机器学习原理与实战教学教案

第1章机器学习概述教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：2学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据目前机器学习发展状况，将机器学习具象化。而后介绍机器学习的概念、应用场景以及通用的流程。列举说明Python机器重要工具库的功能。基本要求了解机器学习的概念。了解机器学习的应用领域。熟悉机器学习的通用流程。了解常用的Python机器学习相关工具库问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。机器学习能够做什么？现实生活中存在哪些应用了机器学习的技术？该如何进行机器学习？Python语言有哪些优势？哪些库是Python中常用于机器学习的库？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。机器学习的完整流程是怎样的？机器学习的能够应用在那些场景？scikit-learn有哪些优缺点？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。机器学习是不是万能的？Python语言用于做机器学习有哪些优势？预测明天的天气可以从哪些角度入手？主要知识点、重点与难点主要知识点机器学习的概念、流程与应用场景。Python常用的机器学习相关库。重点机器学习的概念、应用场景。机器学习的通用流程。难点机器学习的通用流程。教学过程设计理论教学过程机器学习的概念。机器学习的应用场景。机器学习的流程。数据分析的常用工具。数据准备相关工具库。数据可视化相关工具库。模型训练与评估相关工具库。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第2章数据准备教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：4学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据机器学习的通用流程，将数据准备的作用具象化。而后介绍数据准备的具体内容，介绍如何校验数据质量，检测数据是否存在缺失值和异常值。列举说明常用的探查数据分布与趋势的方法。然后介绍如何对数据进行清洗的方法。最后讲述合并数据的常见手段。基本要求了解数据准备的概念。了解数据不一致的概念。掌握一致性校验的常用方法掌握缺失值校验和异常值分析的常用方法。掌握常用的数据分布与趋势探查方法。掌握常见的缺失值与异常值处理方法。掌握常用的数据合并方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。数据准备需要做什么？该如何进行数据质量校验?分析数据分布和趋势有哪些思路？发现的缺失值和异常值要如何处理？怎么样才能把数据合并到一起？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。为什么要做数据质量校验？不同的数据分布和趋势该使用什么指标对应？不同的缺失值处理方法有哪些优缺点？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。异常值是不是一定要处理？Python语言用于做机器学习有哪些优势？预测明天的天气可以从哪些角度入手？主要知识点、重点与难点主要知识点数据不一致的概念。一致性校验的常用方法。缺失值校验和异常值分析的常用方法。常用的数据分布与趋势探查方法。常见的缺失值与异常值处理方法。常用的数据合并方法。重点缺失值校验和异常值分析的常用方法。常用的数据分布与趋势探查方法。常见的缺失值与异常值处理方法。难点常用的数据分布与趋势探查方法。常见的缺失值与异常值处理方法。教学过程设计理论教学过程数据不一致的概念。一致性校验的常用方法。缺失值校验和异常值分析的常用方法。常用的数据分布与趋势探查方法。常见的缺失值与异常值处理方法。常用的数据合并方法。实验教学过程检验数据中是否存在缺失值。分析数据中是否存在异常值。分析数据的分布与趋势。处理数据中的缺失值和异常值。合并不同的数据。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第3章特征工程教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：4学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标根据机器学习的通用流程，将特征工程的作用具象化。而后介绍特征工程的具体内容，介绍如何进行特征变换，将数据的特征进行缩放，对类别型数据进行独热编码，或是将连续型数据离散化。列举说明常用的特征选择的方法，分别介绍过滤式、包裹式和嵌入式特征选择，最后讲述字典学习的概念极其实现方法。基本要求了解常用的特征缩放方法。熟悉独热编码的原理和实现过程。掌握常用的离散化方法。了解过滤式选择、包裹式选择和嵌入式选择的原理。了解字典学习的概念和原理。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。特征工程需要做什么？