数据挖掘与机器学习课程教案

1、数据挖掘与机器学习课程教案（首页）课程/项目名称数据挖掘与机器学习课程总学时：72学时理论：54学时实验：18学时学分3课程课程类别：专业必修专业必修口公共必修口公共选修授课教师*授课专业大数据技术与应用授课班级教学目的和要求本课程的主要目的是培养学生的数据挖掘与机器学习的理论分析与应用实践的综合能力。通过本课程的教学，使学生掌握数据挖掘和机器学习的一般原理和处理方法，能使用机器学习理论解决数据挖掘相关的问题。教学重点、难点教学重点：Python数据分析与可视化基础认识数据数据预处理回归分析关联规则挖掘分类与预测聚类分析神经网络与机器学习基础离群点检测以及Python数据挖掘案例分析等教学难点

2、：掌握数据挖掘基本过程、处理步骤和方法；掌握回归分析、分类、聚类等机器学习算法；熟练关联规则挖掘方法；掌握数据分析与数据挖掘的基本方法。教学资源多媒体课件习题答案微课视频其他教学资源：«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社教学环境多媒体教学，课堂教学与学生上机实践相结合案例实现数据挖掘与机器学习课程教案第1次课2学时授课内容数据挖掘概论1教学目的与要求通过本课的学习，学生应该掌握如下知识：1） 数据挖掘的概念与基本内容2） 数据分析与数据挖掘的联系与区别3） 数据挖掘的主要任务4） ）数据挖掘的主要数据源重点难点1）数据挖掘的概念与主要任务教学进程安排教学导入：

3、介绍数据挖掘与机器学习的重要性，举例说明数据挖掘典型案例，逐步引入到课程的介绍内容中来。授课内容：一、数据挖掘与机器学习课程介绍介绍本门课程的学科地位、考核方式、学习内容安排、可以参考的学习资料。二、讲授数据挖掘的定义、原理与发展1）讲授数据分析的含义和内容2）讲授数据挖掘与数据分析的联系与区别3）讲授数据挖掘的主要任务4）讲授数据挖掘主要的数据源课后学习任务，巾J=L查阅数据挖掘用途的相关资料与案例主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第2次课2学时授课内容数据挖掘基础2教学目的与要求介绍数据挖掘的主要技术。通过本课的学习，学生应该掌握如下知识：

4、1) 数据挖掘的主要任务和工具；2) 利用Python进行数据挖掘基础3) JupyterNotebook介绍重点难点数据挖掘的主要任务和利用Python进行数据挖掘的原因教学进程安排授课内容：一、数据挖掘的主要技术二、数据挖掘的主要任务三、数据挖掘的商用工具四、利用Python进行数据挖掘课后学习任务，巾J=L安装Anaconda,熟悉基本开发环境主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第3次课2学时授课内容Python数据分析基础教学目的与要求介绍Python编程基础。通过本课的学习，学生应该掌握如下知识：1） Pytho

5、n程序设计语百的特点2） Python内建的数据结构重点难点1）Python内建的数据结构教学进程安排授课内容：一、Python程序设计概述1）Python语百的特点2）基本语法3）流程控制4）函数二、Python内建的数据结构1）列表及其操作2）元组及其操作3）字典及其操作4）集合及其操作课后学习任务，巾J=L掌握函数内建的数据结构，进行例题练习主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第4次课2学时授课内容Numpy数值计算基础教学目的与要求Numpy数值计算基础通过本课的学习，学生应该掌握如下知识：1）数组对象的创建2）数

6、组运算3）数组的切片访问重点难点1）数组的运算2）数组的切片访问教学进程安排实验内容1）数组的常用创建方法2）随机数生成3）数组变换4）数组的索引与切片访问5）数组的运算6）数据统计与分析课后学习任务，巾J=L熟悉Numpy数组运算基础，代码示例学习主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第5次课2学时授课内容Pandas数据分析基础教学目的与要求介绍pandas数据分析的基本方法，掌握pandas中的数据结构，数据查询与编辑，汇总基于常用文件的导入重点难点1）数据导入2）数据查询与编辑3）数据汇总与简单绘图教学进程安排授课内容：一、Pandas中的

7、主要数据结构二、索引对象与常用属性三、DataFrame的数据查询与编辑四、数据运算五、函数应用与映射六、汇总与统计七、数据分组与聚合八、数据文件的导入课后学习任务，巾J=L示例练习，熟练掌握Pandas的数据分析方法主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第6次课2学时授课内容NumPy数值计算基础(二)教学目的与要求1) 掌握Matplotlib数据可视化基础2) 了解Scikit-learn基础通过本课的学习，学生应该掌握如下知识：3) 掌握Matplotlib参数设置方法4) 掌握Matplotlib常用类型的绘图方法

