《数据挖掘》课程教学大纲

《数据挖掘》教学大纲一、课程基本信息课程名称数据挖掘DataMining课程编码SEM223221030开课院部经济管理学院课程团队数据挖掘与智能决策教学团队学分3.0课内学时52讲授40实验12上机0实践0课外学时0适用专业工程管理授课语言中文先修课程程序设计（Python）、线性代数、概率论与数理统计、运筹学、管理统计学课程简介（限选）本课程是工程管理专业学生必修的一门重要的学科基础课。课程主要讲授数据挖掘标准流程和典型机器学习算法，介绍Python数据挖掘与应用。通过本课程的学习，学生应了解数据挖掘标准流程，理解数据挖掘的基本概念和方法，掌握数据挖掘相关模型的基础理论知识;针对数据挖掘的分类、聚类、关联分析等问题，能对数据进行有效的预处理，选择合适的算法并进行参数调优，进行数据分析与挖掘以获得智能决策支持信息;掌握专门面向机器学习的Python包Scikit-learn，能够通过Python编程进行具体的数据挖掘，具备数据分析和挖掘的能力。Thiscourseisanimportantcompulsorybasiccourseforstudentsmajoringinengineeringmanagement.Thecoursemainlyteachesdataminingstandardprocessesandtypicalmachinelearningalgorithms,andintroducesPythondataminingandapplication.Throughthestudyofthiscourse,studentsshouldunderstandthestandardprocessofdatamining,andunderstandthebasicconceptsandmethodsofdatamining,masterthebasictheoreticalknowledgeofdataminingrelatedmodels.Focusingontheclassification,clustering,associationanalysisandotherissuesofdatamining,studentsshouldknowhowtoeffectivelypreprocessthedata,selecttheappropriatealgorithmandperformparametertuning,andconductdataanalysisandminingtoobtainintelligencedecisionsupportinformation.StudentsshouldmasterthePythonpackageScikit-learnwhichisspecificallyusedformachinelearningandbeabletododataanalysisandminingwithPythonprogramming.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1M1目标1：理解数据挖掘的基本概念和流程，掌握数据挖掘相关算法的基础理论知识是2.62.62M2目标2：针对具体数据挖掘问题，能选择合适的算法，进行Python编程，数据分析与挖掘以获得智能决策支持信息是3.53.5三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内学时教学方式课外学时课外环节1第1章第1章数据挖掘概述本章重点难点：数据挖掘的概念、数据挖掘的流程及主要任务课程思政：遵纪守法，尊重个人隐私/////21.11.1数据挖掘简介数据挖掘的需求和基本定义，应用案例讨论M12讲授、讨论1自主学习31.21.2数据挖掘的流程数据挖掘涉及的领域，数据挖掘的流程，数据挖掘的主要任务，常见的数据挖掘软件M12讲授、讨论1自主学习4第2章第2章数据的理解与预处理本章重点难点：数据对象与属性类型、数据的基本统计描述与可视化、数据预处理方法////52.12.1数据对象与属性类型数据对象与属性术语表达，标称属性、二元属性、有序属性、数值型属性M21讲授1自主学习62.22.2数据的基本统计描述与可视化集中趋势的度量，离散度的度量，数据的图形描述与可视化M21讲授1作业72.32.3数据预处理方法数据清洗，数据整合，数据缩减，数据变换与离散化M22讲授1自主学习8第3章第3章模型评价与选择本章重点难点：交叉验证、超参数选择、数据挖掘方法比较////93.13.1旁置法估计训练和测试集合的划分，预测性能的置信区间，旁置法、交叉验证、留一交叉验证法、自助法，验证集与超参数选择M12讲授1作业103.23.2数据挖掘方法比较T检验比较，损失函数，分类模型评价指标，成本计算，回归性能指标M12讲授1自主学习11第4章第4章贝叶斯网络本章重点难点：朴素贝叶斯分类器、贝叶斯网络学习算法////124.14.1朴素贝叶斯分类器类别型朴素贝叶斯分类器、高斯朴素贝叶斯、多项式朴素贝叶斯M22讲授1作业134.24.2贝叶斯网络贝叶斯网络定义，贝叶斯网络学习算法的构建，K2，TANM22讲授1自主学习14第5章第5章决策树本章重点难点：决策树常用算法、剪枝////155.15.1决策树常用算法OneR算法，连续性数据离散化方法，ID3算法，C.5算法，CART算法M21讲授1作业165.25.2决策树剪枝方法预剪枝，后剪枝，后剪枝的两种方式，剪枝的原则M21讲授1自主学习175.35.3集成学习装袋法、提升法、随机森林M22讲授1自主学习18第6章第6章聚类分析本章重点难点：K-Means聚类、层次聚类，DBSCAN聚类////196.16.1K-Means聚类相似度测度，K-Means聚类算法，对变量的预处理，K-Means聚类的提升M21讲授1作业206.26.2层次聚类层次聚类的特点，类别层次合并的方法，聚类数目的确定M21讲授1自主学习216.36.3DBSCAN聚类DBSCAN聚类方法的基本参数、基本概念和算法，聚类质量的评价M22讲授1自主学习22第7章第7章关联规则挖掘本章重点难点：覆盖算法、Apriori算法////