特征变换有什么作用?为何要将连续性数据离散化？特征选择有哪些标准？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。不同的数据标准化方法有什么差异？独热编码有什么好处？字典学习能够用在哪些类型是数据上？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。数据是不是一定要标准化？独热编码有什么缺点？怎么样才能高效的进行特征筛选？主要知识点、重点与难点主要知识点常用的特征缩放方法。独热编码的原理和实现过程。常用的离散化方法。过滤式选择、包裹式选择和嵌入式选择的原理。字典学习的概念和原理。重点常用的特征缩放方法。独热编码的原理和实现过程。常用的离散化方法。难点过滤式选择、包裹式选择和嵌入式选择的原理。字典学习的概念和原理。教学过程设计理论教学过程特征缩放的概念。常用的特征缩放方法。独热编码的原理。独热编码的实现过程。常用的离散化方法。过滤式选择、包裹式选择和嵌入式选择的原理。字典学习的概念和原理。实验教学过程使用不同的方法进行数据标准化。对类别型数据进行独热编码。对连续型数据进行离散化。分别使用过滤式选择、包裹式选择和嵌入式选择进行特征筛选。对图片数据进行字典学习。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第4章有监督学习教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：12学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标首先介绍有监督学习的概念、常见的算法和应用领域。而后介绍有监督算法的性能度量指标，分别介绍分类任务和回归任务的性能度量指标。而后依次介绍线型模型、k近邻分类、决策树、支持向量机、朴素贝叶斯、神经网络、集成学习等常用算法，并分别举例说明算法对应的常用实现方法。基本要求了解有监督学习的概念、常见算法和应用场景。掌握常用的有监督学习性能度量方法。了解线性模型的原理。掌握线性回归和逻辑回归的实现方法。了解k近邻分类的原理。掌握k近邻分类的实现方法。了解决策树的原理。掌握决策树的实现方法。了解支持向量机的原理。掌握支持向量机的实现方法。了解朴素贝叶斯的原理。掌握朴素贝叶斯的实现方法。了解神经网络的原理。掌握神经网络的实现方法。了解集成学习的原理。掌握集成学习的实现方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。性能度量有什么作用?什么预测目标属于回归？如何进行分类？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。不同的性能度量方法有什么差异？K最近邻怎么判断最近的是哪个？决策树如何决策？集成学习有什么优缺点？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。什么情况下精确率和召回率更有意义？神经网络还有哪些种类？如何判断模型是否过拟合？主要知识点、重点与难点主要知识点常用的性能度量方法。线型模型的原理和实现过程。k近邻分类的原理和实现过程。决策树的原理和实现过程。支持向量机的原理和实现过程。朴素贝叶斯的原理和实现过程。神经网络的原理和实现过程。集成学习的原理和实现过程。重点常用的性能度量方法。线型模型的原理和实现过程。决策树的原理和实现过程。支持向量机的原理和实现过程。神经网络的原理和实现过程。集成学习的原理和实现过程。难点决策树的原理和实现过程。支持向量机的原理和实现过程。神经网络的原理和实现过程。集成学习的原理和实现过程。教学过程设计理论教学过程有监督学习的概念、常见算法和应用场景。常用的性能度量方法。线型模型的原理。k近邻分类的原理。决策树的原理。支持向量机的原理。朴素贝叶斯的原理。神经网络的原理。集成学习的原理。实验教学过程线型模型的实现过程。常用的性能度量方法的实现过程。k近邻分类的实现过程。决策树的实现过程。支持向量机的实现过程。朴素贝叶斯的实现过程。神经网络的实现过程。集成学习的实现过程。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第5章无监督学习教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：8学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标首先介绍无监督学习的概念。而后介绍降维的概念，分别介绍PCA和核化线性降维的原理和实现方法。之后介绍常见的无监督算法，包括性能度量指标、距离计算的原理、原型聚类、密度聚类和层次聚类，并分别举例说明算法对应的常用实现方法。基本要求了解无监督学习的概念。了解降维的概念和原理。掌握PCA和核化线性降维的实现方法。掌握常用的无监督学习性能度量方法。了解距离计算的原理。了解原型聚类的原理。掌握K均值、学习向量量化和高斯混合聚类的实现方法。了解密度聚类的原理。掌握密度聚类的实现方法。了解层次聚类的原理。掌握层次聚类的实现方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。