原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
《数据挖掘技术与应用》课程教学大纲
课程名称：数据挖掘技术与应用英文名称：DataMining
课程编码：621011040
学 分：3
学 时：45
开课学期：第三学年春季学期
适用专业：信息管理与信息系统专业、电子商务专业、计算机科学与技术等相关专业
课程类别：专业学位必修课先修课程：Python程序设计，线性代数，优化理论，Web基础
建议教材：《Python数据挖掘与机器学习实战》，第1版，方巍，机械工业出版社，201905
课程教学目标
以习近平新时代中国特色社会主义思想为指导，贯彻落实立德树人根本任务，将课程思政作为一流课程建设的必要条件。《数据挖掘技术与应用》课程在教学过程中，立足本国国情和本校教学实践，充分挖掘本课程的思政元素，系统有机地把思政元素融入线上线下教学全过程，形成技术与思政协同育人效应，培养具有家国情怀、具有全面的数据处理能力的高素质人才。
课程主要目标是让学生理解数据挖掘、机器学习模型的基本原理、能够使用Python语言编写相应的代码，完成任务。
课程注重培养学生的理论能力和实验能力。
课程教学基本要求
1.教学要求
数据挖掘技术与应用这门课程强调锻炼学生的数理能力，建模能力，编程能力，与信息搜集、分析的能力。在教学过程中需要不断地设计相关的实验训练学生发现问题、解决问题、总结问题地能力，从而掌握足够的数据挖掘技术与知识，可以找到与之相关的就业岗位。
2.教学重点
本课程的教学重点内容是基础爬虫、线性回归模型、Logistic回归模型、决策树模型、随机森林、SVM、隐马尔可夫模型、神经网络、聚类算法、集成模型。
3.与先后课程的联系
本课程需要学生具有较好的数理基础，熟悉线性回归和基础优化算法，熟悉python编
程。学习完本课程之后，可以继续深入学习强化学习等进阶人工智能课程。
4.主要教学环节安排
主要教学环节为理论讲解、结果解读以及上机实训。其中以上机实训为主，在操作中讲解理论与方法。
5.教学方法
理论课主要讲解模型的数学原理，和案例代码。
实验课主要是实验前的难点进行演示，实验中对学生进行指导，启发学生的手脑并用，培养学生通过实验独立获取知识和操作技能的能力，注重随堂考查，点评学生实验作品和实验报告，不断强化学生的动手能力。
指导学生利用各种途径学习查阅资料，综合利用所学知识和技能，对现实中碰到
的问题进行统计分析；勇于探索和实践，发扬团队精神，培养学生的创新意识。
三、课程教学内容
第一章数据挖掘技术介绍，python编程基础
教学内容：
介绍数据挖掘技术的种类，机器学习算法在工业界的应用，python基础讲解，包括列表，元组，字典，集合，Numpy库等。
教学要求：
让学生熟悉Anaconda开发环境，完成python基础编程的任务教学重点：
Anaconda与IDE的配置，python基础数据结构讲解与训练教学难点：
字典与具名元组
第二章基础爬虫设计
教学内容：
Urllib和BeautifulSoup编写基础爬虫，网页源码解读，WebScrapy框架介绍教学要求：
学生可以完成基础爬虫的编程教学重点：爬虫编写，正则表达式与Lambda表达式的使用教学难点：
Urllib与BS库的使用第三章线性回归模型
教学内容：
一元线性回归和多元线性回归模型与案例，sklearn库使用
教学要求：
学生需要掌握调包实现线性回归模型，以及损失函数推导，并用Numpy库完成手动编写的程序计算相关参数
教学重点：
回归模型参数含义解释，sklearn库的使用，模型推导教学难点：
Python编写回归模型；回归公式推导第四章Logistic回归与决策树教学内容：
Logistic回归和决策树模型教学要求：
掌握Logistic回归的原理，树模型的原理教学重点：损失函数推导教学难点：
Python编写决策树模型，并用实际数据进行案例设计第五章随机森林算法、SVM
教学内容：
随机森林与支持向量机模型教学要求：理解模型原理，编写模型程序教学重点：
随机森林与SVM模型原理与应用实践教学难点：
树模型的理解和非线性程序的编写第六章常用数据挖掘算法、HMM模型
教学内容：
经典数据挖掘算法介绍（FP-Growth和Aprior）、HMM原理介绍教学要求：
理解关联规则、频繁项集以及数据挖掘的经典算法，掌握HMM核心原理教学重点：频繁项集、关联规则、代表性的挖掘算法，HMM模型的数学原理教学难点：
HMM推导与数学含义的理解，使用python实现HMM案例编程第七章神经网络模型
教学内容：
CNN与RNN原理与编程教学要求：
理解CNN与RNN原理教学重点：神经网络基本原理
教学难点：
Pytorch和Tensorflow等工具的安装与使用、CNN、RNN等模型的实现第八章聚类算法
教学内
文档评论（0）