Py数据基础及实战9

打造基于产教融合的就业育人综合服务平台打造基于产教融合的就业育人综合服务平台第5章数据挖掘算法基础教案课程名称：Python数据分析与挖掘实战课程类别：必修（专业核心课）适用专业：数据科学与大数据技术、人工智能、计算机科学与技术、统计学、信息管理与信息系统等相关专业总学时：64学时（其中理论28学时，实验36学时）总学分：4.0学分本章学时：10学时（理论6学时，实验4学时）材料清单《Python数据分析与挖掘实战（第2版）（微课版）》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本章系统介绍数据挖掘中五大核心任务的主流算法，涵盖分类与回归（线性模型、决策树、最近邻、支持向量机、神经网络、集成算法）、聚类（K-Means、密度聚类、层次聚类）、关联规则（Apriori、FP-Growth）、时间序列分析（AR、MA、ARMA、ARIMA模型）和智能推荐（协同过滤、基于流行度），并简要介绍深度学习常用算法及其与机器学习的区别。使学生建立对数据挖掘算法谱系的整体认知，为后续根据实际业务需求选择合适的模型奠定理论基础。基本要求熟悉分类与回归算法的原理与评价方法。熟悉聚类算法的原理与评价方法。了解关联规则算法的原理与实现方法。熟悉时间序列算法的原理与实现方法。熟悉智能推荐算法的原理与评价方法。了解深度学习的常用算法及其与机器学习的区别。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、理解并掌握知识、发展各种能力和提高思想觉悟。分类模型和回归模型的主要区别是什么？各自的典型应用场景有哪些？K-Means聚类算法的核心思想是什么？如何选择合适的K值？关联规则中，支持度和置信度分别衡量了什么？Apriori算法的核心优化策略是什么？时间序列分析中，平稳序列和非平稳序列的处理方法有何不同？ARIMA模型的d参数代表什么？协同过滤推荐算法中，基于用户和基于物品两种策略有什么区别？探究性问题探究性问题需教师在深入钻研教材的基础上精心设计，从重点、难点问题切入进行插入式提问，或对引导性提问中尚未涉及但重要的内容加以设问。决策树、支持向量机和神经网络在分类任务中各自有什么优势和局限？如何根据数据特点选择合适的分类算法？FP-Growth算法相比Apriori算法在效率上有哪些改进？这两种算法分别适用于什么规模的数据集？深度学习与传统机器学习在数据依赖、训练时间和模型可解释性方面有哪些本质区别？拓展性问题拓展性问题需教师深刻理解教材意义、掌握学生学习动态后，根据不同学习层次提出切实可行的、关乎实际应用的操作问题，亦可提供拓展资料供学生研习探讨。在金融风控场景中，如何综合利用分类算法和聚类算法构建一个完整的风险评估体系？智能推荐系统中的冷启动问题有哪些解决方案？除了协同过滤和基于流行度的推荐，还有哪些先进的推荐策略？请调研一个数据挖掘竞赛案例，分析其中使用了哪些算法以及模型评价的方法。主要知识点、重点与难点主要知识点分类与回归的方法。聚类的方法。关联规则的方法。时间序列分析的方法。智能推荐的方法。深度学习的常用算法及其与机器学习的区别。重点分类与回归的方法。聚类的方法。关联规则的方法。时间序列分析的方法。难点时间序列分析的方法。智能推荐的方法。深度学习的常用算法及其与机器学习的区别。教学过程设计理论教学过程分类与回归。聚类。关联规则。时间序列。智能推荐。深度学习。实验教学过程使用分类算法实现客户流失预测。使用K-Means算法实现超市顾客聚类分析。教材与参考资料教材翟世臣，张良均．Python数据分析与挖掘实战（第2版）（微课版）[M]．北京：人民邮电出版社，2026．参考资料张良均，王路