数据挖掘课程教学大纲

1、数据挖掘课程教学大纲（ HYPERLINK /link?url=v7rEvdP-0-Ag6X32oVZPB06M9ndbU605ZM_UCftux0udYmykR22cPhPPBdaShrKoPJyHmY2LscEH-DMPWw9vdYMHRSIpNLuAPIPDRsP-cS t /_blank Data Mining）一、课程概况课程代码：0808020学分：2学时：32（其中：讲授学时16）先修课程：高等数学、线性代数、程序设计语言、数据库原理、概率论与数理统计、SAS软件基础适用专业：数据科学与大数据技术建议教材：数据挖掘，朱明编著，中国科学技术大学出版社，2002.2课程归口：理学院课

2、程的性质与任务：数据挖掘是数据科学与大数据技术的专业课程。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。通过深入探讨数据挖掘原理，将信息科学、计算科学和统计学对数据挖掘的贡献融合在一起，全面而又系统地介绍了知识发现的方法和技术，反映了当前知识发现研究的最新成果，培养统计学专业高年级本科学生数据分析和处理的能力，使其具备初步的科研能力和创造能力。学生学好这门课程的基本内容和方法，对今后的学习、研究和应用都具有重要的作用。课程目标目标1. 能解释相关的专业术语，能用数据挖掘、数据处理的概念表达实际数据处理问题。目标

3、2. 能根据数据来源判断数据分析的性质并采用恰当方法进行合理的处理，从而准确表达数据处理的精度。目标3. 能根据不同数据的性质，进行噪声数据或非一致性数据的处理，以方便后续预测和分类算法进行准确预测及分类。目标4. 能对不同数据集进行正确的转换盒集成分析与处理，正确表达数据预处理结果。目标5. 针对数据分类问题，能依据数据的特性，根据实际问题构建决策树模型，对决策树进行正确剪枝。目标6. 针对数据预测问题，能依据数据的特性，根据实际问题构建决神经网络建模原理及算法构造方法，会根据实际问题进行神经网络建模并解决实际问题。本课程支撑专业培养计划中毕业要求3-2（占该指标点达成度的10%）、毕业要求

4、4-1（占该指标点达成度的5%）和毕业要求5-3（占该指标点达成度的4%；），对应关系如表所示。毕业要求指标点课程目标目标1目标2目标3目标4目标5目标6毕业要求3-2毕业要求4-1毕业要求5-3三、课程内容及要求（一）数据挖掘导论1.教学内容（1）数据挖掘发展概述：数据挖掘基本功能、数据挖掘基本应用概况。（2）数据挖掘功能：定性与对比分析、关联分析、分类与预测、聚类分析、异类分析和演化分析。（3）数据挖掘系统：系统分类、系统应用、数据挖掘在实际问题中的应用。2.基本要求（1）了解数据挖掘基本功能，了解数据挖掘基本应用概况。（2）理解定性与对比分析，了解关联分析，理解分类与预测以及聚类分析，了

5、解异类分析和演化分析。（3）理解系统分类和系统应用，掌握数据挖掘在实际问题中的应用。3. 思政元素通过对数据挖掘的基本学习，理解人类与机器的关系，即人类制定规则，机器执行规则并在大量原始数据中挖掘有价值的信息。各司其职，各尽其能，合作共赢。（二）数据预处理1.教学内容（1）数据清洗：噪声数据处理、不一致数据处理。（2）数据集成与转换：数据集成处理、数据集成转换。2.基本要求（1）掌握噪声数据处理方法，掌握不一致数据的处理方法。（2）了解并掌握数据集成处理方法。（3）了解并掌握数据转换处理方法。3. 思政元素有噪声干扰、缺失、不同类别的数据是不能直接进行数据挖掘的，需要进行预处理。凡事预则立，功

6、欲利其事必先利其器。做事先做人，基础不行，地动山摇。（三）分类与预测1.教学内容（1）分类与预测基本知识：分类基础、预测基础。（2）基于决策树的分类：特征选择、决策树的生成、决策树的剪枝过程。（3）神经网络分类：神经网络生物原型、神经网络建模及算法、神经网络应用。（4）预测方法：线性与多变量回归、非线性回归、其他回归模型。2.基本要求（1）了解分类基础相关概念和预测基础相关概念。（2）理解特征选择基本原理，掌握决策树的生成方法，能根据实际问题对决策树进行正确剪枝。（3）了解神经网络生物原型，理解神经网络建模原理及算法构造方法，会根据实际问题进行神经网络建模并解决实际问题。（4）掌握线性与多变量

7、回归方法，会用非线性回归模型处理回归问题，会用其他回归模型进行回归模拟预测。3.思政元素各种分类与决策算法，源至对人类、对自然、对社会的本质和规律研究，理论来源于实践，并且会指导和应用于实践。理论与实践是硬币的两个面，是辩证对立和统一的。（四）聚类分析1.教学内容（1）基础知识：层次聚类、非层次聚类。（2）聚类分析方法：硬聚类、模糊聚类、核方法。2.基本要求（1）了解测量层次聚类、非层次聚类的基本概念及其相互关系。（2）了解测量硬聚类、模糊聚类、核方法等基本聚类方法。（3）掌握并会用模糊聚类方法进行数据聚类分析。3. 思政元素模糊聚类算法将样本归于某类的程度，用0到1的实数表达，而非0和1整数

