《数据分析与挖掘》教学大纲.docVIP

《数据分析与挖掘》教学大纲 一、课程的基本信息 课程编号 课程性质：专业课/必修课 学 时：48 学 分：2.5 开课单位：信息管理学院 适用专业：电子商务专业 先修课程：计算机文化基础、C语言程序设计、统计学、数据库 二、课程目的与任务 数据挖掘是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。知识发现将信息变为知识，从数据矿山中找到蕴藏的知识金块，将为知识创新和知识经济的发展作出贡献。?本课程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。 本课程的重点在培养学生的实际分析数据及处理数据的能力。 三、课程教学基本要求 通过本课程的学习，要求学生初步掌握数据挖掘的重要概念和任务、数据挖掘中的常用算法（决策树、关联规则、聚类算法、贝叶斯分类算法、支持向量机、神经网络），以及数据挖掘当前的研究动向 四、教学内容及学时分配 教学内容 各教学环节学时分配 讲授 实验 上机 习题 讨论 小计 绪论 2 2 数据预处理 4 2 6 关联规则挖掘 4 2 6 决策树分类算法 4 4 8 贝叶斯分类算法 4 4 8 人工神经网络算法 4 4 支持向量机 4 2 6 K-means聚类算法 2 2 4 K-中心点聚类算法 2 2 神经网络聚类算法：SOM 2 2 合 计 32 16 48 五、课程教学基本内容 第1章　绪论（2课时） 教学内容： （1）数据挖掘的概念 （2）数据挖掘的历史及发展 （3）数据挖掘的研究内容及功能 （4）数据挖掘的常用技术及工具 重点：数据挖掘的研究内容及功能 难点：数据挖掘的常用技术及工具 　数据预处理（4课时） 教学内容： （1）数据预处理的目地 （2）数据清理 （3）数据集成和数据变换 （4）数据归约 （5）特征选择与提取 重点：数据集成和数据变换 难点：特征选择与提取 　关联规则挖掘（4课时） 教学内容： （1）基本概念 （2）关联规则挖掘算法---Apriori算法原理 （3）Apriori算法实例分析 （4）Apriori算法源程序分析 （5）Apriori算法的特点及应用 重点：关联规则挖掘算法---Apriori算法原理 难点：关联规则挖掘算法---Apriori算法原理 决策树分类算法（4课时） 教学内容： （1）基本概念 （2）决策树分类算法---ID3算法原理 （3）ID3算法实例分析 （4）ID3算法源程序分析 （5）ID3算法的特点及应用 （6）决策树分类算法---C4.5算法原理 重点：决策树分类算法---ID3算法原理 难点：决策树分类算法---ID3算法原理 　贝叶斯分类算法（4课时） 教学内容： （1）基本概念 （2）贝叶斯分类算法原理 （3）贝叶斯分类算法实例分析 （4）贝叶斯分类算法源程序分析 （5）贝叶斯分类算法特点及应用 重点：贝叶斯分类算法原理 难点：贝叶斯分类算法原理 第6章　人工神经网络算法（4课时） 教学内容： （1）基本概念 （2）BP算法原理 （3）BP算法实例分析 （4）BP算法源程序分析 （5）BP算法的特点及应用 重点：BP算法原理 难点：BP算法原理 第7章　支持向量机（4课时） 教学内容： （1）基本概念 （2）支持向量机原理 （3）支持向量机实例分析 （4）支持向量机的特点及应用 重点：支持向量机原理 难点：支持向量机原理 　K-means聚类算法（2课时） 教学内容： （1）基本概念 （2）K-means聚类算法原理 （3）K-means聚类算法实例分析 （4）K-means聚类算法源程序分析 （5）K-means聚类算法的特点及应用 重点：K-means聚类算法原理 难点：K-means聚类算法原理 　K-中心点聚类算法（2课时） 教学内容： （1）基本概念 （2）K-中心点聚类算法原理 （3）K-中心点聚类算法实例分析 （4）K-中心点聚类算法源程序分析 （5）K-中心点聚类算法的特点及应用 重点：K-中心点聚类算法原理 难点：K-中心点聚类算法原理 　神经网络聚类算法：SOM（2课时） 教学内容： （1）基本概念 （2）竞争学习算法基础 （3）SOM算法原理 （4）SOM算法原理实例分析 （5）SOM算法原理源程序分析 （6）SOM算法原理的特点及应用 重点：SOM算法原理 难点：SOM算法原理 六、考核方式与成绩评定 考核方式：考试 成绩评定：本课程成绩构成比例为：期末考核成绩占总成绩的 70 %，平时成绩占总成绩的30 %；平时成绩