Python数据挖掘与机器学习第2版 教案 魏伟一 第18--36次课 分类分析 ---数据挖掘案例分析.doc

《数据挖掘与机器学习》课程教案（首页）

学院：计算机系/学院

课程/项目名称

数据挖掘与机器学习

课程

总学时：72学时

理论：54学时

实验：18学时

学分

3

课程

课程类别：专业必修■专业必修□公共必修□公共选修

授课教师

***

授课专业

大数据技术与应用

授课班级

教学

目的和要求

本课程的主要目的是培养学生的数据挖掘与机器学习的理论分析与应用实践的综合能力。通过本课程的教学，使学生掌握数据挖掘和机器学习的一般原理和处理方法，能使用机器学习理论解决数据挖掘相关的问题。。

教学

重点、难点

教学重点：

Python数据分析与可视化基础

认识数据

数据预处理

回归分析

关联规则挖掘

分类与预测

聚类分析

神经网络与机器学习基础

离群点检测以及Python数据挖掘案例分析等

教学难点：

掌握数据挖掘基本过程、处理步骤和方法；

掌握回归分析、分类、聚类等机器学习算法；

熟练关联规则挖掘方法；

掌握数据分析与数据挖掘的基本方法。

教学

资源

多媒体课件

习题答案

微课视频

其他教学资源：

《python数据挖掘与机器学习》第2版魏伟一等主编，清华大学出版社

教学

环境

多媒体教学，课堂教学与学生上机实践相结合

案例实现

《数据挖掘与机器学习》课程教案

第18次课2学时

授课内容

分类分析1

教学目的

与要求

数据分类分析1。

通过本课的学习，学生应该掌握如下知识：

1）掌握分类与预测的基本思想

2）分类的概念和意义

3）决策树规约方法

重点

难点

1）分类的原理

2）决策树规约算法

教学进程

安排

讲授内容

一、分类概述

二、决策树规约

1）决策树原理

2）ID3算法

3）C4.5算法

4）CART算法

5）树剪枝

课后学习

任务布置

熟悉Seaborn数据可视化方法

主要

参考资料

《数据挖掘与机器学习》魏伟一等主编，清华大学出版社

《数据挖掘与机器学习》课程教案

第19次课2学时

授课内容

分类分析2

教学目的

与要求

分类算法介绍2。

要求学生应该熟练掌握如下知识的运用：

1）K近邻算法

2）SVM算法

重点

难点

1）KNN算法

2）SVM算法

教学进程

安排

授课内容：

一、K-近邻算法

1）算法简介

2）算法的Python实现

二、SVM算法

1）算法原理

2）算法实现

课后学习

任务布置

KNN和SVM算法实现

主要

参考资料

《python数据挖掘与机器学习》第2版魏伟一等主编，清华大学出版社

《数据挖掘与机器学习》课程教案

第20次课2学时

授课内容

分类分析3

教学目的

与要求

数据分析算法介绍3。

通过本课的学习，学生应该掌握如下知识：

1）掌握贝叶斯分类算法

2）掌握模型评估与选择

重点

难点

1）贝叶斯分类方法

2）模型评估与选择

教学进程

安排

讲授内容

一、贝叶斯分类

1）算法原理

2）朴素贝叶斯分类

3）高斯朴素贝叶斯分类

4）多项式朴素贝叶斯分类

二、模型评估与选择

1）分类器性能评估

2）模型选择

课后学习

任务布置

贝叶斯分类算法实现与评估

主要

参考资料

《python数据挖掘与机器学习》第2版魏伟一等主编，清华大学出版社

《数据挖掘与机器学习》课程教案

第21次课2学时

授课内容

分类分析4

教学目的

与要求

介绍分类算法4。

要求学生应该熟练掌握如下知识的运用：

1）组合分类框架与原理

2）组合分类方法

重点

难点

1）Adaboost

2）随机森林

教学进程

安排

授课内容：

一、组合分类

1）组合分类方法简介

2）袋装

3）提升和Adaboost

4）随机森林

课后学习

任务布置

随机森林算法实现

主要

参考资料

《python数据挖掘与机器学习》第2版魏伟一等主编，清华大学出版社

《数据挖掘与机器学习》课程教案

第22次课2学时

授课内容

综合实验（五）

教学目的

与要求

分类算法综合应用

通过本课的学习，学生应该掌握如下知识：

1）熟悉典型的分类算法应用

2）熟悉分类算法的评估与模型选择

重点

难点

1）典型分类算法

2）分类算法评估与模型选择

教学进程

安排

实验内容

一、分类分析综合实验

1）用不同的算法实现给定数据集的分类分析

2）掌握利用Python实现数据分类分析的常用方法

课后学