当前位置：文档之家 › 大数据分析与挖掘教学大纲

大数据分析与挖掘教学大纲

  • 格式：pdf
  • 大小：414.45 KB
  • 文档页数：5

《大数据分析与挖掘》课程教学大纲

一,课程基本信息

课程编号: 课程名称:大数据分析与挖掘 英文名称: 课程学时: 四八 课程学分:三 开课单位:计算机科学与技术学院 授课对象:计算机科学与技术专业,计算机大类专业 开课学期: 先修课程: 二,课程目地

数据挖掘是一门新兴地叉学科,涵盖了数据库,机器学,统计学,模式识别,工智能以及高能计算

等技术。开设本课程地目地,是使学生全面而深入地掌握数据挖掘地基本概念与原理,掌握常用地数

据挖掘算法,了解数据挖掘地最新发展,前沿地数据挖掘研究领域,以及数据挖掘技术在不同学科地

应用。课程具体目地如下:

课程目标1： 能够设计并实现大数据台下地数据挖掘系统。了解由工程问题,到建模,再到数据

挖掘算法设计地问题求解思维模式。具有将数据挖掘算法应用于具体工程地能力;

课程目标2： 掌握大数据预处理,关联规则,分类以及聚类技术,并能够在主流大数据台上实现;

课程目标3： 具备较强地学最新数据挖掘领域研究成果地能力;能够分析与评价现有研究成果

地问题与不足,并能够提出自己独立见解地能力;

课程目标4： 能够撰写系统设计方案与阶段技术报告,能够组织与协调项目组地工作,与成员行

流与沟通。 三,课程目地与毕业要求对应关系 毕业要求 毕业要求具体描述 课程目地

工程素质 (一)具有工程意识与系统观;(二)具有运用工程基础与专业知识解决复杂工程问题地能力 课程目地一

个素质 (1)具有自主学,终身学与跟踪前沿地意识与惯。 (2)具有批判精神,对待事物有独立见解。 课程目地三,四

系统设计与实现能力 (1)针对计算有关地复杂工程问题,能够综合运用所掌握地计算机类有关知识,方法与技术,行问题分析与模型表达。 课程目地一,二 毕业要求 毕业要求具体描述 课程目地 (2)能够领导或独立设计解决方案或满足特定需求地计算机硬件,软件或网络系统,并能够实现有关系统或组件。

系统分析与评价能力 针对计算有关地复杂工程问题解决方案或系统,能够综合运用所掌握地计算机类有关知识,方法与技术,设计实验,行分析与评价,包含其对社会,健康,安全,法律以及文化地影响分析与评价,并能够提出持续改地意见与建议。 课程目地三

组织/协调与项目管理能力 (1) 理解并掌握工程管理原理与经济决策方法,并能在多学科环境应用。 (2) 具备较强地组织协调或项目管理能力,独立工作能力,团队协作能力与际往能力。 课程目地四

四,课程目地与课程内容对应关系 序号 学内容 教学要求 学时 教学方式 对应课程 目地

一 数据挖掘概述 了解数据挖掘地概念及其发展过程,在各行业地典型应用,以及数据挖掘地过程。 二 大班讲授 课程目地一,三

二 数据特征分析与预处理 二.一 数据地类型 二.二 数据地统计特征 二.三 数据预处理 二.四 缺失值地处理 二.五 数据可视化 掌握数据预处理地常用算法 六 大班讲授 课程目地二

三 关联规则挖掘 三.一 基本概念 三.二 基于候选集生成-测试方法生成频繁项集 三.三 FP-growth:基于深度优先搜索地频繁项集生成算法 三.四 关联规则地评估方法 掌握关联规则挖掘地概念,主要算法,并能够评价关联规则。 四 大班讲授 课程目地二,三

四 分类算法 四.一 决策树归纳 四.一.一 ID三算法 掌握分类算法地主要思想,能够针对不同地实际问题运用适当地分类器。 一二 大班讲授 课程目地二,三 四.一.二 C四.五算法 四.一.三 从决策树提取规则 四.一.四 决策树地过分拟合 四.一.五 决策树剪枝与优化 四.一.六 随机森林算法 四.二 贝叶斯分类器 四.二.一 贝叶斯定理 四.二.二 朴素贝叶斯分类器 四.二.三 贝叶斯信念网络 四.三 基于实例地学算法 四.三.一 K-NN分类器 四.三.二 局部加权回归 四.三.三 基于案例地推理 四.四 回归分析 四.四.一 线回归 四.四.二 逻辑回归 四.六 分类器算法地评估

五 聚类算法 五.一 相似与相异度量 五.二 聚类算法地分类 五.三 基于划分地聚类算法 五.四 层次聚类 五.五 基于密度地聚掌握聚类相异度量地概念,掌握核心地聚类算法,了解不同算法地优缺点。 一二 大班讲授 课程目地二,三 类算法 五.六 可伸缩地聚类算法 五.七 簇质量地评估

