Python机器学习编程与实战教学大纲教学教案

《Python机器学习编程与实战》教学大纲课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分课程的性质随着大数据时代的到来，人工智能技术的发展越来越迅速，已经渗透进现代人类的生活与工作中。大数据技术作为人工智能技术的支撑，通过数据采集、处理、分析，从各行各业的海量数据中，获得有价值的信息，能够为人工智能算法提供素材。机器学习技术作为人工智能技术的一部分，更是与大数据技术息息相关。作为一门前沿技术，机器学习已广泛应用于物联网、云计算、移动互联网等战略新兴产业。有实践经验的掌握机器学习技术的人才已经成为了各企业争夺的热门。为了推动我国大数据，云计算，人工智能行业的发展，满足日益增长的数据分析人才需求，特开设Python机器学习编程与实战课程。课程的任务通过本课程的学习，使学生学会使用Python进行数值计算、数据读取与处理、可视化绘图、构建与评价分析模型，并详细拆解一个企业综合分析案例和一个分类预测案例，将理论与实践相结合，为将来从事数据分析挖掘研究、工作奠定基础。课程学时分配序号教学内容理论学时实验学时其它1第1章Python概述212第2章NumPy数值计算323第3章pandas基础334第4章pandas进阶445第5章Matplotlib基础绘图436第6章scikit-learn657第7章餐饮企业综合分析758第8章通信运营商客户流失分析与预测75总计3628教学内容及学时安排理论教学序号章节名称主要内容教学目标学时1Python概述了解Python语言的特性了解Python机器学习的常用依赖库了解Python的Anaconda发行版在Windows操作系统上安装Anaconda掌握JupyterNotebook的基础功能熟悉Python的固定语法熟悉Python中的运算符熟悉Python中的数据类型熟悉Python中的I/O操作熟悉Python中的控制语句熟悉Python的内置函数与自定义函数了解Python语言的特性了解Python常用的机器学习库掌握Windows系统下Python环境的配置方法熟悉Python的基本功能22NumPy数值计算创建数组对象生成随机数通过索引访问数组变换数组的形态创建NumPy矩阵掌握ufunc函数掌握NumPy创建多维数组与生成随机数的方法掌握数组的索引与变换掌握NumPy中数组矩阵的运算及通用函数的基本使用方法33pandas基础创建Series对象查看Series的常用属性查改增删Series数据创建DataFrame对象查看DataFrame的常用属性查改增删DataFrame数据创建Index对象查看Index的常用属性查改增删Index数据索引DataFrame中的数据排序DataFrame中的数据合并DataFrame中的数据创建时间对象或转换其他类型为时间类型查看时间对象的常用属性调用文本方法对文本进行索引操作创建与操作category类型数据了解pandas中的常见类掌握Series、DataFrame、Index对象的创建方法、查看常用属性的方法和查改增删的操作方法掌握索引、排序和合并DataFrame中数据的方法掌握时间数据的基本处理方法掌握文本数据的基本操作方法掌握category类型数据的基本处理方法34pandas进阶读写文本文件读写Excel文件读写数据库数据对DataFrame进行描述性统计对DataFrame进行移动窗口操作使用groupby方法拆分数据使用agg方法聚合数据使用apply方法聚合数据使用transform方法聚合数据使用povit_table函数创建透视表使用crosstab函数创建交叉表检测与处理重复值检测与处理缺失值离散化连续型数据哑变量处理类别型数据掌握使用pandas读写数据的方法掌握对DataFrame进行统计分析的方法掌握对DataFrame进行分组计算的方法掌握创建透视表和交叉表的方法掌握连续型数据离散化的方法掌握哑变量处理类别型数据的方法45Matplotlib基础绘图熟悉pyplot的基本绘图流程掌握pyplot的基础语法设置pyplot的动态rc参数绘制散点图绘制折线图绘制直方图绘制饼图绘制箱线图掌握pyplot常用的绘图参数的调节方法掌握子图的绘制方法掌握绘制图形的保存与展示方法掌握散点图和折线图的作用与绘制方法掌握直方图、饼图和箱线图的作用与绘制方法46scikit-learn掌握标准差标准化数据的方法掌握离差标准化数据的方法掌握归一化数据的方法掌握二值化数据的方法掌握独热编码的方法使用sklearn转换器进行降维使用sklearn估计器构建分类模型使用sklearn估计器构建回归模型使用sklearn估计器构建聚类模型掌握数据集划分的方法掌握自动调参的方法熟悉分类、回归、排序和聚类评价函数掌握使用sklearn标准化、归一化、二值化数据的方法掌握独热编码的方法掌握使用sklearn降维的方法掌握使用sklearn构建分类、回归、聚类模型的方法熟悉使用sklearn评价分类、回归、排序和聚类模型的方法67