目实战-客户市场细分

《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务一项目背景与目标授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握客户市场细分的基本定义、步骤及其在商业中的应用。2.掌握无监督学习的定义、特点及其在市场细分中的应用价值。3.了解聚类分析的基本原理、分类及其选择等。1.能够分析客户市场细分项目的需求，明确项目目标。2.能够收集整理客户市场行为数据。3.能够根据项目需求选择合适的聚类方法进行分析。1.培养学生的数据敏感性，提高对数据价值的认识。2.培养学生团队合作的能力和沟通能力。3.培养学生商业洞察力，能够把数据中的信息应用于实际业务场景。教学重点掌握无监督学习的原理和分类。掌握聚类算法的原理和分类，能够根据实际情况选择合适的聚类算法。教学难点掌握无监督学习的原理和分类。掌握聚类算法的原理和分类，能够根据实际情况选择合适的聚类算法。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出无监督学习。商家举办活动的依据是什么呢？购物网站是怎么实现商品推荐的呢（对比监督学习）？明确本节课的学习目标，让学生带着目标去听课。要求学生了解无监督学习的原理和分类；要求学生了解聚类算法的原理和分类；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（75分钟）教师结合课件，采用课堂提问的形式，讲解客户市场细分的定义和重要性。教师根据课件，讲述无监督学习的原理和分类（可对比监督学习）。教师根据课件，讲述聚类算法的原理和分类。教师结合课件讲述数据预处理的常见数据异常类型。教师结合课件讲述数据探索方式，描述性统计和数据可视化。教师结合课件讲解常用数据处理库，Pandas库、Matplotlib库、Seaborn库等通过课互动的形式讲解客户时长细分的定义和重要性。通过课件讲述无监督学习的原理和分类。通过课件讲述聚类算法的原理和分类。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，介绍项目背景和项目目标。教师根据课件，介绍实训数据特点。教师结合课件讲解数据探索命令及其效果。教师根据课件，讲解数据可视化步骤和效果。教师演示数据预处理步骤及效果。带领学生开始本次实践：进行数据获取与数据预处理。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月

《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务三K-means聚类分析授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.理解K-means算法之前需要对数据进行标准化处理的原因，并掌握数据标准化的方法。2.探索并学会使用不同的技术方法（肘部法、轮廓系数、类的平均直径法）来确定K-means聚类分析中最优的簇数量（K值）的方法3.掌握K-means算法对数据集进行聚类分析的过程，并对聚类结果进行解释。1.能够在使用K-means算法前，对数据集中的相关特征进行标准化处理，并能够理解这一过程的重要性。2.能够运用多种方法（如肘部法、轮廓系数、类的平均直径法）探索并确定K-means聚类分析中最优的簇数量（K值）。1.能够根据确定的最佳K值，实施K-means聚类分析，并能解释和分析聚类结果。1.具备数据处理的敏感度和技能，培养对不同尺度数据进行处理的能力，提高分析结果的准确性和有效性。2.发展运用多种方法，实施聚类分析的能力。3.展现数据分析与解释的专业能力，有效地解释和分析所得的聚类结果，识别数据中的潜在模式和群体特征。教学重点根据K-means算法的要求，首先需要对《商场顾客数据》（Mall_Custom.csv）中的相关特征数据进行标准化处理。确定K-means算法中最佳的簇数量（即最优K值），并尝试多种方法进行探索，包括肘部法、轮廓系数、类的平均直径法。使用上述步骤中确定的最佳K值完成聚类分析。教学难点掌握K-means算法原理和步骤。认识到最佳K值对算法的重要意义。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出K-means算法。购物网站是怎么对顾客进行分类的呢，分类依据是什么？购物网站是把顾客分类的数量是怎么确定的呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解K-means算法的原理和优缺点；要求学生了解K-means++算法的原理和优缺点；要求学生认识最佳K值的获取方式和重要性；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师结合课件，讲解K-means算法原理和优缺点。教师结合课件，讲解K-means++算法原理和优缺点。教师根据课件，讲述最佳K值的重要性和常见获取方法。通过课互动的形式讲解客户时长细分的定义和重要性。通过课件讲述无监督学习的原理和分类。通过课件讲述聚类算法的原理和分类。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（80分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，数据标准化的必要性和实施步骤。教师根据课件，介绍最佳K值的获取方式。教师根据课件，讲解聚类的实施步骤。对实施步骤进行总结。带领学生开始本次实践：获取最佳K值并进行数据聚类。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月

