數據挖掘與機器學習教學大綱

1、數據挖掘與機器學習教學大綱01課程性質本課程以數據挖掘和機器學習為主要內容，講述實現數據挖掘的主要功能、數據挖掘、機器學習算法和應用，并通過對實際數據的分析更加深入地理解常用的數據挖掘與機器學習模型。培養(yǎng)學生數據分析和處理的能力。該課程的先修課程有概率論與數理統(tǒng)計、數據庫原理和程序設計等。02教學IJ的本課程的主要目的是培養(yǎng)學生的數據挖掘與機器學習的理論分析與應用實踐的綜合能力。通過本課程的教學，使學生掌握數據挖掘和機器學習的一般原理和處理方法，能使用機器學習理論解決數據挖掘相關的問題。03教學內容本課程全面而又系統(tǒng)地介紹了數據挖掘與機器學習的方法和技術，反映了當前數據挖掘和機器學習研究的最新

2、成果。本課程主要學習的內容包括Python數據分析與可視化基礎、認識數據、數據預處理、回歸分析.關聯規(guī)則挖掘、分類與預測、聚類分析、神經網絡與機器學習基礎、離群點檢測以及Python數據挖掘案例分析等內容。04教學時數本課程的教學時數為72學時，理論教學54學時，實驗教學18學時。第一章數據挖掘概述教學要點：1 ?理解和掌握數據挖掘與機器學習的基本概念、數據挖掘過程、數據挖掘的主要任務以及數據挖掘使用的主要技術。2 .了解數據挖掘與機器學習的應用和面臨的問題。3 .對數據挖掘和機器學習能夠解決的問題和解決問題思路有清晰的認識。4?熟練應用Jupyternotebook的開發(fā)環(huán)境。教學時數：4學

3、時?？己艘c：了解數拯挖掘的左義和功能，理解數據挖掘在何種數據上進行，數據挖掘可以挖掘什么類型的模式，掌握初級的數據分析方法。第二章Python數據分析與挖掘基礎教學要點：1 ?理解和掌握Python基礎語法、內建的數據結構、Numpy數值運算基礎、Pandas統(tǒng)計分析基礎.2 .掌握Matplotlib圖表繪制基礎等數據分析和可視化方法。教學時數：6學時。考核要點：掌握Python編程基礎，數據分析與可視化方法。第三章認識數據教學要點：1 .理解和掌握數據對象和屬性類型，數據的基本統(tǒng)計描述，掌握度量數據相似性和相異性的方法。2 .了解數據可視化的方法。教學時數：3學時?？己艘c：了解數據的屬

4、性類型，理解數據的基本統(tǒng)汁描述，掌握度量數據相似性和相異性的方法。第四章數據預處理教學要點：1 .了解數據預處理的目的和意義。2 .掌握如何對數據進行清理。3 .掌握如何對不同數據源的數據進行合并。4 .掌握如何對數據進行變換，使之適合建模的需要。5 .掌握如何對數據進行消減，使得在消減后的數據集上挖掘更有效。6 .掌握利用Python進行數據預處理的方法。教學時數：4學時?？己艘c：理解數據清理、數據集成、數據規(guī)約、數據變換于數據離散化的方法，掌握數據預處理的基本方法。第五章回歸分析教學要點：1 .掌握回歸分析原理。2 .掌握一元線性回歸分析。3 .掌握多元線性回歸分析。4 .掌握邏輯回歸。

5、5 .了解其他回歸分析。教學時數：4學時?？己艘c：掌握回歸的左義的左義，各類回歸的原理及Python實現。第六章關聯規(guī)則挖掘教學要點：1. 了解關聯規(guī)則的基本思想、概念和意義。2. 了解關聯規(guī)則挖掘的應用背景：掌握常用的關聯規(guī)則算法。3. 掌握利用Python實現關聯規(guī)則分析。4. 了解其它方法的內容、了解關聯規(guī)則挖掘的研究動態(tài)。教學時數：4學時。Apriori算法和挖考核要點：了解頻繁項集、閉項集和關聯規(guī)則的概念，理解模式評估方法，掌握掘頻繁項集的模式增長方法。第七章分類教學要點：1 .了解分類及預測的基本思想、概念和意義。2 .掌握常用的分類及預測算法（或模型）。3 .了解分類及預測挖掘