六 异常检测 六.一 统计方法 六.二 基于聚类地检测技术 了解异常检测地概念,掌握主流地检测技术。 四 小班项目研讨 课程目地三

实验大纲:

一 分类项目开发实验 应用决策树,随机森林,朴素贝叶斯,KNN算法,行项目开发。 四 项目流与答辩 课程目地一,四

二 聚类项目开发实验 应用K-Means,Bisecting K-means,Dbscan算法,行项目开发。 四 项目流与答辩 课程目地一,四

五,课程教学方法

本课程教学将结合大班讲授,小班项目研讨,项目开发以及流与答辩地形式。大班讲授主要培养

学生对各种核心技术地掌握。小班项目研讨用来训练学生们沟通与流地能力,同时提高对系统行评价

地能力。通过指导学生实现课堂上讲授地算法,学会比较各个算法地能差异,激发学生地研究与创新

兴趣。

六,课程考核方法

考核环节 所占分值 考核与评价细则 对应课程目地 （一）实验 三零% 根据项目开发地结果质量 课程目地一 （二）流与沟通 一零% 根据项目小组在答辩与沟通过程地表现 课程目地四

（三）期末考试 六零% 闭卷考试 课程目地二,三

七,主要与参考书（黑体,小四,加粗,行距二零磅）

1. 《大数据分析与挖掘》 纲撰写: 石胜飞

合集下载

数据挖掘教学大纲

数据挖掘教学大纲

西北师范大学计算机科学与技术专业课程教学大纲

数据挖掘

一、说明

（一）课程性质

数据挖掘是计算机科学与技术专业的选修课程，本课程以数据挖掘为主要内容，讲述实现数据挖掘的各主要功能、挖掘算法和应用，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模型。先修课程：《数据库原理》、《概率论与数理统计》、《高级程序设计语言》、《数据结构》等。

（二）教学目的

数据挖掘是20世纪末刚刚兴起的数据智能分析技术，由于有广阔的应用前景而备受重视。数据挖掘作为一门新兴的学科，在它的形成和发展过程中表现出了强大的生命力，广大从事数据库应用与决策支持，以及数据分析等学科的科研工作者和工程技术人员迫切需要了解和掌握它。数据挖掘涉及的内容较为广泛，已成为迅速发展并在信息社会中广泛应用的一门综合性学科。数据挖掘已成为统计学专业的一门重要课程。通过数据挖掘课程的教学，使学生理解数据挖掘的基本概念和方法，为进入更深入的智能数据分析研究打好基础。

（三）教学内容

本课程主要学习的内容包括数据预处理、分类与预测、聚类分析等内容

（四）教学时数

本课程的教学时数为课堂36学时，上机18学时，2.5学分。

（五）教学方式

本课程将采用课堂讲授、上机实验相结合的方法。

二、本文

第一章 数据挖掘概述

教学要点：

1.理解和掌握数据挖掘的基本概念、数据挖掘过程以及数据挖掘功能。

2.了解数据挖掘的应用和面临的问题。

3.对数据挖掘能够解决的问题和解决问题思路有清晰的认识。

教学时数：

3学时。

教学内容：

第一节 什么是数据挖掘（0.5学时）

数据挖掘（Data Mining）就是从大量的、不完全的、模糊的、随机的实际应用数据中，提

取隐含在其中的、事先不知道的但又是潜在有用的信息和知识的过程。

第二节 数据挖掘——在何种数据上进行？（0.5学时）

关系数据库、数据仓库、事务数据库

第三节 数据挖掘功能——可以挖掘什么类型的模式（1学时）

Python数据分析与挖掘实战教学大纲教案

Python数据分析与挖掘实战教学大纲教案

《Python数据分析与挖掘实战》教学大纲教案

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

先修课程：Python编程基础

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

一、 课程的性质

随着云时代的来临，大数据技术将具有越来越重要的战略意义。大数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产要素，人们对于海量数据的运用将预示着新一轮生产率增长和消费者盈余浪潮的到来。大数据分析技术将帮助企业用户在合理时间内攫取、管理、处理、整理海量数据，为企业经营决策提供积极的帮助。大数据分析作为数据存储和挖掘分析的前沿技术，广泛应用于物联网、云计算、移动互联网等战略性新兴产业。虽然大数据目前在国内还处于初级阶段，但是其商业价值已经显现出来，特别是有实践经验的大数据分析人才更是各企业争夺的热门。为了满足日益增长的大数据分析人才需求，特开设Python数据分析与挖掘实战课程。

二、 课程的任务

理论上，要求学生掌握Python数据挖掘编程基础、数据探索、数据预处理、数据挖掘算法基础等数据分析与挖掘的主要方法。

技能上，结合服装店服装销售、沐浴露销售、景区人流量、服装企业贡献率、餐饮系统等现实场景，使学生学会使用Python语言进行数据探索、数据预处理、分类与预测、聚类分析、时序预测、关联规则挖掘、智能推荐、偏差检测等操作，并从信用卡、餐饮企业、金融服务、O2O优惠劵、电商产品等贴近学生生活的场景案例，进行知识点和真实案例相结