237.17.1覆盖算法：建立规则规则与树，覆盖算法，规则与决策列表M22讲授1自主学习247.27.2Apriori算法产生频繁项集，寻找频繁项集，依据频繁项集产生关联规则，高效地生成规则，关联规则测度指标M22讲授1作业25第8章第8章线性模型本章重点难点：线性回归模型正则化项，logistic回归，感知机的线性分类////268.18.1线性回归模型线性回归模型表达及求解，正则化项对应的算法，logistic回归模型表达及求解M22讲授1自主学习278.28.2感知机感知机的线性分类，Winnow的线性分类M22讲授1自主学习28第9章第9章神经网络本章重点难点：误差逆传播算法，全局最小与局部最小，深度学习////299.19.1多层神经网络神经元模型，多层神经网络，误差逆传播算法，全局最小与局部最小M22讲授1自主学习309.29.2深度学习卷积神经网络，循环神经网络，深度学习流行框架M22讲授1自主学习31第10章第10章支持向量机本章重点难点：支持向量机的模型求解、核函数的应用，支持向量回归////3210.110.1支持向量机分类间隔与支持向量，对偶问题，核函数，软间隔与正则化M22讲授1作业3310.210.2支持向量回归基于线性和非线性核函数的支持向量回归M22讲授1自主学习34实验1实验1：分类问题—银行理财产品电话销售预测针对于银行有关客户个人信息、通话过程、以往销售活动等因素的数据，进行描述性分析，选取合适的特征，构建合理的模型，并根据分类准确度等指标和工具评估模型的预测效果。M24上机2撰写报告35实验2实验2：聚类分析—网络零售客户聚类通过对网络零售客户个人信息的聚类，发现客户群的特征，以实现对目标客户的准确理解和客户定位，便于后期针对不同特点的客户采用不同的营销策略。M24上机2撰写报告36实验3实验3：预测问题—工业蒸汽量预测选择经脱敏后的锅炉传感器采集的数据（采集频率是分钟级别），根据锅炉的工况，预测产生的蒸汽量。M24上机2撰写报告四、考核方式序号考核环节操作细节总评占比1平时作业1.每周布置1道题目。2.成绩采用百分制，根据作业完成准确性、是否按时上交、是否独立完成评分。3.考核学生对电力拖动自动控制系统基本知识的掌握能力，学生综合运用所学知识分析问题、解决问题的能力题型主要有作图、分析和计算题。15%2实验1.本课程12个学时实验，共3次实验。2.成绩采用百分制，根据实验完成情况评分。3.考核学生对机器学习算法包Scikit-learn的应用能力，针对不同的数据挖掘问题，进行数据分析与挖掘以获得智能决策支持信息。15%3结课报告考核学生能够应用数据挖掘的相关理论方法，对数据进行科学的加工和分析处理，提供决策支持并进行阐述和交流的能力：1.从业务需求出发，解析为合适的数据挖掘问题，能对数据进行有效的预处理和统计性描述。2.针对数据挖掘的分类、聚类、关联分析等问题，能够选择合适的算法并进行参数调优，进行数据分析与挖掘。3.将数据挖掘结果进行解释和可视化，能够获得智能决策支持信息。40%4课堂表现随机检查学生上课精神状态、回答问题情况10%5线上互动使用雨课堂随堂测验，主要考核学生对数据挖掘基本知识的掌握，学生综合运用所学知识分析问题、解决问题的能力，题型主要有简答题、选择题、填空题、计算题等。20%五、评分细则序号课程目标考核环节大致占比评分等级1M1平时作业30%A-按时提交作业，数据挖掘和模型算法等基本知识点理解无误。B-按时提交作业，数据挖掘和模型算法等基本知识点理解存在少量错误。C-不按时提交作业，数据挖掘和模型算法等基本知识点理解存在少量错误。D-不按时提交作业，数据挖掘和模型算法等基本知识点理解存在错误。E-不按时提交作业，数据挖掘和模型算法等基本知识点理解存在大量错误。2M1课堂表现20%A-回答问题积极，数据挖掘和模型算法等基本知识点理解无误。B-回答问题积极，数据挖掘和模型算法等基本知识点理解存在少量错误。C-回答问题不积极，数据挖掘和模型算法等基本知识点理解存在少量错误。D-回答问题不积极，数据挖掘和模型算法等基本知识点理解存在错误。E-回答问题不积极，数据挖掘和模型算法等基本知识点理解存在大量错误。3M1线上互动50%根据雨课堂导出的测试成绩标准化评价[A,B,C,D,E]=[90-100,80-89,70-79,60-69,0-59]4M2实验40%A-按时提交实验报告，能正确地进行Python编程，算法性能优秀，能得到较好的数据分析与挖掘结果。B-按时提交实验报告，能进行Python编程，但算法性能不好，能得到数据分析与挖掘的结果。C-不按时提交实验报告，能进行Python编程，但算法性能不好，不能得到数据分析与挖掘的结果。D-不按时提交实验报告，能进行Python编程，但算法性能不好，不能得到数据分析与挖掘的结果。E-不按时提交实验报告，不能正确地进行Python编程，得到的数据分析与挖掘结果错误。5M2结课报告60%A-按时提交结课报告，能正确地进行Python编程，算法性能优秀，能得到较好的数据分析与挖掘结果。B-按时提交结课报告，能进行Python编程，但算法性能不好，能得到数据分析与挖掘的结果。C-不按时提交结课报告，能进行Python编程，但算法性能不好，不能得到数据分析与挖掘的结果。D-不按时提交结课报告，能进行Python编程，但算法性能不好，不能得到数据分析与挖掘的结果。E-不按时提交结课报告，不能正确地进行Python编程，得到的数据分析与挖掘结果错误。评分等级说明：[A,B,C,D,E]=[90-100,80-89,70-79,60-69,0-59];六、教材与参考资料序号教学参考资料明细1图书|DataMining:ConceptsandTechniques（英文版第三版）,JiaweiHan,机械工业出版社,2014.07,ISBN:9787111374312.（*主教材）2图书|机器学习,周志华,清华大学出版社,2016.01,ISBN:9787302423287.3MOOC|Python快速入门,张敏,泰迪云课堂.4期刊论文|UCIrvineMachineLearningRepository,Dua,D.,UniversityofCalifornia,School