餐饮企业综合分析了解餐饮公司现状和需求熟悉餐饮企业数据分析的步骤与流程统计每日用餐人数与销售额对原始数据进行预处理构建RFM特征构建聚类模型依据聚类结果进行客户价值分析构建客户流失特征构建客户流失分类模型评价分类模型的结果熟悉餐饮企业数据分析的步骤和流程熟悉RFM模型的特征构建方法掌握K-Means算法的使用方法比较不同类别客户的客户价值了解客户流失特征的构建方法掌握决策树算法的使用方法掌握决策树模型的评价方法78通信运营商客户流失分析与预测了解通信运营商现状与需求熟悉通信运营商客户流失分析与预测的步骤与流程对原始数据进行去重处理对数据进行降维处理检测与处理缺失值检测与处理异常值分组计算特征中位数和方差合并数据对非数值型的数据进行独热编码划分数据集并进行标准化使用MLP算法构建用户流失预测模型评价分类模型的结果熟悉通信运营商客户流失分析与预测的步骤和流程掌握降维方法与应用掌握使用缺失值与异常值的处理方法掌握分组计算与独热编码的方法掌握MLP算法的使用方法掌握分类模型的评价方法7学时合计36实验教学序号实验项目名称实验要求学时1Python环境搭建在Windows系统上安装Anaconda掌握JupyterNotebook的基本功能12NumPy计算创建NumPy数组对象ndarray查看ndarray的常用属性花式索引ndarray变换ndarray的形态创建NumPy矩阵使用常见ufunc23pandas基础创建Series并查看常用属性查改增删Series数据创建DataFrame并查看常用属性查改增删DataFrame数据创建Index并查看常用属性查改增删Index数据索引单列、单列多行、多列多行、基于名称或位置索引数据按索引、值排序数据堆叠、主键、重叠合并数据转换字符串时间为标准时间提取时间序列数据信息加减时间数据索引文本数据创建category类型数据并进行重命名、增删和排序34pandas进阶读写文本文件读写Excel文件读写数据库描述分析DataFrame数据对时间序列使用移动窗口使用groupby方法拆分数据使用agg、apply、transform方法聚合数据制作透视表制作交叉表检测与处理重复值、缺失值、异常值离散化连续型数据哑变量处理类别型数据45Matplotlib数据可视化基础掌握pyplot的基本绘图语法设置pyplot的动态rc参数绘制散点图绘制折线图绘制直方图绘制饼图绘制箱线图36sklearn模型构建离差标准化、标准差标准化归一化、二值化独热编码处理类别数据导入数据集划分数据集使用sklearn转换器进行数据预处理与降维构建与评价聚类模型构建与评价分类模型构建与评价回归模型57餐饮企业综合分析统计每日用餐人数与销售额筛选客户信息表中的订单，选取相关特征构建RFM特征标准化数据构建K-Means聚类模型评价K-Means聚类模型构建客户流失特征构建决策树分类模型评价决策树分类模型58通信运营商客户流失分析与预测查找并删除重复记录数据降维处理缺失值与异常值分组计算特征的中位数和方差聚合数据对非数值型的数据进行独热编码合并数据集划分数据集并标准化构建MLP分类预测模型评价MLP分类预测模型5学时合计28考核方式突出学生解决实际问题的能力，加强过程性考核。课程考核的成绩构成=平时作业（10%）+课堂参与（20%）+期末考核（70%），期末考试建议采用开卷形式，试题应包括基本概念、绘图、分组聚合、数据合并、数据清洗、数据变换、数据降维、模型构建、模型评价等部分，题型可采用判断题、选择、简答、应用题等方式。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第1章Python概述教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：3学时材料清单《Python机器学习编程与实战》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通过阐述Python语言的特性，说明使用Python进行机器学习的优势，并列举说明Python与机器学习相关的常用依赖库的功能。紧接着阐述Python环境的配置方法，简要介绍Python集成开发环境-Anaconda，实现在Windows系统下安装Anaconda环境，并同时介绍JupyterNotebook的使用方法。之后介绍Python的基础知识，包括固定语法、运算符、数据类型、输入/输出操作与文件I/O。最后介绍Python中控制语句和函数的使用方法。基本要求了解Python语言的特性。了解Python的常用依赖库。掌握Windows系统下Anaconda的安装。掌握JupyterNotebook的使用方法。熟悉Python的基础知识熟悉Python中的控制语句和函数的使用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。Python语言有哪些优点与缺点？固定语法有什么作用？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。