6、的研究動態(tài)。4 .掌握利用Python實現各種分類算法的方法。教學時數：12學時?？己艘c：了解分類的概念，理解評估分類器性能的度量方法，掌握決策樹分類算法、SVM、貝葉斯分類算法、模型評估與選擇、組合分類及利用Python實現分類的方法。第八章聚類教學要點：1 .了解如何汁算由各種屬性和不同的類型來表示的對象之間的相異度。2 .掌握K-Means聚類、層次聚類、基于密度的聚類和英他常用方法。3 .掌握利用sklearn實現聚類的方法。教學時數：10學時?？己艘c：了解聚類的概念，掌握k-Means和k-Medoids算法、層次方法和基于密度的方法等典型算法及英Python的實現方法。第九束神

7、經網絡與深度學習教學要點：1. 了解理解神經網絡與深度學習的原理。2. 掌握感知機與BP神經網絡的原理。3. 了解深度學習基礎。4. 時數：5學時?？己艘c：了解神經網絡的概念，掌握感知機模型和BP神經網絡、了解深度學習算法。第十章離群點檢測教學要點：1 .了解離群點的概念與檢測方法。2 .掌握sklearn中的異常值檢測方法。教學時數：4學時。考核要點：了解離群點的概念、類型以及離群點檢測的常用方法，掌握sklearn中的異常值檢測方法。第十一章數據挖掘案例教學要點：1 .掌握數據挖掘與機器學習的分析與實現。2 .掌握利用Python進行綜合數據分析。教學時數：4學時。考核要點：掌握利用Py

8、thon進行數據挖掘與機器學習的實現過程。本課程使用教具和現代教育技術的指導性意見本課程教材力求內容新穎，應采用多樣化的方式進行教學，讓學生在理論與實踐相結合的基礎上，對課程所要求的實際操作能力有進一步的提高。充分利用多媒體等現代化教學手段，整體優(yōu)化教學過程和教學內容，調動學生學習積極性；布宜實際操作任務給學生上機操作并及時指導。實驗部分基本要求：實驗是數據挖掘與機器學習課程教學中不可分割的重要組成部分。實驗課程設汁的思想是幫助學生理解和掌握數據挖掘的基本概念、算法、技術和原理，熟練掌握利用Python進行數據挖掘和機器學習的使用方法，通過適當的編程提高學生的編程能力以及實踐動手能力，提高學生

9、對課程的學習興趣，加強創(chuàng)新精神與綜合素質的培養(yǎng)。實踐課程課時：18學時05教學進度計劃表名稱總時數講課實踐/實驗上機習題課程設計周學時計劃時數7254184周次課次授課內容摘要時數目的要求11第一章數據挖掘與機器學習概述一、數搦挖掘簡介二、數據分析與數據挖掘三、數據挖掘的任務四、數據挖掘的數據源2理解和掌握數據挖掘與機器學習的基本概念、數據挖掘過程、數據挖掘的主要任務以及數據挖掘使用的主要技術。2五、數據挖掘使用的主要技術六、數據挖掘的主要任務七、數據挖掘的商用工具八、利用Python進行數據挖掘2了解數據挖掘與機器學習的應用和面臨的問題。對數據挖掘和機器學習能夠解決的問題和解決問題思路仃清晰

10、的認識熟練應用Jupyternotebook的開發(fā)環(huán)境。23第二章Python數據分析基礎一、Python程序概述二、Python內建的數據結構2理解和掌握Python基礎誥法、內建的數據結構。4二、Numpy數值計算基礎2掌握Numpy數值計算方法，主要包括數組和矩陣運算。35四、Pandas統(tǒng)計分析基礎2掌握Pandas中的數據結構、數據查詢與編輯、分組匯總及繪圖。6五、Matplotlib數據可視化基礎六、Scikit-learn基礎2掌握Matplotlib數據可視化繪圖基礎，參數設置及常用繪圖。周次課次授課內容摘要時數目的要求47實驗一、數據分析與可視化實訓2利用Python進行數據

