《新媒体数据分析与应用》教学大纲

一、说明 （一）课程定义新媒体数据分析与应用是XXXXXXX专业开设的一门重要的专业核心课程。本课程主要讲授新媒体数据分析的基本概念，原理、方法和技术，具体包括：数据的预处理、分类预测、关联挖掘、聚类分析等内容。通过学习，使学生理解新媒体数据分析的基本流程，掌握新媒体数据分析的基本理论和技术，熟悉新媒体数据分析成果的表达；掌握新媒体数据分析的基本方法，能熟练地应用数据挖掘技术对现实数据进行有效的分析，能够结合SPSSModeler软件从大量统计数据中获取有价值的信息。 （二）编写依据根据《XXXXX学院XXXXX专业本科人才培养方案》（XXXX版）编写。 （三）目的任务通过本课程学习，使学生了解现代数据分析和知识挖掘方法的思想与技术，了解数据分析的基本理论，掌握重要的数据分析方法，掌握如何利用SPSSModeler实现数据分析和挖掘，并使学生具有进一步学习的基础与能力。（四）学时数与学分数：本课程理论36学时，实践/实验36学时，共72学时，4学分。（五）适用对象：XXXX专业，二年级学生。（六）课程编码：KY1810C07二、教学内容与学时分配教学基本内容教学安排小计讲授讨论实验实践第一章数据分析和Modeler使用概述224第二章数据读入和数据集成448第三章数据理解和数据准备448第四章基本分析和数据精简448第五章决策树和人工神经网络6612第六章支持向量机和贝叶斯网络448第七章聚类分析6612第八章关联分析448机动224合计=SUM(ABOVE)3636=SUM(ABOVE)72三、教学内容与知识点第一章数据分析和Modeler使用概述第一节数据分析的产生背景知识点：数据库与数据仓库的定义、人工智能与机器学习的定义、统计学的定义第二节什么是数据分析知识点：数据分析的定义、数据挖掘的定义、知识发现的定义第三节Modeler软件概述知识点：Modeler的数据流、窗口、数据流的基本管理第二章数据读入和数据集成第一节变量类型知识点：整数型、实数型、字符串型、时间型、日期型、时间戳型第二节读入数据知识点：读文本文件、读Excel电子表格、读SPSS格式文件、读数据库文件第三节生成实验方案知识点：挖掘实验数据中的规律性、探索影响实验结果的决定因素第四节数据集成知识点：数据的纵向合并、数据的横向合并、数据源替换第三章数据质量的评估和调整第一节数据质量的评估和调整知识点：数据的基本特征与质量评价报告、离群点和极端值的调整、数据质量管理第二节数据的分类汇总知识点：单变量分类汇总、多重分类汇总第三节变量变换知识点：CLEM表达式、变量值的重新计算、变量类别值的调整第四节数据精简知识点：随机抽样、根据条件选取样本、样本的平衡处理第四章基本分析和数据精简第一节数值型变量的基本分析知识点：计算基本描述统计量、绘制散点图、绘制线图第二节两分类型变量相关性的研究知识点：两分类型变量相关性的图形分析、两分类型变量相关性的数值分析第三节特征选择知识点：特征选择的一般方法、特征选择的应用示例第四节因子分析知识点：因子分析的定义、因子提取和因子载荷矩阵的求解、因子的命名第五章决策树和人工神经网络第一节决策树算法概述知识点：决策树的定义、决策树的几何理解、决策树的核心问题第二节Modeler的C5.0算法及应用知识点：信息熵和信息增益、C5.0决策法的生长算法、修剪算法、基本应用示例第三节人工神经网络算法概述知识点：人工神经网络的概念和种类、人工神经网络建议的一般步骤第四节Modeler的BP反向传播网络的应用知识点：基本操作、结果说明、网络中的隐节点和输出节点第六章支持向量机和贝叶斯网络第一节支持向量分类的基本思路知识点：支持向量机的概念、支持向量分类的数据和目标、支持向量分类的思路第二节支持向量机的应用知识点：确定超平面、基本操作、结果解读第三节贝叶斯方法基础知识点：贝叶斯概率和贝叶斯公式、朴素贝叶斯分类法第四节贝叶斯网络的应用知识点：基本操作、结果解读、马尔科夫毯网络的案例、TAN贝叶斯网络的案例第七章聚类分析第一节聚类分析的一般问题知识点：聚类分析的提出、聚类分析的算法第二节Moderler的K-Means聚类及应用知识点：K-Means对“亲疏程度”的测度、K-Means聚类过程、应用示例第三节Modeler的两步聚类及应用知识点：两步聚类对“亲疏程度”的测度、两步聚类过程、聚类数目的确定第四节基于聚类分析的离群点探索知识点：多维空间基于聚类的离群点诊断方法、应用示例第八章关联分析第一节简单关联规则及其有效性知识点：简单关联规则的基本概念、简单关联规则的有效性和实用性第二节Modeler的Apriori算法及应用知识点：频繁项集、依据频繁项集产生简单关联规则、Apriori算法的应用示例第三节Modeler的序列关联及应用知识点：序列关联中的基本概念、Sequence算法、序列关联的时间约束四、考核（一）考核的形式：平时考核、平时实践考核与期末综合测试相结合。（二）成绩的计算：绩。五、教材与参考教材1、《数据分析与数据挖掘》，喻梅、于健主编，清华大学出版社，2018年3月第1版2、《基于SPSSModel