2-1 数据分析理论与方法 王超课程教学大纲.docxVIP

PAGE9

《数据分析理论与方法》教学大纲

课程英文名称

TheoryandMethodofDataAnalysis

开课院系

空管学院

课程类别

专业基础学位课

授课对象

1.学术型2.专业学位

授课方式

讲授类

课程总学时

36

课程总学分

2

开课学期

2

适用专业

交通信息工程及控制

预修课程

线性代数，概率论与数理统计

主讲教师1

王超

职称

教授

主讲教师2

岳仁田

职称

副研究员

课程简介（500字以内）：

本课程是交通运输等相关专业研究生的一门重要课程，课程主要内容包括：数据分析、数据挖掘和知识发现的基本概念；数据分析的原则、步骤和过程；常用工具及R在数据分析中的优势，R的基本函数及方法；数据预处理、数据可视化、相关分析、回归分析、预测分析、判别分析和聚类分析等数据分析的基本理论与方法。

课程教学目标与基本要求：

课程教学目标：使学生掌握数据分析的基本概念、基本原理和基本方法，特别是能在实际问题中灵活应用数据分析知识。

课程教学基本要求：

1、了解数据融合和R语言基础知识；

2、了解非线性替代的线性回归和稳健回归；了解学习向量量化；

3、了解原型聚类和模糊聚类；

4、理解数据分析的基本概念，理解数据集的概念；理解矩阵关系；理解误差类型，理解滤波方法；理解采样和量化；理解R语言相关函数；

5、理解主成分分析的原理；理解各种可视化图的原理及作用；理解多维标度分析、塞蒙映射和谱分析的原理；理解线性相关，理解卡方检验；

6、理解神经网络、RBF网络、交叉检验和特征选取；理解有限状态机，回溯模型，自回归模型；

7、理解贝叶斯分类原理，理解支持向量机、最近邻分类和决策树的原理，理解分割聚类和序列聚类；

8、掌握数据测度的分类，掌握相异度测量、相似度测量的方法；

9、掌握序列关系；掌握误差处理的方法，掌握数据转换方法；

10、掌握用R进行数据预处理；掌握基本的R绘图函数；

11、掌握典型相关分析的原理和计算步骤；掌握线性回归的原理和计算方法；掌握判别准则及线性判别分析的方法。

课程考核方式和成绩计算评定：

1．考核方式：考试（√）；考查（）

2．成绩评定：

总评成绩构成：平时考核（15）％；中期考核（0）％；期末考核（85）％

平时成绩构成：考勤考纪（30）％；作业（50）％；读书报告（0）％

实践环节（0）％；其他（20）％

课程内容及详细教学计划：

授课内容（细化到章、节、目）

教学目标

授课模式（指传统讲授、讨论、多媒体教学等）

概述：数据，数据分析

数据分析的基本概念

传统讲授结合多媒体

数据及关系：鸢尾花数据集，数据测度，矩阵表示

理解数据集的概念，掌握数据测度的分类

传统讲授结合多媒体

数据及关系：矩阵关系，相异度测量，相似度测量

理解矩阵关系，掌握相异度测量、相似度测量的方法

传统讲授结合多媒体

数据及关系：序列关系，采样和量化

掌握序列关系，理解采样和量化

传统讲授结合多媒体

数据预处理：误差类型，误差处理

理解误差类型，掌握误差处理的方法

传统讲授结合多媒体

数据预处理：滤波，数据转换，数据融合

理解几种滤波方法，掌握数据转换方法，了解数据融合

传统讲授结合多媒体

数据预处理：R语言基础，R基本函数

了解R语言，理解相关函数，掌握用R进行数据预处理

传统讲授结合多媒体

数据可视化：R绘图，散点图，直方图，饼图，箱线图，茎叶图，调和曲线图，星相图，脸谱图

掌握基本的R绘图函数，理解各种可视化图的原理及作用

传统讲授结合多媒体

数据可视化：主成分分析

理解主成分分析的原理，掌握其计算步骤，掌握princomp函数

传统讲授结合多媒体

数据可视化：多维标度分析，塞蒙映射，谱分析

理解多维标度分析、塞蒙映射和谱分析的原理

传统讲授结合讨论

相关分析：线性相关，典型相关分析，卡方检验

理解线性相关，掌握典型相关分析的原理和计算步骤，掌握cancor函数，理解卡方检验

传统讲授结合多媒体

回归分析：线性回归，非线性替代的线性回归，稳健回归

理解和掌握线性回归的原理和方法，了解非线性替代的线性回归和稳健回归

传统讲授结合多媒体

回归分析：神经网络，RBF网络，交叉检验，特征选取

理解神经网络、RBF网络、交叉检验和特征选取

传统讲授结合讨论

预测：有限状态机，回溯模型，自回归模型

理解有限状态机，回溯模型，自回归模型

传统讲授结合讨论

判别分析：判别准则，贝叶斯分类，线性判别分析

掌握判别准则，理解贝叶斯分类原理，掌握线性判别分析

传统讲授结合多媒体

判别分析：支持向量机，最近邻分类，学习向量量化，决策树

理解支持向量机、最近邻分类和决策树的原理，了解学习向量量化

传统讲授结合讨论

聚类分析：分割聚类，序列聚类，原型聚类，模糊聚类