《数据挖掘技术及应用》大数据 课程教学大纲.docx

PAGE

PAGE12

《数据挖掘技术及应用》课程教学大纲

一、课程简介

课程中文名

数据挖掘技术及应用

课程英文名

TechnologyandApplicationofDataMining

双语授课

□是?否

课程代码课程学分

4

总学时数

64（含实践32）

课程类别

□通识教育课程

□公共基础课程

?专业教育课程

□综合实践课程

□教师教育课程

课程性质

?必修

□选修

□其他

课程形态

□线上

?线下

□线上线下混合式

□社会实践

□虚拟仿真实验教学

考核方式

?闭卷□开卷□课程论文□课程作品□汇报展示□报告

?课堂表现?阶段性测试?平时作业?其他（可多选）

开课学院

大数据与智能工程学院

开课

系(教研室)

数据科学与大数据系

面向专业

数据科学与大数据专业

开课学期

第5学期

先修课程

数据结构与算法、Python程序设计

后续课程

海量数据挖掘分析与可视化综合实训

选用教材

1.吴建生,许桂秋.数据挖掘与机器学习[M],北京:人民邮电出版社,2022.

参考书目

1.盛胜利,林海,李金洪.Python数据挖掘与机器学习实践[M],北京:机械工业出版社,2019.

2.JiaweiHan,MichelineKamber,JianPei.数据挖掘概念与技术[M],北京:机器工业出版社,2012.

课程资源

/paths/ijeknthr

课程简介

数据挖掘技术与应用是数据科学与大数据专业核心课程，主要介绍数据挖掘基本概念、数据统计分析方法，机器学习框架、分类、回归、聚类、降维、关联规则和协同过滤、离群检测等分析方法。本课程是《数据结构与算法》课程的延伸，在学生数据处理及数据分析能力培养中处于较为重要地位。通过该门课程的学习，不但可以验证、巩固理论知识，加深对数据挖掘算法的理解，而且可以提高学生分析问题、解决实际问题的能力，培养实事求是的科学态度和创新精神，为后续课程的学习和将来就业、科研工作打下基础。

二、课程目标

表2-1课程目标

序号

具体课程目标

课程目标1

能够陈述常用数据挖掘算法的原理，习得数据挖掘算法构建方法，阐明机器学习过程模型，能根据实际应用领域数据特征，描述数据预处理、数据分析和数据可视化方法，能描述数据挖掘领域的必威体育精装版技术和发展趋势。

课程目标2

具备运用数据挖掘知识、人工智能技术、数据可视化方法及相关分析工具，对计算机复杂工程问题进行研究、分析和解释的能力，具备对分析结果进行归纳和总结能力，逐步形成科学的学习观和方法论。

课程目标3

紧跟数据挖掘领域的前沿技术，掌握必威体育精装版工具的使用方法，逐步养成严谨的科学态度、积极向上的价值观和终身学习的精神，为未来的学习、工作和生活奠定基础。

表2-2课程目标与毕业要求对应关系

毕业要求

指标点

课程目标

1.工程知识：能够将数学、自然科学、工程基础、数据科学与大数据技术专业知识用于解决大数据应用领域的复杂工程问题。【H】

1.2能够运用数学、工程基础和专业知识的基本原理和方法，对大数据应用领域相关工程问题进行建模和求解。

课程目标1

4.研究：能够基于数据科学与大数据技术的相应原理，采用科学方法对大数据应用领域中的复杂工程问题进行研究，制定技术路线、设计实验方案并开展实验，通过实验分析得到合理有效的结论。【M】

4.3根据数据科学与大数据技术原理，对比分析解决方案，通过实验仿真或系统实现等多种科学方法说明其有效性和合理性，通过信息综合得到合理有效的结论。

课程目标2

5.使用现代工具：能够针对大数据应用领域的复杂工程问题，选择和使用恰当的技术、资源和现代工程工具，进行信息表达、建模、设计、模拟、验证，并能够在实践中了解这些工具使用的局限性。【L】

5.3能够应用现代化工具对大数据应用领域相关工程问题进行分析、设计、模拟和预测，并对结果进行合理评价。

课程目标3

三、课程学习内容与方法

（一）理论学习内容及要求

表3-1课程目标、学习内容和教学方法对应关系

序号

课程模块

学习内容

学习任务

课程目标

学习重点难点

教学方法

学时

1

数据挖掘概述

1.什么是数据挖掘

1.了解数据挖掘的相关概念

2.理解监督学习与无监督学习的区别

3.查阅相关文献，整理目前数据挖掘的必威体育精装版的技术

1

重点：

1.学生对数据挖掘概念有初步的认识

2.学生对数据挖掘模式有初步的认识

难点：

3.学生对数据挖掘方法有初步掌握

1.讲授法：引导学生掌握数据挖掘的概念。

2.专题研讨：促进学生理解不同数据挖掘方法特点。

2

2.数据挖掘的数据类型

1

3.数据挖掘模式

1/2

4.数据挖掘方法

1/2

2

Pandas数据分析

1.统计学与数据挖掘

1.