降维有什么作用?如何进行无监督聚类？如何评价无监督学习模型的效果？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。不同的性能度量方法有什么差异？K均值聚类怎么判断的对象属于哪个类？密度聚类有什么优势？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。如何确定K均值聚类的聚类数？如何优化聚类模型？主要知识点、重点与难点主要知识点PCA和核化线性降维的原理和实现过程。常用的无监督算法性能度量方法。原型聚类的原理和实现过程。密度聚类的原理和实现过程。层次聚类的原理和实现过程。重点PCA和核化线性降维的原理和实现过程。常用的无监督算法性能度量方法。原型聚类的原理和实现过程。密度聚类的原理和实现过程。难点PCA和核化线性降维的原理和实现过程。常用的无监督算法性能度量方法。教学过程设计理论教学过程无监督学习的概念。降维的概念。PCA和核化线性降维的原理。常用的性能度量方法。原型聚类的原理。密度聚类的原理。层次聚类的原理。实验教学过程PCA和核化线性降维的实现过程。原型聚类的实现过程常用的性能度量方法的实现过程。密度聚类的实现过程。层次聚类的实现过程。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第6章智能推荐教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：6学时材料清单《机器学习原理与实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标首先介绍推荐系统的概念和应用领域。而后介绍智能推荐的性能度量方法，分别离线实验评价指标、用户调查评价指标和在线实验评价指标。之后介绍常见的关联规则算法的原理和实现方法，包括Apriori算法和FP-Growth算法。最后介绍基于用户和基于物品的协同过滤算法，并分别举例说明算法对应的实现方法。基本要求了解推荐系统的概念和应用领域。了解常用的智能推荐性能度量方法。了解关联规则的原理。了解Apriori算法和FP-Growth算法的原理。掌握Apriori算法和FP-Growth算法的实现方法。了解基于用户和基于物品的协同过滤算法的原理。掌握基于用户和基于物品的协同过滤算法的实现方法。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。日常生活中什么地方可以见到推荐系统?如何评价推荐的效果？啤酒与尿布有关联么？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。不同的性能度量方法有什么差异？怎么判断两个对象之间的关联关系？基于用户和基于物品的协同过滤的区别在哪？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。如何确定关联规则的置信度的阈值？如何解决推荐的冷启动问题？主要知识点、重点与难点主要知识点推荐系统的概念和应用领域。常用的智能推荐性能度量方法。关联规则的原理。Apriori算法和FP-Growth算法的原理和实现方法。基于用户和基于物品的协同过滤算法的原理和实现方法。重点常用的智能推荐性能度量方法。Apriori算法和FP-Growth算法的原理和实现方法。基于用户和基于物品的协同过滤算法的原理和实现方法。难点Apriori算法和FP-Growth算法的原理和实现方法。基于用户和基于物品的协同过滤算法的原理和实现方法。教学过程设计理论教学过程推荐系统的概念和应用领域。常用的智能推荐性能度量方法。关联规则的原理。Apriori算法和FP-Growth算法的原理。基于用户和基于物品的协同过滤算法的原理。实验教学过程Apriori算法和FP-Growth算法的实现方法。基于用户和基于物品的协同过滤算法的实现方法。常用的智能推荐性能度量的实现。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第7章市财政收入分析教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：6学时材料清单《机器学习原理与实战》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标主要介绍原始数据的相关性分析、特征的选取、构建灰色预测和支持向量回归预测模型、模型的评价四部分内容。在财政收入相关数据的相关性分析中，采用简单相关系数对数据进行了分析；在特征选取中，运用广泛使用的Lasso回归模型；在模型的构建阶段，针对历史数据首先构建了灰色预测模型，对所选特征的2014年与2015年的值进行预测，然后根据所选特征的原始数据与预测值，建立支持向量回归模型，得到财政收入的最终预测值。基本要求了解财政收入预测的背景知识，分析步骤和流程。掌握相关性分析方法与应用。掌握用Lasso模型特征选取方法。掌握灰色预测和支持向量回归算法的原理与应用。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。市财政收入的构成是什么？影响财政收入的相关因素有哪些？市财政收入预测的意义在哪里？