8、5) 了解Scikit-learn基本内容重点难点1)熟练Matplotlib常用类型的绘图方法教学进程安排授课内容：一、Matplotlib图表绘制基础1) Matplotlib简介2) Matplotlib绘图基础3) Pyplot动态参数设置4) 文本注解5) 常用绘图方法二、Scikit-learn基础1) Scikit-learn简介2) Scikit-learn中的数据集3) Scikit-learn主要功能课后学习任务，巾J=L示例练习主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第7次课2学时授课内容上机实验（一）教

9、学目的与要求通过本课的学习，学生应该掌握如下知识：1）熟悉拿握Python编程基础2）熟悉掌握利用Python进行数据分析与可视化的方法重点难点1）Python数据分析与可视化教学进程安排实验内容1）数据导入2）数据的探索性分析3）数据可视化分析指定数据集1）学生成绩数据分析2）药店销售数据课后学习任务，巾J=L熟悉Python数据分析与可视化方法、案例实现主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第8次课2学时授课内容Pandas统计分析基础（一）教学目的与要求认识数据。要求学生应该熟练掌握如下知识的运用：1）掌握数据的属性及

10、属性类型2）掌握数据的基本统计描述3）掌握数据可视化方法4）掌握数据对象的相似性度量方法重点难点1）数据对象的属性及其分类2）数据的基本统计描述和数据对象的相似性度量教学进程安排授课内容：认识数据一、属性及其类型1 ）属性2 ）数据属性类型二、数据的基本统计描述1） 中心趋势度量2） 数据散布度量三、数据可视化方法四、数据对象的相似性度量1） 不同类型属性的相似性度量方法2） 距离度量的Python实现课后学习任务，巾J=L示例练习，数据对象相似性度量代码实现主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社数据挖掘与机器学习课程教案第9次课2学时授课内容数据预

11、处理1教学目的与要求介绍数据预处理的必要性，数据预处理的主要方法。要求学生应该熟练掌握如下知识的运用：1）数据预处理方法概述2）掌握数据清洗的方法3）掌握利用python进行数据清洗的方法重点难点1）数据清洗内容2）利用Python进行数据清洗教学进程安排授课内容：一、数据预处理的必要性1） 数据中一般存在的问题2） 数据质量要求二、数据清洗1） 数据清洗的内容及其方法2） 利用Pandas进行数据清洗课后学习任务，巾J=LPandas数据结构及其操作、熟悉教材习题主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社10数据挖掘与机器学习课程教案第10次课2学时授课内容数据预处理2教学目

12、的与要求数据预处理2通过本课的学习，学生应该掌握如下知识：1）数据集成中的关键问题2）熟悉掌握数据标准化方法3）数据归约重点难点1）数据集成过程中的关键问题2）数据变换和收据归约方法教学进程安排讲授内容一、数据集成1）掌握集成中的主要问题2）利用Pandas进行数据合并二、数据标准化三、数据归约1）维归约2）数量归约和压缩四、数据变换与离散化1）数据变换策略2）利用sklearn进行数据预处理课后学习任务，巾J=L熟悉Pandas统计分析方法主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社11数据挖掘与机器学习课程教案第11次课2学时授课内容实验（二）教学目的

13、与要求利用Python实现数据预处理综合实验：1）掌握数据预处理方法2）利用Python实现数据预处理重点难点1）数据预处理及其实现教学进程安排授课内容：一、数据预处理内容二、利用Python实现数据预处理课后学习任务，巾J=L熟练掌握利用Python进行数据预处理的方法，案例实现主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社12数据挖掘与机器学习课程教案第12次课2学时授课内容回归分析1教学目的与要求介绍数据回归分析基础。要求学生应该熟练掌握如下知识的运用：1）掌握数据回归分析的原理2）数据回归分析的分类3）掌握一元线性回归分析过程重点难点1）回归分析原理2）一元线性回归分析教学

14、进程安排授课内容：一、回归分析概述1）回归分析的定义与分类2）回归分析过程二、一元线性回归分析1） ）一元线性回归分析方法2） 一元线性回归分析模型的参数估计3） 误差方差倩计与主要统计检验4） 一Tt线性回归的Python实现课后学习任务，巾J=L熟悉一元线性回归分析的原理与实现主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社13数据挖掘与机器学习课程教案第13次课2学时授课内容回归分析2教学目的与要求数据回归分析2通过本课的学习，学生应该掌握如下知识：1）多元线性回归2）逻辑回归3）其他回归分析重点难点1）多元线性回归2）逻辑回归教学进程安排讲授内容一、多元线性回归1）多元线性回

