《数据挖掘技术与应用》课程教学大纲（本科）.pdf

《数据挖掘技术与应用》课程教学大纲 一、课程基本情况 课程代码：1041139085 课程名称（ /英文）：数据挖掘技术与应用/ Data Mining Tecnology and Application 课程类别：专业必修课 学分：4 总学时：64 理论学时：44 实验/实践学时：20 适用专业：数据科学与大数据技术 适用对象：本科 先修课程：高等数学、线性代数、概率论与数理统计、Pyton 程序设计 教学环境：课堂、多媒体、实验机房 开课学院：曙光瑞翼教育大数据学院 二、课程简介 本课程讲解了数据挖掘的相关定义，包含数据挖掘中的各种模式的概念和实现，用于了解数据 挖掘并能根据所提供的案例完成数据挖掘的各种模式操作。讲解了基于 Pyton 实现的统计学模块 Pandas ，讲解了数据挖掘的算法应用机器学习的基本概念，然后介绍如何具体实现一个机器学习的 流程，并学习如何评判一个机器学习方案实施后的好坏。进一步讲解数据挖掘的数学基础，概率模 型、朴素贝叶斯分类、空间向量模型、KNN 等进行介绍。其次讲解监督学习和无监督学习的区分与 特点，讲解数据挖掘和机器学习在图像数据分析和自然语言处理上的应用。 三、课程教学目标 1.课程对毕业要求的支撑 毕业要求 指标点 1.1 能够运用数学、自然科学、大数据专业知识和工程基础知识对大数据应 用复杂工程问题进行表述和建模。 1.工程知识 1.2 能够选择恰当的大数据应用复杂系统模型，对模型的正确性进行推理和 求解。 3.设计/开发解决 3.4 能够综合运用大数据预处理、挖掘分析、可视化等技术手段，开发实现 方案 大数据应用系统。 2.课程教学目标及其与毕业要求指标点、教学内容的对应关系 毕业 要求 课程目标 教学内容 教学环节 指标 点 (1) 理论教学 1.掌握数据挖掘的分类分析、回 数据挖掘分类问题、概论模型、朴素贝叶斯 (2) 课堂互动 1.1 归模型算法、无监督的聚类分 分类、空间向量模型、knn 算法、多类问题 (3) 作业 析算法 的模型建立 (4) 实验 (1) 理论教学 2.掌握机器学习的基本思想，机 Pandas 入门基础，数据挖掘中的机器学习的 (2) 课堂互动 1.1 器学习的基本框架，以及使用 基本思想 (3) 作业 pandas 建立机器学习模型 (4) 实验 3.掌握机器学习模型的建立与 数据挖掘中的机器学习、机器学习的模型、 (1) 理论教学 1.2 评判标准，掌握交叉验证的方