《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务四层次聚类尝试授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握层次聚类的基本原理与操作流程，包括数据预处理、选择合适距离度量标准及链接准则等关键步骤。2.探索不同的策略来估算聚类中心的确定方法。3.利用可视化工具（如树状图）展示聚类过程和结果，深入分析每个细分群体的特点及其潜在含义。1.具备独立应用层次聚类算法的能力。2.具备探索不同策略来估算层次聚类中每个细分群体的中心点的能力。3.能够使用可视化工具展示层次聚类过程和结果，能够将复杂的聚类分析结果转化为清晰、有价值的市场细分信息。1.具备深刻理解并灵活应用层次聚类算法的能力2.培养评估和确定最佳簇数量的专业判断力。3.掌握全面的数据分析流程及结果解读能力，体现综合分析素养。教学重点应用层次聚类技术对消费者行为数据进行细分。在层次聚类过程中，探索并实施有效的方法来确定细分群体的聚类中心。通过对聚类结果的深入分析，清晰描述各个细分群体的特征和消费倾向。教学难点理解凝聚层次聚类算法的步骤和优缺点;理解分裂层次聚类算法的步骤和优缺点。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑。思政融入点：以“没有万能算法，只有最适合的方案”为核心，引导学生理解“创新不是盲目追求复杂算法，而是基于实际需求选择并优化工具”。通过对比不同算法在客户细分中的效果差异，培养“具体问题具体分析”的务实态度，鼓励学生在借鉴经典算法的基础上，结合行业特点探索改进思路，传承“求真务实、勇于突破”的创新精神。教学过程设计教学环节（用时）教学内容教师活动学生活动设计意图课程导入（15分钟）教师通过提问学生问题，引出层次聚类算法。购物网站把客户进行分类的依据有哪些呢？明确本节课的学习目标，让学生带着目标去听课。要求学生了解凝聚层次聚类算法的原理和优缺点；要求学生了解分类层次聚类算法的原理和优缺点；教师通过提问学生问题，引出数据分析应用场景集体讨论回答问题引入新课内容新知讲解（一）（30分钟）教师结合课件，讲解凝聚层次聚类算法。教师结合课件，讲解分类层次聚类算法原理和优缺点。教师根据课件，讲述树状图的概念和作用。通过课件讲述凝聚层次聚类算法。通过课件讲述分类层次聚类算法原理和优缺点。通过课件讲述树状图的概念和作用。线上头脑风暴线上一句话答题步骤总结回答新知讲解实训演练（40分钟）回顾上课前的学习目标，并对本节课的重要知识点进行总结。教师根据课件，数据标准化的必要性和实施步骤。教师根据课件，介绍最优簇数实施步骤。教师根据课件，讲解三、凝聚层次聚类的实施步骤。对实施步骤进行总结。带领学生开始本次实践：用层次聚类的方法进行聚类分析。2.巡回检查，解答学生问题，并总结本次实践发现问题。1.跟随教师完成本次实践，存在问题时积极提问。巩固知识点知识深化与总结（10分钟）回顾本节课的内容总结难点和重点总结重点难点记录重点难点总结教学重点难点作业布置布置下节课堂知识预习目标。教学反思教研室审核日期院（系）审核日期《机器学习项目开发实战》课程教学设计课程名称机器学习课程类型专业基础课课程学时64适用专业人工智能、大数据、云计算课程负责人曹梦川软件学院人工智能教研室制定二〇二五年一月《机器学习项目开发实战》课程教学设计课程类别：□公共基础课□专业学习课□拓展学习课☑实践学习课标题：项目四任务五聚类结果解释与应用授课班级：24人工智能课时：2课时授课时间：周五1-4节授课地点：A101教学目标知识目标能力（技能）目标素质目标1.掌握从聚类结果中提取每个簇的核心特征和模式的方法，并能够准确描述各个簇的主要属性及其与其他簇的区别。2.了解并应用多种评估指标（如轮廓系数）衡量聚类结果的有效性和合理性，确保所得到的分群结构能够真实反映数据的内在规律。3.掌握将聚类分析结果结合具体业务场景，转化为实际可操作的策略。1.具备从聚类结果中提取每个簇核心特征和模式的能力，能够准确描述各个簇的主要属性及其与其他簇的区别，并能够基于这些分析对聚类结果进行合理解释。2.具备应用多种评估指标（如轮廓系数）衡量聚类结果的能力。3.具备结合具体业务场景或研究问题，将聚类分析结果转化为实际可操作策略或决策支持的能力。1.培养学生数据分析与解读的能力，对复杂数据结构的敏感性，提升其从数据中提炼关键信息的能力。2.培养学生严谨的态度和批判性思维，确保分析结果能够真实反映数据的内在规律。3.培养学生结合具体业务需求或研究问题设计解决方案的能力。教学重点根据前期任务聚类分析结果，明确每个群体的特征（如收入水平、消费习惯、购买偏好等）。结合实际业务场景，深入分析各群体的特性及其潜在价值，解释聚类结果在商业场景中的意义。根据聚类分析结果，制定针对性的营销策略或优化建议。教学难点理解群体特征分析的概念和重要性；掌握群体价值挖掘的重要性和应用场景。教学方法与手段教学采用教师课堂讲授为主，使用教学PPT讲解教学教材教材：教学资源1.智慧课堂2.教材附带慕课课程思政融入点1.课程思政融入点1：数据预处理中的科学诚信与客观精神课程内容：讲解客户数据清洗（如缺失值处理、异常值识别）、特征选择（如剔除无关变量、避免数据偏差）在市场细分中的基础作用。思政融入点：强调“数据是市场细分的基石”，引导学生认识到篡改数据、选择性保留样本等行为会导致细分结果失真，违背“实事求是”的科学原则。通过规范数据预处理流程，培养“尊重原始数据、不主观臆断”的诚信意识，树立“用客观数据说话”的理性思维，反对为迎合预设结论而操纵数据的浮躁心态。2.课程思政融入点2：市场细分结果应用中的责任意识与伦理底线课程内容：讲解客户市场细分在精准营销（如个性化服务推送）、产品优化（如针对不同群体设计功能）等场景的落地。思政融入点：强调“细分不是标签化，而是为了更好地满足需求”，引导学生警惕将客户群体简单归类可能引发的歧视（如价格歧视、服务差别对待），树立“技术服务于公平交易”的伦理意识。通过分析细分结果对客户权益的影响，培养“尊重个体差异、拒绝过度商业化”的责任担当，将技术应用与“保护消费者权益”的社会准则相结合。3.课程思政融入点3：算法选择与优化中的创新思维与务实态度课程内容：介绍无监督学习算法（如K-means、层次聚类）的适用场景，讲解算法参数调优（如确定最佳聚类数）、模型评估（如轮廓系数分析）的逻辑