JupyterNotebook有哪些优缺点？Python的固定语法有什么特色？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。Python语言用于机器学习有哪些优势？Python运算符优先级与数学中的运算符优先级有哪些不同？主要知识点、重点与难点主要知识点Python的语言特性、基础知识、控制语句与函数。Python常用的机器学习库。Windows系统下Anaconda安装。JupyterNotebook的基本使用方法。重点Python的语言特性、基础知识、控制语句与函数。JupyterNotebook的常用功能。难点Python的控制语句。Python的函数。教学过程设计理论教学过程Python的语言特性。Python机器学习的常用依赖库。Python的Anaconda发行版。在Windows操作系统上安装Anaconda。JupyterNotebook的基础功能。Python的固定语法。Python的运算符。Python中的数据类型。PythonI/O。Python的控制语句。Python的函数。实验教学过程在Windows/Linux系统上安装Anaconda。JupyterNotebook的常用功能。Python的基础知识。Python的控制语句。Python的函数。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第2章NumPy数值计算教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：5学时材料清单《Python机器学习编程与实战》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NumPy重要的基础内容，包括NumPy的“心脏”ndarray及其索引，生成随机数，创建矩阵，使用通用函数计算，以及NumPy的常用函数，为后面学习其他库（如pandas）打下坚实的基础。基本要求掌握NumPy创建多维数组与生成随机数的方法。掌握数组的索引与转换。了解NumPy中数组矩阵的运算及通用函数的基本使用方法。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。NumPy从这个库的名字理解，这个库的作用是什么？数组内部存放的数据是否可以为字符串？怎样取出数组内部的某个元素？数组和矩阵是否可以转换？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。数组和矩阵的异同点？数组和矩阵能否互相转换？能否自定义ufunc？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。使用NumPy能否进行本班人员的基本信息？如何将统计分析方法做成一个ufunc？主要知识点、重点与难点主要知识点NumPy创建多维数组与生成随机数的方法。数组的索引与转换。NumPy中数组矩阵的运算及通用函数的基本使用方法。NumPy统计分析的函数。重点ndarray对象的创建与生成随机数的方法。数组的索引与变换。矩阵的运算及通用函数的基本使用方法。难点（1）ndarray对象的创建与生成随机数的方法。（2）数组的索引与变换。教学过程设计理论教学过程创建数组对象。生成随机数。通过索引访问数组。变换数组的形态。创建NumPy矩阵。ufunc函数。使用数组进行简单的统计分析。实验教学过程创建NumPy数组对象ndarray。查看ndarray的常用属性。花式索引ndarray。变换ndarray的形态。创建NumPy矩阵并使用。使用常见ufunc。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第3章pandas基础教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：6学时材料清单《Python机器学习编程与实战》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阐述Series、DataFrame和Index的常用属性与方法。介绍DataFrame的索引、排序和合并操作。介绍时间数据的转换，信息提取与算术运算。介绍文本数据的操作和索引方法。介绍category分类型数据的创建和操作方法。通过本章的学习，能够对pandas库的基础内容有一个整体了解。基本要求掌握Series常用属性与方法。掌握DataFrame常用属性与方法。掌握Index常用属性与方法。掌握DataFrame的常用索引方法。掌握DataFrame的常用排序方法。掌握DataFrame的常用合并方法。掌握基础时间数据处理方法。掌握文本数据的基本操作和索引方法。掌握category分类型数据的基本操作方法。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。DataFrame和数组有什么相似之处？