《数据分析方法》课程教学大纲.docxVIP

第 PAGE 1 页/共 NUMPAGES \* Arabic 4 页 《数据分析方法》课程教学大纲 课程编码课程名称：数据分析方法/ Data? Analysis methods 总学时/学分：40/2.5（其中理论：32，实验：8） 适用专业：计算机科学与技术 一、课程目标 通过本课程学习，学生应达到如下目标： 目标1. 利用数据描述性分析和数据分布来表达数据特征。 目标2. 运用回归分析、方差分析、主成分分析、典型相关分析、判别分析及聚类分析方法进行大数据建模与求解。 目标3. 针对数据模型，用程序语言实现，并对实验结果进行分析和解释，综合得到结论，形成报告。 二、课程目标对毕业要求的支撑 毕业要求 二级指标点 权重(∑=1) 初始程度 要求程度 课程目标 1、工程知识 1-1具备数学、自然科学和工程基础知识，并能应用于计算机领域复杂工程问题的表述与建模中。 0.15 L1 L3 目标1 0.65 L1 L3 目标2 4、研究 4-2 能够对实验、算法输出结果进行分析和解释，并通过信息综合得到合理有效的结论，形成报告。 0.20 L1 L4 目标3 本表注：以布鲁姆学习目标分类法描述学生在学完本课程后应具有的能力，目标栏内以L1(认知)、L2(理解)、L3(应用）、L4(分析)、L5(综合)、L6(创造)来表示对此项能力要求达到的程度，无要求则留空。 三、教学过程安排 序号 知识模块 教学内容 课时 课程目标 教学方法 1 概述 1.1大数据时代背景 1.2大数据处理技术 1.3大数据处理流程 2 目标1 课堂讲授 2 数据描述性分析 2.1一维数据的数字特征 2.2数据描述工具（直方图、经验分布函数与QQ图、茎叶图） 2.3数据分布拟合与正态性检验 2.4多维数据特征及相关分析 6 目标1 课堂讲授 3 回归模型 3.1 线性回归模型及其参数估计 3.2 残差分析 3.3回归方程 3.4回归方程的选取 8 目标2 课堂讲授+作业 4 方差分析 4.1单因素方差分析 2 目标2 课堂讲授+作业 5 主成分分析与典型相关分析 5.1主成分分析 5.2典型相关分析 4 目标2 课堂讲授+讨论汇报 6 判别分析 6.1距离判别 6.2Bayes判别 4 目标2 课堂讲授+作业 7 聚类分析 7.1样品间相近性的度量 7.2 快速聚类 7.3 谱系聚类 6 目标2 课堂讲授+作业 8 实验 实验1. 数据描述性分析实验 实验2. 线性回归实验 实验3. 主成分分析实验 实验4. 判别分析实验 8 目标3 学生操作（设计） 教师指导 实验报告 四、实验或上机内容 序号 实验项目名称 实验目的和任务 实验学时 实验类型 开出要求 1 数据描述性分析实验 目的：熟悉常用数据描述性分析方法方法、统计作图法及多维数据相关分析。 任务：使用程序语言计算观测数据的均值、方差、标准差，变异系数，偏度，峰度；中位数，上下四分位数，四分位数极差；做直方图和经验分布函数图；Pearson相关系数和Spearman相关系数。 2 设计 必修 2 回归分析实验 目的：熟悉线性回归建模和参数估计方法、回归方程的有效性分析方法。 任务：建立线性回归模型来处理数据，通过残差分析判断线性模型是否可行；能通过Box-Cox变换改善线性回归模型，并通过残差分析判断新模型的有效性。 2 设计型 必修 3 主成分分析实验 目的：熟悉主成分分析方法。 任务：计算观测数据的相关系数矩阵；做主成分分析，求各主成分的贡献率，并理解主成分的意义。 2 设计型 必修 4 判别分析实验 目的：熟悉多个总体距离判别及判别准则评价方法 任务：针对观测数据，建立线性及二次判别函数、计算误判率的回代估计；建立Bayes判别分析模型、计算误判率的回代估计。 2 设计型 必修 5 聚类分析实验 目的：熟悉快速聚类方法及算法步骤，理解初始类别数和中心位置的重要性。 任务：建立快速聚类算法，分析初始类别数和中心位置对聚类结果影响。 2 研究型 选修 五、课程目标达成方法 教学目标 课时 评价方法 评价依据 达成标准(分) 目标1 8 期末考试（80%）+作业（20%） 试卷+作业 68 目标2 24 期末考试（60%）+作业（20%）+测验（20%） 试卷+作业+展示汇报材料 68 目标3 8 实验报告（50%）与实验操作（50%） 实验报告、程序 68 合计 40 六、考核标准 本门课程考核包括6个部分，分别为考试、作业、实验、测验。具体要求及评分方法如下： 1、考试试卷知识点要求 序号 知识模块 考核内容 试题比例 目标1 大数据概述 1）大数据(big data)时代背景 2）大数据处理技术 3）大数据处理流程 5% 目标1 数据特征与描述工具