《大数据分析方法与应用》教学大纲

1、大数据分析方法与应用课程教学大纲课程代码：090542008课程英文名称：Big Data Analysis: Methods and Applications课程总学时：40 讲课： 40 实验： 0 上机： 0适用专业：应用统计学大纲编写（修订）时间：2017.6一、大纲使用说明（一）课程的地位及教学目标本课程是应用统计学专业的一门专业课，通过本课程的学习，可以使学生学会选用适当的方法和技术分析数据，领会大数据分析方法和应用，掌握复杂数据的分析与建模，使学生能够按照实证研究的规范和数据挖掘的步骤进行大数据研发，为就业与继续深造打下必要而有用的基础。（二）知识、能力及技能方面的基本要求1.

2、基本知识：掌握数据挖掘流程、随机森林树的回归算法、基于预测强度的聚类方法、朴素贝叶斯分类、高维回归及变量选择、图模型等。2. 基本能力：要求能在真实案例中应用相应的方法。3. 基本技能：掌握复杂数据的分析与建模。（三）实施说明1. 本大纲主要依据应用统计学专业2017 版教学计划、应用统计学专业专业建设和特色发展规划和沈阳理工大学编写本科教学大纲的有关规定并根据我校实际情况进行编写的。2. 课程学时总体分配表中的章节序号在授课过程中可酌情调整顺序，课时分配仅供参考。打“ * ”号的章节可删去或选学。3. 建议本课程采用课堂讲授、讨论相结合的方法开展教学，通过讨论等方式强化重点，通过分散难点，使

3、学生循序渐进的掌握难点。4教学手段：建议采用多媒体等现代化手段开展教学。（四）对先修课的要求本课程的先修课程：应用多元统计分析。（五）对习题课、实践环节的要求通过案例讲解算法，鼓励学生演示分析思路和分析收获，使学生有机会诊断问题，并学会选用适当的方法和技术分析数据。（六）课程考核方式1 考核方式：考查2考核目标：在考核学生基础知识、基本技能，基本能力的基础上，重点考核学生的分析能力、解决实际问题能力。3成绩构成：本课程由平时成绩和结课报告的质量评定优、良、中、及格和不及格。（七）参考书目:大数据分析：方法与应用，王星编，清华大学出版社，2013.二、中文摘要大数据分析方法与应用是高等学校应用统

4、计学专业的一门选修的专业课。本课程着重介绍了统计学习、数据挖掘和模式识别等领域的各种大数据分析方法。课程主要内容包括大数据分析概述、数据挖掘流程、随机森林树、基于预测强度的聚类方法、贝叶斯分类和因果学习、高维回归及变量选择、图模型等。通过本课程的学习，使学生学会选用适当的方法和技术分析数据, 领会大数据分析方法和应用，掌握复杂数据的分析与建模，提高学生分析问题解决问题的能力。 本课程将为毕业设计奠定基础。三、课程学时分配表序号章节名称学时讲课实验上机1第1章 大数据分析概述221.1大数据概述、数据挖掘的产生与功能222第2章 数据挖掘流程662.1数据挖掘流程概述222.2离群点发现222.

5、3不平衡数据级联算法223第3章有指导的学习663.1有指导的学习概述、K-近邻223.2决策树223.3随机森林树224第4章无指导的学习664.1聚类分析224.2基于预测强度的聚类方法224.3聚类问题的变量选择225第5章贝叶斯分类和因果学习665.1贝叶斯分类、决策论与统计决策论225.2线性判别函数和二次判别函数225.3朴素贝叶斯分类、贝叶斯网络226第6章高维回归及变量选择886.1线性回归模型226.2模型选择226.3广义线性模型226.4高维回归系数压缩227第7章图模型667.1图模型基本概念和性质227.2协方差选择227.3指数族图模型、谱聚类22合计4040四、教

6、学内容及基本要求第1部分大数据分析概述总学时（单位：学时）:2讲课:2实验:0上机:0具体内容：了解大数据、了解数据挖掘的产生与功能。重点：数据挖掘的内涵和功能难点：数据挖掘与相关领域之间的关系。第 2 部分 数据挖掘流程总学时 （ 单位：学时）:6 讲课 :6 实验 :0 上机 :0具体内容：了解数据挖掘流程；掌握离群点检测。重点：局部离群点算法。难点：不平衡数据级联算法。第 3 部分 有指导的学习总学时 （ 单位：学时）:6 讲课 :6 实验 :0 上机 :0具体内容：掌握决策树相关概念；掌握随机森林树算法。重点：分类回归树、决策树的剪枝。难点：随机森林树的回归算法。第 4 部分 无指导的学习总学时 （ 单位：学时）:6 讲课 :6 实验 :0 上机 :0具体内容：掌握各类聚类分析方法，聚类问题的变量选择。重点：基于预测强度的聚类方法。难点：高斯成对罚模型聚类，各类异方差成对罚模型聚类。第 5 部分 贝叶斯分类和因果学习总学时 （ 单位：学时）:6 讲课 :6 实验 :0 上机 :0具体内容：掌握贝叶斯分类、朴素贝叶斯分类；理解统计决策论。重点：朴素贝叶斯分类。难点：线性判别函数和二次判别函数。第 6 部分 高维回归及变量选择总学时 （ 单位：学时）:8 讲课 :8 实验 :0 上机 :0具体内容：掌握线性回归模型、广义线性模型；掌握高维回归系数压缩算法。重点：广义线