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。相关性分析的使用场景有哪些？Lasso回归使用场景有哪些？为何要提取关键特征？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。除了SVR还有很多回归算法，能否使用其他回归算法解决该需求？国家数据网有很多类似数据，能否预测某个省的财政收入呢？主要知识点、重点与难点主要知识点财政收入预测的背景知识，分析步骤和流程。相关性分析方法与应用。用Lasso模型特征选取方法。灰色预测和支持向量回归算法的原理与应用。重点财政收入预测的步骤和流程。相关性分析方法与应用。使用Lasso模型选取特征。灰色预测算法的原理与使用。支持向量回归算法的原理与使用。难点使用Lasso模型选取特征。灰色预测算法的原理与使用。支持向量回归算法的原理与使用。教学过程设计理论教学过程分析财政收入预测背景。了解财政收入预测的方法。熟悉财政收入预测的步骤与流程。了解相关性分析。分析计算结果。了解Lasso回归方法。分析Lasso回归结果。了解灰色预测算法。了解SVR算法。分析预测结果。实验教学过程分析财政收入数据特征的相关性。使用Lasso回归选取财政收入预测的关键特征。使用灰色预测和SVR构建财政收入预测模型。评价SVR模型。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第8章基于非侵入式电力负荷监测与分解的电力分析教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：6学时材料清单《机器学习原理与实战》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标主要介绍电力分项计量的背景知识、原始数据的可视化分析与缺失值的处理、特征的筛选和构建、构建k近邻模型分类预测模型、模型的性能度量5部分内容。在原始数据的可视化分析，采用折线图对特征的变化规律进行了分析；在特征筛选与构建中，依据可视化分析的结果进行特征的筛选与构建；在模型的构建阶段，利用特征工程所建立的特征库训练模型，得到最终的分类预测结果。基本要求了解基于非侵入式负荷监测与分解的电力分析的背景知识，分析步骤和流程。掌握折线图的应用。掌握特征筛选与构建特征的方法。掌握k近邻分类算法的原理与应用。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。电力分析计量是什么？不同设备的用电区别有哪些？预测设备种类的意义在哪里？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。折线图的使用场景有哪些？处理缺失值有哪些方法？为何要建立特征库？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。除了K近邻还有很多分类算法，能否使用其他分类算法解决该需求？用电设备有很多类似的地方，能否预测某品牌的设备呢？主要知识点、重点与难点主要知识点基于非侵入式负荷监测与分解的电力分析的背景知识，分析步骤和流程。折线图应用。缺失值的处理方法。特征选取和构建的方法。K近邻分类算法的原理与应用。重点基于非侵入式负荷监测与分解的电力分析的步骤和流程。特征选取和构建的方法。K近邻分类算法的原理与应用。难点特征选取和构建的方法。K近邻分类算法的原理与应用。教学过程设计理论教学过程了解电力分项计量的背景知识。熟悉基于非侵入式负荷监测与分解的电力分析的步骤与流程。分析绘制的折线图。了解处理缺失值的思路。了解判别特征库的构建思路。了解K近邻分类算法。分析预测结果。实验教学过程分析不同数据特征的变化规律。结合折线图和背景知识构建判别特征库。使用k近邻分类算法构建设备分类预测模型。评价k近邻分类模型。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第7章航空公司客户价值分析教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：6学时材料清单《机器学习原理与实战》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标重点结合航空公司客户价值分析的案例介绍K-Means聚类算法在客户价值分析中的应用。此外，介绍基于RFM客户价值分析模型的不足，使用K-Means算法构建航空客户价值分析LRFMC模型，详细的描述数据分析的整个过程。基本要求了解RFM模型的基本原理。掌握K-Means算法的基本原理与使用方法。比较不同类别客户的客户价值，制定相应的营销策略。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。什么样的客户是航空公司的高价值客户？航空公司能够提供什么样的数据？为什么航空公司要做客户价值分析？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。RFM模型对应的特征在本案例中是什么？为什么RFM模型不能够很好区分用户？为何KMeans可以用作客户分类？