11、分析與可視化8第三章認識數據數據對象與屬性類型數據的基本統(tǒng)計描述數據可視化度量數據的相似性2理解和掌握數據對象和屬性類型，數拯的基本統(tǒng)il?描述，掌握度量數據相似性和相異性的方法：了解數據可視化的方法。591）第四章數據預處理2） 數據預處理概述，Python數據預處理方法3） 數據清理及Python數摒清洗方法2了解數據預處理的目的和意義:掌握如何對數據進行清理。10三、數據集成及利用Python進行數據合弁1）數據變換與離散化2）數據歸約2學押汕何W不同數據源的數據進行合弁：掌握如何對數據進行變換，使Z適合建模的需要：掌握如何對數據進行消減，使得在消減后的數據集上挖掘更有效：掌握利用Pyt

12、hon進行數據預處理的方法。6113）實驗二、利用Python實現數據預處理（數據合弁、數據清洗、數據變換）2掌握利用Python實現數據清洗、數據集成和數據變換的方法周次課次授課內容摘要時數目的要求12第五章回歸分析一、回歸分析概述二、一元線性回歸分析2掌握回歸分析原理：掌X兀線性回歸分析的原埋與方法。713三、多元線性回歸四、邏輯回歸五、其他回歸分析2掌握多元線性回歸分析：掌握邏輯回歸；了解其他回歸分析14實驗三、利用Python實現典型的回歸分析2掌握利用Python實現典型的回歸分析方法815第六章關聯規(guī)則挖掘一、關聯規(guī)則分析概述二、頻繁項集挖掘方法2了解頻繁項集、閉項集和關聯規(guī)則的概

13、念，理解模式評估方法，掌握Apriori算法16三、頻繁模式樹算法四、關聯規(guī)則評估方法2?訃FP挖應'訂沈；利川?：?thon實現關聯規(guī)則分析；了解其它方法的內容、了解美聯規(guī)則挖掘的研究動態(tài)。917實驗四、Python實現數拯的關聯規(guī)則分析2掌握利用Python實現數據的關聯規(guī)則分析18第七章分類一、分類概述二、決策樹規(guī)約及KPython實現2了解分類及預測的基本思想、概念和意義：掌握決策樹規(guī)約算法。1019三、K近鄰算法四、支持向量機算法及其實現2掌握KNN算法原理與實現：了解SVM算法及其實現。20五、貝葉斯分類六、模型評估與選擇2熟悉掌握貝葉斯分類算法：理解評估分類器性能的度周次

14、課次授課內容摘要時數目的要求量方法。1121七、組合分類組合方法概述；袋裝；提升和Adaboost:隨機森林2掌握組合分類的原理：掌握隨機森林框架及Python實現方法22實驗五、分類分析綜合實驗2用不同的算法實現給宦數據集的分類分析，掌握利用Python實現數據分類分析的常用方法1223第八章聚類一、聚類概述二、K-Means算法K-Means算法實現2掌握聚類分析的基本原理；熟練掌握K-Means算法的原理及其實現24三、層次聚類方法層次聚類算法及其Python實現2掌握層次聚類算法及其實現1325四、基于密度的聚類方法DBSCAN算法原埋及其實現2掌握DBSCAN算法及其實現26五、其他

15、聚類方法STING算法、C0BWENB算法及模糊聚類算法2了解STING算法、C0BWENB算法；掌握模糊聚類算法。1427六、聚類評估估計聚類趨勢確建簇數目的方法測定聚類質量2掌握聚類評估的基本方法：確怎簇數目的常用方法：聚類質量的測定。28實驗六數據的聚類分析綜合實驗2掌握數據聚類的典型算法周次課次授課內容摘要時數目的要求1529第九期中經網絡與深度學習一、神經網絡基礎神經元模型，感知機與多層網絡2理解神經網絡基本原埋；掌握感知機的原埋。30二、BP神經網絡2理解多層前饋神經網絡的原理：理解后向傳播算法；了解BP神經網絡的應用。1631二、深度學習基礎深度學習的基本原埋和常用框架2理解深度學習的基本原埋：了解深度學習常用的幾