3023D06022-数据科学导引实验-2023版人才培养方案课程教学大纲.docxVIP

PAGE3

ADDINCNKISM.UserStyle《数据科学导引实验》课程教学大纲

（实验课程·2023版）

一、课程基本信息

课程号

3023D06022

开课单位

国际学院

课程名称

（中文）数据科学导引实验

（英文）GuidancetoDataScienceLab

课程性质

选修

考核类型

考查

课程学分

1

课程学时

34

课程类别

学科基础课程（学科拓展课）

适用专业（类）

软件工程

二、课程描述及目标

（一）课程简介

《数据科学导引实验》是配合《数据科学导引》理论课开设的实验课程。要求学生在掌握数据科学的基础知识、理论、及技术的基础上，应具有设计、实现、分析相关算法的能力，其中包括数据预处理、分类模型、聚类模型、降维、特征选择、EM算法、文本分析、深度学习等。

通过本实验课程的训练，使学生加深对课堂教学内容与程序设计语言原理的理解，同时培养学生实际的动手能力。

（二）教学目标

通过数据科学导引的实践操作，使学生能够理解数据科学的基础知识的基础上，应具有设计、实现、分析相关算法的能力。

课程目标1：具有设计、实现、分析相关算法的能力

课程目标2：加深对课堂教学内容与程序设计语言原理的理解

课程目标3：将理论和实践相结合，培养学生实际的动手能力。

三、课程目标对毕业要求的支撑关系

毕业要求指标点

课程目标

1-1：软件工程基础理论知识；

课程目标1

1-2：软件项目管理与开发知识；3-3：职业素养

课程目标2

2-2：工程实践能力；3-4：专业素养；2-5：创新能力；3-2：创新意识；

课程目标3

四、教学方式与方法

教学方式：学生动手实验为主，辅以适当的提问、小组讨论及实验点评等。

教学方法：探讨式教学、启发式教学、实验教学相结合；尝试包括实验设计、研究设计、答辩、总结等环节。

五、教学重点与难点

（一）教学重点

理解包括数据预处理、分类模型、聚类模型、降维、特征选择、深度学习等，学会使用相应工具进行算法实现的基本能力，并完成数据处理，数据分析的应用。

（二）教学难点

聚类模型、深度学习算法的实现。

六、实验内容、基本要求与学时分配

序号

实验项目名称

实验内容与要求

学时

类型

对应课程目标

1

熟悉Numpy的使用

Numpy入门

4

验证性

课程目标1

2

熟悉Pandas基础

Pandas入门

4

验证性

课程目标2

3

Matplotlib基础

Matplotlib入门

5

验证性

课程目标3

4

数据预处理

Sklearn数据预处理；数据处理实战；汽车价格离群值检测。

6

验证性

课程目标2

5

线性回归

森林火灾面积预测；公共自行车租借预测；根据音轨特征预测音乐起源地；医疗费用预测

6

验证性

课程目标2

6

分类综合模型

结合主成分分析进行人脸识别；银行电话营销

3

验证性

课程目标2

7

聚类及可视化

各国幸福指数聚类

2

验证性

课程目标3

8

深度学习初步

深度神经网络实现及应用

4

验证性

课程目标2

合计

34

七、学业评价和课程考核

（一）考核类型：?考试eq\o\ac(□,√)考查

（二）考核方式：eq\o\ac(□,√)实验报告?实验作品

?其它：（填写具体考核方式）

（三）成绩评定：

考核

依据

建议分值

（百分比）

考核/评价细则

对应课程目标

过程

考核

100%

课堂

表现

20%

学生在课堂上积极提问、讨论和分享，根据课堂互动情况给予评分；考勤；小组活动：对于分组进行的课堂练习或讨论，根据团队协作和完成情况给予评分。

课程目标1-3

数据预处理实验报告

20%

清晰阐述实验目的，准确描述数据特征。

数据清洗与预处理：运用合适的方法处理缺失值、异常值、重复值等，保证数据质量。

数据转换与规约：进行必要的数据转换，如标准化、归一化等，以便后续分析。

报告撰写：结构清晰，逻辑严谨，语句通顺，无错别字和语法错误。

课程目标1-3

回归问题实验报告

20%

根据实验目的选择合适的回归模型，并设计合理的实验方案。

模型训练与优化：正确实现模型训练过程，并尝试使用不同参数或方法进行优化。

结果分析与解释：对实验结果进行详细分析，解释模型性能，并讨论可能的原因。

报告撰写：结构清晰，逻辑严谨，语句通顺，无错别字和语法错误。

课程目标1-3

分类问题实验报告

20%

根据实验目的选择合适的分类模型，并设计合理的实验方案。

特征工程：运用特征选择、特征编码等方法优化特征集，提高模型性能。

模型训练与优化：正确实现模型训练过程，并尝试使用不同参数或方法进行优化。

结果分析与解释：对实验结果进行详细分析，解释模型性能，并讨论可能的原因。

报告撰写：结构清晰，逻辑严谨，语句通顺，无错别字和语法错误。

课程目标1-3

深度学习初步实