15、归分析模型2）多元线性回归参数估计与假设检验3）多元线性回归的Python实现二、逻辑回归三、其他回归分析1）多项式回归2）岭回归3）逐步回归等课后学习任务，巾J=L逻辑回归分析与实现主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社14数据挖掘与机器学习课程教案第14次课2学时授课内容综合实验（三）教学目的与要求掌握回归分析的主要方法及其实现。要求学生应该熟练掌握如下知识的运用：1）掌握各种常用的回归分析方法2）/、同回归分析方法的实现及其特点比较重点难点1）回归分析模型选择2）回归分析方法特性对比教学进程安排授课内容：一、/、同回归分析方法特性比较二、对指定数据集，利用不同的回归方

16、法分析课后学习任务，巾J=L熟悉掌握回归分析方法主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社15数据挖掘与机器学习课程教案第15次课2学时授课内容关联规则挖掘1教学目的与要求介绍关联规则挖掘方法。要求学生应该熟练掌握如下知识的运用：1）了解频繁项集、闭项集和关联规则的概念，理解模式评估方法2）掌握Aoriori算法重点难点1)Aoriori算法教学进程安排授课内容：一、关联规则分析概述1）频繁项集、闭项集和关联规则二、Apriori算法1）频繁项集挖掘方法2）由频繁项集产生关联规则3）提高Apriori算法的效率课后学习任务，巾J=L实现Aoriori算法

17、主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社16数据挖掘与机器学习课程教案第16次课2学时授课内容关联规则挖掘2教学目的与要求关联规则挖掘挖掘方法。通过本课的学习，学生应该掌握如下知识：1）熟悉掌握FP频繁模式增长树算法2）熟悉掌握关联规则的评估方法重点难点1）FP频繁模式增长树算法2）关联规则的评估方法教学进程安排讲授内容：一、频繁模式增长树算法二、使用垂直数据格式挖掘频繁项集三、关联模式评估方法1）强关联规则不一定是有趣的2）从关联分析到相关分析四、关联规则应用课后学习任务，巾J=L熟悉FP树算法原理主要参考资料«Python数据挖掘与机器学

18、习魏伟一等主编，清华大学出版社17数据挖掘与机器学习课程教案第17次课2学时授课内容综合实验（四）教学目的与要求介绍关联规则挖掘实现方法。要求学生应该熟练掌握如下知识的运用：1）掌握关联规则分析的原理2）熟悉关联规则分析的实现重点难点1）关联规则分析的实现教学进程安排实验内容：利用Python实现数据分关联规则挖掘与分析课后学习任务，巾J=L熟悉Matplotlib常用绘图方法、教材习题练习主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社18数据挖掘与机器学习课程教案第18次课2学时授课内容分类分析1教学目的与要求数据分类分析1。通过本课的学习，学生应该掌握如下知识：1）掌握分类与预

19、测的基本思想2）分类的概念和意义3）决策树规约方法重点难点1）分类的原理2）决策树规约算法教学进程安排讲授内容一、分类概述二、决策树规约1）决策树原理2） ID3算法3） C4.5算法4） CART算法5） 树剪枝课后学习任务，巾J=L熟悉Seaborn数据可视化方法主要参考资料数据挖掘与机器学习魏伟一等主编，清华大学出版社19数据挖掘与机器学习课程教案第19次课2学时授课内容分类分析2教学目的与要求分类算法介绍2。要求学生应该熟练掌握如下知识的运用：1） K近邻算法2） SVM算法重点难点1) KNN算法2) SVM算法教学进程安排授课内容：一、K-近邻算法1）算法简介2）算法的Python

20、实现二、SVM算法1）算法原理2）算法实现课后学习任务，巾J=LKNN和SVM算法实现主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社20数据挖掘与机器学习课程教案第20次课2学时授课内容分类分析3教学目的与要求数据分析算法介绍3。通过本课的学习，学生应该掌握如下知识：1）掌握贝叶斯分类算法2）掌握模型评估与选择重点难点1）贝叶斯分类方法2）模型评估与选择教学进程安排讲授内容一、贝叶斯分类1）算法原理2）朴素贝叶斯分类3）高斯朴素贝叶斯分类4）多项式朴素贝叶斯分类二、模型评估与选择1）分类器性能评估2）模型选择课后学习任务，巾J=L贝叶斯分类算法实现与评估主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社21数据挖掘与机器学习课程教案第21次课2学时授课内容分类分析4教学目的与要求介绍分类算法4。要求学生应该熟练掌握如下知识的运用：1）组合分类框架与原理2）组合分类方法重点难点1)Adaboost2)随机森林教学进程安排授课内容：一、组合分类1）组合分类方法简介2）袋装3）提升和Adaboost4）随机森林课后学习任务，巾J=L随机森林算法实现主要参考资料«Python数据挖掘与机器学习魏伟一等主编，清华大学出版社22数据挖掘与机器学习课程教案第22次课2学时授课内容综合实验（五）教学目