数据挖掘与机器学习教学大纲教案.doc

《数据挖掘与机器学习》教学大纲教案 一、课程性质、目的、任务： 本课程以数据挖掘和机器学习为主要内容，讲述实现数据挖掘的主要功能、数据挖掘、机器学习算法和应用，并通过对实际数据的分析更加深入地理解常用的数据挖掘与机器学习模型。本书不仅可以帮助读者了解现实生活中数据挖掘的应用场景，还可以帮助读者掌握处理具体问题的算法，培养学生数据分析和处理的能力。 本课程的主要目的是培养学生的数据挖掘与机器学习的理论分析与应用实践的综合能力。通过本课程的教学，使学生掌握数据挖掘和机器学习的一般原理和处理方法，能使用机器学习理论解决数据挖掘相关的问题。 本书面向高等院校计算机类、软件工程以及信息管理类专业教学需要，也可作为从事大数据开发和信息管理的相关人员培训教材。 二、课程主要教学内容： 本书系统地阐述了数据挖掘产生的背景、技术、多种相关方法及具体应用，主要内容包括数据挖掘概述，数据采集、集成与预处理技术，多维数据分析与组织，预测模型研究与应用，关联规则模型及应用，聚类分析方法与应用，粗糙集方法与应用，遗传算法与应用，基于模糊理论的模型与应用，灰色系统理论与方法，基于数据挖掘的知识推理。 三、课程的教学环节要求： 教学环节包括：课堂讲授、案例分析课、讨论课、课后作业。通过本课程各个教学环节的教学，使学生掌握数据挖掘的基本方法，培养学生的自学能力、动手能力、分析问题和解决问题的能力。通过本课程的学习，要求学生达到以下要求。 了解数据挖掘技术的整体概貌。 了解数据挖掘技术的主要应用领域及当前的研究热点问题和发展方向。 掌握最基本的概念、算法原理和技术方法。 本课程课外学习与修学指导： 由于该课程涉及的技术都是目前比较热门的技术，内容复杂，难度较大，且具有很强的理论性和实践性，所以要学好本课程，必须做到理论与实践紧密结合，才能达到较好的学习效果。要求学生多参阅相关书籍和资料，多上机实验，掌握数据挖掘的基本功能、主要算法及其实现过程。 五、学时数分配表： 序号 授课内容 学时 1 数据挖掘概述 6 2 Pandas数据分析 2 3 机器学习 5 4 分类算法与应用 6 5 回归算法与应用 4 6 无监督学习 5 7 关联规则和协同过滤 3 8 图像数据分析 3 9 自然语言处理与NLTK 3 合计 37 第一章 数据挖掘概述 教学要点： 理解和掌握数据挖掘与机器学习的基本概念、功能与应用领域，使读者掌握数据挖掘的基本理念、流程和方法。 了解数据分析技术的发展历史和未来趋势，了解数据挖掘与机器学习的应用领域和面临的问题。 3. 对数据挖掘和机器学习能解决的问题和解决问题思路有清晰的认识。 教学时数： 6学时。 考核要点： 了解数据挖掘的定义和功能，理解数据挖掘在何种数据上进行，数据挖掘可以挖掘什么类型的模式，掌握初级的数据分析方法。 Pandas数据分析 教学要点： 理解Pandas模块的语法结构，并通过对自行车行驶数据与服务热线数据的分析，使读者掌握通过Pandas模块对数据进行统计分析的方法。 教学时数： 2学时。 考核要点： 掌握Python编程基础，理解Pandas的数据结构，熟悉Pandas统计分析常用的函数，掌握使用Pandas进行数据分析的基本方法。 机器学习 教学要点： 理解机器学习的基本概念，介绍机器学习的框架、机器学习的模型、机器学习的评判。 理解Sklearn模块的语法结构，使读者掌握搭建机器学习流水线的方法。 支持向量机概述和特点，过拟合问题。 教学时数： 5学时。 考核要点： 理解并掌握机器学习的基本框架，以及Sklearn模块的语法结构，熟练掌握搭建机器学习流水线的方法。 分类算法与应用 教学要点： 学习数据挖掘分类问题以及分类问题的基本流程。 理解概率模型的原理及应用场景。 理解朴素贝叶斯分类的原理及应用场景。 理解空间向量模型的原理及应用场景。 理解KNN算法的原理及应用场景。 多类问题的原理及应用场景。 教学时数： 6学时。 考核要点： 掌握分类和预测的基本概念和问题，掌握决策树分类的方法，理解基于规则分类的方法，了解贝叶斯分类和后向传播分类方法，掌握预测的方法。理解并应用分类算法，使读者掌握通过Sklearn模块搭建一个分类器并实现分类功能的方法。 第五章 回归算法与应用 教学要点： 掌握回归分析原理的基本概念。 掌握一元线性回归分析。 掌握多元线性回归分析。 掌握逻辑回归。 了解其他回归分析。 介绍线性回归、岭回归和LASSO以及逻辑回归模型的实验实现。 教学时数： 4学时。 考核要点： 理解回归算法与应用的基本原理，使读者掌握通过Sklearn模块搭建一个回归模型并实现回归功能的方法。 第六章 无监督学习 教学要点： 理解并掌握无监督学习的基本概念。 阐释聚类分析的基本概念与原理和降维的基本概念与原理，