DataFrame的索引方式和Excel有什么相似和不同之处？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。Series与Index有什么不同之处？时间数据中存在哪些信息？loc和iloc方法有什么区别？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。横向、纵向和主键堆叠分别适合哪些场景使用？为什么索引的时候有loc和iloc，设计者的意何在？主要知识点、重点与难点主要知识点Series常用属性与方法。DataFrame常用属性与方法。Index常用属性与方法。DataFrame的常用索引、排序和合并方法。基础时间数据处理方法。文本数据的基本操作和索引方法。category分类型数据的基本操作方法重点Series常用属性与方法。DataFrame常用属性与方法。Index常用属性与方法。DataFrame的常用索引、排序和合并方法。难点基础时间数据处理方法。文本数据的基本操作和索引方法。教学过程设计理论教学过程介绍Series常用属性。介绍Series查改增删方法。介绍DataFrame常用属性。介绍DataFrame查改增删方法。介绍Index常用属性。介绍Index查改增删方法。介绍DataFrame的常用索引方法。介绍DataFrame的常用排序方法。介绍DataFrame的常用合并方法。介绍基础时间数据处理方法。介绍文本数据的处理方法。介绍category分类型数据的处理方法。实验教学过程创建Series对象。查看Series对象的常用属性。查改增删Series对象。创建DataFrame对象。查看DataFrame对象的常用属性。查改增删DataFrame对象。创建Index对象。查看Index对象的常用属性。查改增删Index对象。访问DataFrame中的单列、单列多行和多列多行数据。使用loc和iloc对DataFrame中的数据进行索引。对DataFrame中的数据进行排序。将DataFrame中的数据横向堆叠、纵向堆叠和主键合并。转换字符串时间为标准时间。提取时间序列数据信息。加减时间数据。替换指定位置的文本内容。创建category并进行查改增删。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第4章pandas进阶教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：8学时材料清单《Python机器学习编程与实战》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介绍文本文件，Excel数据和数据库数据三种常用的数据读取与写入方式。介绍DataFrame的常用描述性统计分析方法。介绍时间序列的移动窗口方法。剖析分组聚合方法groupby的原理，用法和三种分组计算方法。展现透视表与交叉表的制作方法。介绍缺失值与重复数据的检测和处理方法。介绍连续型数据离散化的方法和类别型数据的哑变量处理方法。为使用pandas进行机器学习中的数据准备工作打下基础。基本要求掌握常见的数据读写方式。掌握常用的描述性统计分析方法。掌握移动窗口的方法。掌握分组聚合的原理与方法。掌握透视表与交叉表的制作。掌握缺失值与重复数据的检测和处理方法。掌握连续型数据离散化的方法。掌握哑变量处理类别型数据的方法。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。常见的结构化数据读取方式有哪些？常见的描述性统计分析指标有哪些？Excel透视表如何制作？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。读取数据库数据为什么需要别的库？重复值是否一定要处理？以百万级的数据为例，Excel制作透视表和Python制作透视表哪个速度更快？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。能否读取word数据，该如何做？除了哑变量处理外，还有那些方法可以处理离散型特征？能否将这些方法写成自定义函数？主要知识点、重点与难点主要知识点常见的数据读写方式。常用的描述性统计分析方法。时间序列的移动窗口方法。分组聚合的原理与方法。透视表与交叉表的制作。缺失值的检测与处理。重复值的检测与处理。连续型特征离散化。类别型特征哑变量处理。重点常见的数据读写方式。常用的描述性统计分析方法。分组聚合的原理与方法。透视表与交叉表的制作。缺失值的检测与处理。重复值的检测与处理。连续型特征离散化。类别型特征哑变量处理。难点常见的数据读写方式。分组聚合的原理与方法。透视表与交叉表的制作。类别型特征哑变量处理。教学过程设计理论教学过程读写文本文件。读写Excel文件。读写数据库数据。介绍DataFrame的常用描述性统计分析方法。使用rolling方法移动窗口。使用groupby方法拆分数据。使用agg方法聚合数据。