0923D05021-数据科学导引实验-2023版人才培养方案课程教学大纲.docxVIP

PAGE4

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

0923D05021

开课单位

数学与信息科学学院

课程名称

（中文）数据科学导引实验

（英文）ExperimentsofGuidancetoDataScience

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算法原理的理解，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，学生能够在理解数据科学基础知识的基础上，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算法原理的理解。

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、EM算法、文本分析、深度学习的基本原理，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

数据预处理

验证特征编码，数据标准化，特征离散化，离群值检测等其他预处理方法

6

验证性

课程目标1

2

数据分类

验证逻辑回归，K近邻、决策树、朴素贝叶斯、支持向量机等分类算法

6

验证性

课程目标2

3

数据聚类、降维

验证K-means聚类，层次聚类，谱聚类，基于密度的聚类以及降维方法的应用

6

验证性

课程目标3

4

EM算法

验证EM算法，EM的应用：高斯混合模型

6

验证性

课程目标2

5

深度学习

使用多层感知机，深度学习模型的优化，卷积神经网络，循环神经网络

10

验证性

课程目标3

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%

实验

表现

20%

是否旷课，迟到，早退；能否积极主动提问、讨论、查阅课程相关的各种资料。

课程目标1-3

实验

结果

40%

每个实验的结果是否满足要求，代码编写是否正确，分析是否合理。

课程目标2-3

实验

报告

40%

实验报告格式以及书写内容是否满足要求

课程目标1-3

期末

考核

八、课程目标达成评价

课程目标的实际达成效果计算方式如下，达成值越高，教学效果越好。

课程目标达成度

毕业要求指标点达成度

九、教材与教学参考书

《数据科学导引》，欧高炎，朱占星，董彬，鄂维南，高等教育出版社，2017。

（二）教学参考书

《数据科学导论（第2版）》，杨旭，北京理工大出版社，2017，第二版；

《数据科学概论》，覃雄派，陈跃国，杜小勇，中国人民大学出版社，2018。

执笔人

湛燕

审核人

谢博鋆

教学院长

田大增

院长

高红亚

发布日期

2023年5月28日