数据挖掘算法基础教案.pdfVIP

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

适用专业：大数据技术类相关专业

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：15学时

一、材料清单

（1）《Python数据分析与挖掘实战》教材。

（2）配套PPT。

（3）引导性提问。

（4）探究性问题。

（5）拓展性问题。

二、教学目标与基本要求

1.教学目标

根据数据挖掘技术的基本任务，即分类与回归、聚类、关联规则、智能推荐、时序模式

5个方面，介绍了对应的数据挖掘建模方法及实现过程。分类与回归主要介绍线性模型、决

策树、最近邻分类、支持向量机、神经网络和集成算法；聚类主要介绍K-Means聚类、密

度聚类和层次聚类；关联规则主要介绍Apriori算法和FP-Growth算法；智能推荐主要介绍

协同过滤推荐算法和基于流行度的推荐算法；时序模式从序列的平稳性和非平稳型出发，对

平稳时间序列主要介绍AR模型、MA模型、ARMA模型，对差分平稳序列建立ARIMA模

型。

2.基本要求

（1）掌握Python中分类与回归的方法。

（2）掌握Python中聚类分析的方法。

（3）掌握Python中关联规则分析的方法。

（4）掌握Python中智能推荐的方法。

（5）掌握Python中时序模式的分析方法。

三、问题

1.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。

（1）常见的模型算法使用场景有哪些？

（2）关联规则算法有哪些？

2.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。

（1）回归模型有几种，它们各自适用于怎样的条件？

（2）聚类和分类的区别是什么？

3.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。

（1）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？

（2）聚类算法的评价指标还有哪些？

四、主要知识点、重点与难点

1.主要知识点

（1）常用的分类与回归算法。

（2）分类与回归的模型评价方法。

（3）分类与回归算法基本原理及实现过程。

（4）常用的聚类分析算法。

（5）聚类模型的评价方法。

（6）聚类分析算法简介及基本原理。

（7）聚类分析算法实现过程及评价。

（8）常用关联规则算法。

（9）Apriori算法的原理与实现过程。

（10）FP-Growth算法的原理与实现过程。

（11）常见的智能推荐算法。

（12）智能推荐模型的评价方法。

（13）协同过滤推荐算法的原理与实现过程。

（14）基于流行度的推荐算法的原理与实现过程。

（15）常见的时间序列模型。

（16）时间序列的预处理。

（17）平稳时间序列分析。

（18）非平稳时间序列分析。

2.重点

（1）分类与回归算法基本原理及实现过程。

（2）聚类分析算法简介及基本原理。

（3）聚类分析算法实现过程及评价。

（4）Apriori算法的原理与实现过程。

5

（）协同过滤推荐算法的原理与实现过程。

6

（）基于流行度