使用apply方法聚合数据。使用transform方法聚合数据。使用povit_table函数创建透视表。使用crosstab函数创建交叉表。检测与处理缺失值。检测与处理重复值。离散化连续型数据。哑变量处理类别型数据。实验教学过程读写文本文件。读写Excel文件。读写数据库数据。描述分析DataFrame数据。移动窗口时间序列。使用groupby方法拆分数据。使用agg、apply、transform方法聚合数据。制作透视表。制作交叉表。检测与处理重复值、缺失值。离散化连续型数据。哑变量处理类别型数据。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第5章Matplotlib基础绘图教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：7学时材料清单《Python机器学习编程与实战》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先介绍pyplot绘图的基本语法，常用参数。介绍分析特征间相关关系的散点图，分析特征间趋势关系的折线图，分析特征内部数据分布的直方图和饼状图，以及分析特征内部数据分散情况的箱线图。为后续深入学习Matplotlib数据可视化打下了深厚的基础。基本要求掌握pyplot常用绘图参数调节。掌握子图的绘制方法。掌握散点图和折线图的作用与绘制方法。掌握直方图和条形图的作用与绘制方法掌握饼图的作用与绘制方法。掌握箱线图的作用与绘制方法。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。图形和文字哪一种更容易让大脑记住？常见的统计学图形有哪些？不同的图形所表示的意义是否相同？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。散点图，折线图的主要功能是什么，有什么异同点？饼图，直方图，条形图的主要功能是什么，有什么异同点？箱型图的主要功能是什么？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。能否绘制一个雷达图，该怎么做？如何将本班同学的数据做可视化？主要知识点、重点与难点主要知识点pyplot常用绘图参数调节。子图的绘制方法。散点图和折线图的作用与绘制方法。直方图和条形图的作用与绘制方法饼图的作用与绘制方法。箱线图的作用与绘制方法。重点pyplot的基础语法。散点图和折线图的作用与绘制方法。直方图、条形图、饼图和箱线图的作用与绘制方法。难点子图的绘制方法。散点图和折线图的作用与绘制方法。直方图、条形图、饼图和箱线图的作用与绘制方法。教学过程设计理论教学过程pyplot的基础语法。设置pyplot的动态rc参数。绘制散点图。绘制折线图。绘制直方图。绘制条形图。绘制饼图。绘制箱线图。实验教学过程设置pyplot的动态rc参数。绘制散点图；绘制折线图。绘制直方图；绘制条形图。绘制饼图。绘制箱线图。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第6章scikit-learn教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：11学时材料清单《Python机器学习编程与实战》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介绍数据标准化、归一化和二值化。介绍独热编码和常用降维方法。重点介绍聚类、分类和回归三类sklearn的基本任务对应的建模方法及实现过程。同时，每一类又有对应的多种评估方法，能够评价所构建模型的性能优劣。通过这一章的学习，基本能够掌握常用的模型构建与评估方法，可在以后的实际案例应用过程中采用适当的算法并按所介绍的步骤实现综合应用。基本要求掌握数据标准化的常用方法。掌握数据归一化的方法。掌握数据二值化的方法。掌握独热编码的方法。使用sklearn转换器进行降维。使用sklearn估计器构建分类模型。使用sklearn估计器构建回归模型。使用sklearn估计器构建聚类模型。掌握数据集划分的方法。掌握交叉验证和自动调参的方法。熟悉分类、回归、排序和聚类评价函数。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。常见的模型算法使用场景有哪些？不同的场景之间有什么区别？scikit-learn名字的由来？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。聚类和分类的区别是什么？回归和分类的区别又是什么？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。不同的算法，可解释性不同，能否挑选一种可解释性强的算法对算法结果进行解释？除了PCA降维以外，可以使用RandomForest模型进行特征的筛选，该如何做？主要知识点、重点与难点主要知识点标准化数据。