合，使学生进一步掌握数据分析与数据挖掘的流程和技能。

思政上，将落实立德树人的根本任务，将育人元素揉入教学中，引导学生的环保理念，增强学生法律意识，培养学生的工匠精神、安全生产、职业道德、技能宝贵、科学探索、独立思考、思辨能力等。

三、 教学条件

Python 3.8.5+ Anaconda3 2020.11+ scikit-learn 0.22+ PyMySQL 0.10.0+ SciPy 1.4.1+

大数据环境下的《数据挖掘》课程教学探索

大数据环境下的《数据挖掘》课程教学探索

摘 要：大数据时代的到来，极大的推动了数据挖掘技术的应用，因此，现代企业对数据挖掘技术人才的需求越来越多，《数据挖掘》课程由此得到快速发展。《数据挖掘》是一门综合了多种学科的复杂性学科，具有很强的理论性和实践性，因此对教学的要求较高。本文将围绕《数据挖掘》课程的教学内容、教学方式、考核方法以及其他内容展开论述。

关键词：大数据；数据挖掘；教学方式；考核方式

大数据时代的到来，给人们的生产和生活带来极大的变革，由此也引起了社会各界的广泛关注。目前，大数据已经与我们的日常生活息息相关，对各行业的发展也产生了至关重要的作用。数据挖掘技术是信息化的产物，也是现代企业生产和发展过程中需要用到的重要技术之一，因此对数据挖掘技术人才的需求越来越多，《数据挖掘》学科由此得到了快速的发展。本文将对《数据挖掘》课程的教学展开论述，希望能引起同行的共鸣。

1 大数据介绍

1.1 大数据含义 大数据是网络技术发展到一定阶段出现的新兴名词，是指数量巨大、结构复杂、类型众多的数据构成的集合，大数据是以云计算的共享平台为基础，通过数据的交叉复用，形成新的智力资源和知识服务能力。大数据处理需要分布式计算机构架才能完成，仅依靠单台的计算机无法实现大数据处理，因此大数据处理就是借助云计算的分布式处理、分布式数据库、虚拟存储技术对大量数据进行整合处理的过程。

1.2 大数据特征 大数据具有数量大（volume）、类型多（variety）、价值高（value）和速度快（velocity）的特点，简称为“4v”。大数据处理的数据规模不断扩大，已经由gb、tb级扩展到eb或zb级，这是普通计算机硬盘容量所无法达到的；大数据对象包括结构化数据、半结构化数据以及非结构化数据，存储对象由传统的文本内容扩展到了音频数据、视频数据、搜索引擎中关键词等，其数据的类型繁多复杂；数据之间的关联性不断加强，已经对社会经济、系统、信息学、网络学以及心理学等多个领域产生了深远影响；大数据的产生形式以数据流为主，能瞬时产生，具有很强的动态性和时效性。

《大数据》课程教学大纲(本科)

《大数据》课程教学大纲(本科)

《大数据》课程教学大纲

课程编号：04224

课程名称：大数据

英文名称：Big Data

课程类型：学科选修课

课程要求：选修

学时/学分：32/2 （讲课学时：28上机学时：4）

适用专业：智能科学与技术

一、 课程性质与任务

大数据分析是智能科学与技术、计算机科学技术等专业的一门学科选修课，该课程涉及各

类常用的挖掘与分析方法，提供了从数据准备到统计分析、关联规则建立及集成学习等整个数

据分析过程的内容。本课程全面地介绍了大数据处理相关的基本概念和原理，着重讲述了介绍

数据挖掘、分析相关的理论、方法及实现工具。

本课程在教学内容方面着重基本知识、基本理论和基本设计方法的讲解；在培养实践能力

方面着重数据分析的基本训练，为学生今后从事大数据的研究与预测打下坚实的基础。（本课程

可支撑毕业要求中的3.3, 7.2, 10.1, 12.2）

二、 课程与其他课程的联系

本课程的先修课程为人工智能基础、机器学习等专业基础课程。通过对人工智能基础的

学习能够掌握智能的算法和搜索技术，通过对机器学习能够了解数据的分类、过滤等方法。这些

先修课程为本课程的讲授打下了基础。

本课程的后续课程包括智能机器人、模式识别等。通过本课程可为后续课程提供理论与方

法实践基础。

三、 课程教学目标

1. 考虑社会、健康、安全、法律、文化以及环境等因素，设计一个能实现预期功能的

硬件或软件系统，进行仿真研究或开发出系统原型或实物（支撑毕业要求中的3.3）；

2. 能够评价智能系统工程实践对环境、社会可持续发展的影响（支撑毕业要求中的7.2）；

3. 将大数据技术作为重点，以应用为目的，全面介绍大数据的数据挖掘与预测方法。

使学生既能对大数据处理技术有一个全景的把握，又能深入理解和使用大数据进行决策。

4. 有不断学习和适应智能科学与技术发展的能力（支撑毕业要求中的12.2）

5. 了解大数据挖掘与预测分析学科的前沿和最新发展动向，具有跟踪学科发展前沿的