8、表达，说明万事万物之间是相互关联的，而不是非黑即白的完全对立与割裂。国与国之间的关系也应如此，美国将中国至于完全对立面在各领域全面对抗，是思维简单逻辑幼稚行为粗暴道德沦陷的无知表现。本课程安排在第5学期。教学内容与课程目标的对应关系及建议时间分配如表所示。序号教学内容支撑的课程目标支撑的毕业要求指标点讲授学时实验学时1数据挖掘导论目标13-2422数据处理目标2、34-1443分类与预测目标4、55-3444聚类分析目标65-346合计1616四、课程实施（一）把握主线，引导学生掌握数据挖掘、分类预测和聚类分析等相关概念、方法的实际意义，利用预测分析、聚类分析中的实际案例，帮助学生理解预测分析

9、、聚类分析的方法和过程，使学生能用预测分析、聚类分析的原理处理和分析预测、聚类结果，并最终能指导预测和聚类模型的优化设计。（二）采用多媒体教学手段，配合例题的讲解及适当的思考题，保证讲课进度的同时，注意学生的掌握程度和课堂的气氛。（三）采用案例式教学，引进分类与预测和聚类分析过程中的实际案例，让学生真正了解并掌握预测和聚类分析过程及结果的分析方法，从而具备相关知识和方法的实际应用能力。（四）主要教学环节的质量要求如表所示。主要教学环节质量要求1备课（1）掌握本课程教学大纲内容，严格按照教学大纲要求进行课程教学内容的组织。（2）熟悉教材各章节，借助专业书籍资料，并依据教学大纲编写授课计划，编写每

10、次授课的教案。教案内容包括章节标题、教学目的、教法设计、课堂类型、时间分配、授课内容、课后作业、教学效果分析等方面。（3）根据各部分教学内容，构思授课思路、技巧，选择合适的教学方法。2讲授（1）要点准确、推理正确、条理清晰、重点突出，能够理论联系实际，熟练地解答和讲解例题。（2）采用多种教学方式（如启发式教学、案例分析教学、讨论式教学、多媒体示范教学等），注重培养学生发现、分析和解决问题的能力。（3）能够采用现代信息技术辅助教学。（4）表达方式应能便于学生理解、接受，力求形象生动，使学生在掌握知识的过程中，保持较为浓厚的学习兴趣。3作业布置与批改学生必须完成规定数量的作业，作业必须达到以下基本

11、要求：（1）按时按量完成作业，不缺交，不抄袭。（2）书写规范、清晰。（3）解题方法和步骤正确。教师批改和讲评作业要求如下：（1）学生的作业要按时全部批改，并及时进行讲评。（2）教师批改和讲评作业要认真、细致，按百分制评定成绩并写明日期。（3）学生作业的平均成绩应作为本课程总评成绩中平时成绩的重要组成部分。4课外答疑为了解学生的学习情况，帮助学生更好地理解和消化所学知识、改进学习方法和思维方式，培养其独立思考问题的能力，任课教师需每周安排一定时间进行课外答疑与辅导。5成绩考核本课程考核的方式为闭卷笔试。考试采取教考分离，监考由学院统一安排。有下列情况之一者，总评成绩为不及格：（1）缺交作业次数达

12、1/3以上者。（2）缺课次数达本学期总授课学时的1/3以上者。（3）课程目标小于0.6。五、考核方式（一）课程考核包括期末考试、平时及作业情况考核，期末考试采用闭卷笔试。（二）课程成绩=平时成绩50%+期末考试成绩50%。具体内容和比例如表所示。成绩组成考核/评价环节权重考核/评价细则对应的毕业要求指标点平时成绩平时作业30%课后完成20-30个习题，主要考核学生对每节课知识点的复习、理解和掌握程度，计算全部作业的平均成绩再按20%计入总成绩。4-1、5-3考勤及课堂练习20%以随机的形式，在每章内容进行中或结束后，随堂测试1-3题，主要考核学生课堂的听课效果和课后及时复习消化本章知识的能力，

13、结合平时考勤，最后按10%计入课程总成绩。4-1、5-3期末考试期末考试卷面成绩50%试卷题型包括填空题、选择题、判断题和综合计算应用题等，以卷面成绩的70%计入课程总成绩。4-1、5-3（三）所有课程目标均需大于等于0.6，否则总评成绩不及格，需要补考或重修。每个课程目标达成度计算方法如下：式中：Ai=平时成绩占总评成绩的权重课程目标i在平时成绩中的权重，Bi=期末成绩占总评成绩的权重课程目标i在期末成绩中的权重。六、有关说明（一）持续改进本课程根据学生作业、课堂讨论、平时考核情况和学生、教学督导等的反馈，及时对教学中的不足之处进行改进，并在下一轮课程教学中整改完善，确保相应毕业要求指标点达成。（二）参考书目及学习资料1数据仓库与数据挖掘技术，陈京民编著，电子工业出版社，200