归一化数据。二值化数据。独热编码处理类别型数据。数据降维。分类模型的构建。回归模型的构建。聚类模型的构建。数据集划分。交叉验证与自动调参。分类、回归、聚类模型的评价方法。重点标准化数据。独热编码处理类别型数据。数据降维。分类模型的构建。回归模型的构建。聚类模型的构建。数据集划分。分类、回归、聚类模型的评价方法。难点独热编码处理类别型数据。数据降维。分类模型的构建。回归模型的构建。聚类模型的构建数据集划分。交叉验证与自动调参。分类、回归、聚类模型的评价方法。教学过程设计理论教学过程标准差、离差标准化数据。归一化数据。二值化数据。独热编码数据。数据降维。常用分类算法。常用回归算法。常用聚类算法。数据集划分。交叉验证。自动调参。模型评价方法。实验教学过程使用标准差、离差标准化数据。归一化数据。二值化数据。将类别型数据独热编码。将数据集划分为训练集和测试集。使用PCA、ICA、LDA降维数据。构建Logistic回归、SVM、决策树、KNN、朴素贝叶斯和多层感知机模型。使用交叉验证和自动调参构建随机森林模型。评价构建的随机森林模型和其他分类模型。构建最小二乘回归、岭回归、Lasso回归模型。评价构建的回归模型。构建K-Means、层次聚类、DBSCAN和GMM聚类模型。评价构建的聚类模型。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．Python数据分析与挖掘实战（第2版）[M]．北京：机械工业出版社．2019．[4] 李明江，张良均，周东平，张尚佳．Python3智能数据分析快速入门[M]．北京：机械工业出版社．2016．[5] 张良均．Python与数据挖掘[M]．北京：机械工业出版社．2016．

第7章餐饮企业综合分析教案课程名称：Python机器学习编程与实战课程类别：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36学时，实验28学时）总学分：4.0学分本章学时：12学时材料清单《Python机器学习编程与实战》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结合餐饮企业综合分析案例，介绍针对原始数据使用折线图进行统计分析，进行特征选择筛选掉原始数据中相关性不强的特征、通过特征构建构造RFM特征和客户流失特征，并重点介绍K-Means聚类算法在客户价值分析中的应用和决策树算法在客户流失预测中的应用。针对聚类结果，通过雷达图对不同客户群进行价值分析。针对分类预测模型，通过混淆矩阵等评价方法评价其预测效果。基本要求了解餐饮企业综合分析的背景知识，分析步骤和流程。掌握使用折线图分析趋势。掌握特征选择和特征构造的方法。掌握使用K-Means算法构建聚类模型的方法。掌握使用决策树算法构建分类模型的方法。掌握进行客户价值分析的方法。掌握评价分类模型效果的方法。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。什么样的客户是餐饮企业的高价值客户？餐饮企业能提供什么样的数据？餐饮企业为什么要做客户价值分析与客户流失预测？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K-Means可以用作客户分类？应该依据哪些条件判断客户是否会流失？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K-Means还有什么算法能够用于客户分类？除了决策树还有什么算法能用于预测客户流失？主要知识点、重点与难点主要知识点餐饮企业综合分析的背景知识，分析步骤和流程。特征选择与特征构造。K-Means算法的使用方法。决策树算法的使用方法。客户价值分析的方法。分类模型的评价方法。重点餐饮企业综合分析的步骤和流程。特征选择与特征构造。K-Means算法的使用方法。决策树算法的使用方法。客户价值分析的方法。难点K-Means算法的使用方法。决策树算法的使用方法。客户价值分析的方法。教学过程设计理论教学过程了解餐饮企业综合分析的背景。熟悉餐饮企业综合分析的流程。掌握分析变化趋势的方法。掌握筛选相关性不强特征的方法。掌握构建RFM特征的方法。掌握构建客户流失特征的方法。掌握K-Means算法的使用方法。掌握决策树算法的使用方法。掌握客户价值分析的方法。掌握评价分类模型的方法。实验教学过程绘制折线图分析变化趋势。筛选掉原始数据中部分相关性不强的特征。构建RFM特征。构建客户流失特征。使用K-Means算法构建聚类模型。使用决策树算法构建分类预测模型。针对聚类结果进行客户价值分析。评价分类预测模型的效果。教材与参考资料教材林耀进，张良均．Python机器学习编程与实战[M]．北京：人民邮电出版社．2020．参考资料[1] 张健，张良均．Python编程基础[M]．北京：人民邮电出版社．2018．谭立云，[2] 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．[3] 张良均．P