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。除了RFM模型外还有什么用于客户分类的模型？除了KMeans还有什么算法能够用于客户分类？主要知识点、重点与难点主要知识点RFM模型的基本原理。K-Means算法的基本原理与使用方法。比较不同类别客户的客户价值，制定相应的营销策略。重点航空客户价值分析的步骤和流程。RFM模型的基本原理。K-Means算法的基本原理与使用方法。比较不同类别客户的客户价值。难点RFM模型的基本原理。KMeans算法的基本原理与使用方法。教学过程设计理论教学过程分析航空公司现状。认识客户价值分析。熟悉航空客户价值分析的步骤与流程。处理缺失值与异常值。构建爱你航空客户价值分析关键特征。标准化LRFMC5个特征。了解K-Means聚类算法。分析聚类结果。模型应用。实验教学过程处理数据缺失值与异常值。构建航空客户价值分析的关键特征。标准化LRFMC5个特征。构建K-Means聚类模型。评价K-Means聚类模型。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械工业出版社．2015．[2] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．[3] 黄红梅，张良均．Python数据分析与应用[M]．北京：人民邮电出版社．2018．[4] 林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．

第10章广电大数据营销推荐教案课程名称：机器学习原理与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论34学时，实验30学时）总学分：4.0学分本章学时：6学时材料清单《机器学习原理与实战》教材。配套PPT。数据。代码。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标重点结合广电大数据营销推荐的案例介绍协同过滤推荐算法在营销中的应用。主要分为5个部分进行介绍，包括广播电视营销推荐的背景、对原始数据的清洗和探索分析、构建用户画像的标签特征和爬取节目信息、构建推荐模型。为了实现较好的推荐效果，采用了并行的组合方法进行推荐，包括基于物品的协同过滤算法的推荐模型、基于SimpleTagBasedTF-IDF算法的标签推荐模型和Popular流行度推荐模型。最后对模型性能进行度量，对结果进行分析。基本要求了解广电大数据营销案例的背景、数据说明和分析目标。掌握常用的数据清洗方法，对收视行为、账单、收费、订单和用户状态数据进行数据清洗。掌握常用的数据探索方法，对数据进行分布分析、对比分析和贡献度分析。掌握常用的特征构造方法，构建用户画像标签。掌握聚类算法的应用方法，对客户进行价值分析，构建用户忠诚度标签。熟悉基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法，构建推荐模型。掌握推荐系统的评价方法，对构建的推荐模型进行性能度量。问题引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。不同的人看电视时都有哪些偏好？广播电视运营公司能够提供什么样的数据？为什么要给用户推荐电视节目？探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。如何建立用户画像？为什么单一模型的推荐效果不好？如何解决推荐系统的冷启动问题？拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。还有什么用于推荐的模型？如何测试推荐系统的实际效用？主要知识点、重点与难点主要知识点广电大数据营销案例的背景、数据说明和分析目标。常用的数据清洗方法。分布分析、对比分析和贡献度分析。构建用户画像标签的方法。基于聚类算法的客户价值分析。基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法。推荐系统的评价方法。重点构建用户画像标签的方法。基于聚类算法的客户价值分析。基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法。难点构建用户画像标签的方法。基于聚类算法的客户价值分析。基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法。教学过程设计理论教学过程分析广播电视行业现状。了解数据概况。熟悉广电大数据营销推荐的步骤与流程。数据清洗。构建用户画像标签特征。基于聚类算法进行客户价值分析。了解基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法。分析推荐模型的性能和结果。实验教学过程数据清洗。构建用户画像标签特征。基于聚类算法进行客户价值分析。分别构建基于物品的协同过滤算法、TF-IDF算法和Popular流行度算法的推荐模型。分析推荐模型的性能和结果。教材与参考资料教材何伟，张良均．机器学习原理与实战[M]．北京：人民邮电出版社．2021．参考资料[1] 张良均．Python数据分析与挖掘实战[M]．北京：机械