《数据挖掘与统计应用》课程教学大纲.docx

《数据挖掘与统计应用》教学大纲

课程编号：121063A

课程类型：□通识教育必修课□通识教育选修课

□学科基础课□专业核心课

?专业提升课□专业拓展课

总学时：48讲课学时：32实验（上机）学时：16

学分：3

考试类型：?考试?考查

适用对象：经济统计学统计学数学与应用数学（金融方向）专业

□是?否适合作为其他专业学生的个性化选修课

先修课程：统计学、计算机基础

一、教学目标

该课程是针对统计学院所有专业本科学生开设的，其特点是不以数学理论和推导为主，而是在学生了解数据挖掘的基本概念和基本理论的基础上，介绍典型数据挖掘方法的基本思路和算法，教会学生能够利用数据挖掘软件分析实际数据。本课程主要以国际通用权威数据挖掘软件为主要教学工具，以实际工作中的数据进行实训教学。达到的教学目标是：增强学生实际动手解决问题的能力，学会利用数据挖掘软件处理实际数据。

目标1：应用专业知识，解决数据分析问题

目标2：可以建立统计模型，获得有效结论

目标3：掌握统计软件及常用数据库工具的使用

目标4：关注国际统计应用的新进展

目标5：基于数据结论，提出决策咨询建议

目标6：具有不断学习的意识

目标7：培育有坚定理想信念、深厚爱国主义情怀、高尚道德情操，具有扎实统计专业学识，坚韧奋斗进取品格的社会主义新青年。

二、教学内容及其与毕业要求的对应关系

本课程重点讲授常用数据挖掘算法，包含联机数据分析与数据仓库、数据预处理、探索性数据分析、变量选择以及关联、聚类、分类、异常值侦测、时序等经典数据挖掘算法。其理论部分只介绍这些方法的基本思路与算法，授课的重点在于每一种挖掘算法，包括：每种算法的基本思路、应用前提、算法评判标准、软件的实现及输出结果的理解和解释，并能给出结论；介绍数据挖掘软件的应用，主要以一种数据挖掘软件并结合实际数据进行分析。以多媒体的课件讲授为主，同时上机，上机完成每种方法的练习。采用课堂练习和课后作业方式对学生掌握知识情况进行考核，建议采用开卷或论文方式进行课程考核，本课程平时成绩占30%，期末考试成绩占30%。

三、各教学环节学时分配

以表格方式表现各章节的学时分配，表格如下：

教学课时分配

序号

章节内容

讲课

实验

其他

合计

1

数据探索与预处理

4

2

?

6

2

模型结果评估

6

1

?

7

3

决策树

4

1

?

5

4

关联规则

6

1

?

7

5

聚类分析

3

1

?

4

6

Logistic回归

3

1

?

4

7

神经网络

4

1

?

5

8

数据挖掘软件介绍（SASEM）

6

4

?

10

合计

36

12

0

48

四、教学内容

第1章 数据探索与预处理

1.1 数据范围和分布标准化（了解）

1.2 数据可视化（了解）

1.3 缺失值插补（理解与掌握）

1.4 属性变量的处理（掌握）

1.5 变量的筛选（掌握）

课程思政切入点：通过探索数据，培养学生的探索精神。

第2章 模型结果评估

2.1 概述（了解）

2.2 分类规则评估面面观（理解）

2.3 误分率（掌握）

2.4 收益矩阵（掌握）

2.5 评估两分类的规则（掌握和应用）

2.6 评估多分类的规则（掌握和应用）

2.7 常用模型评估和比较准则（应用）

课程思政切入点：通过对错误分类细分中的两类错误分析，培养学生平衡对立矛盾的思想。

第3章 决策树

3.1 树的建模过程（理解）

3.2 树的常用算法（掌握）

3.3 树在数据挖掘中的应用（应用）

3.4 决策树案例分析（应用）

课程思政切入点：通过决策树的讲解，可以使学生进一步了解人类大脑进行决策的步骤。

第4章 关联规则

4.1 概述（了解）

4.2 市场购物篮分析（理解）

4.3 使用关联规则节点（了解）

4.4 理解关联规则（理解）

4.5 非二元变量的关联分析（掌握）

4.6 负关联分析 （掌握）

4.7 序列关联分析（理解）

4.8 关联规则案例分析（应用）

课程思政切入点：通过关联规则的学习，培养学生用联系的观点看待各种问题。

第5章 聚类分析

5.1 背景（了解）

5.2 距离度量（理解）

5.3 聚类方法（掌握）

5.4 变量聚类（理解）

5.5 实践中的考虑（了解）

5.6 聚类案例分析（应用）

课程思政切入点：通过聚类分析中差异度的讲解，培养学生对事物间差异进行度量的能力。

第6章 Logistic回归

6.1 传统Logistic回归简介（了解）

6.2 数据挖掘中Logit判别的其他考虑（了解）

6.3 logistic回归案例分析（掌握与应用）

课程思政切入点：通过对Logistic回归中风险最小化的分析，培养学生在实际工作学习和生活中管控风险的能力。

第7章 神经网络

7.1