数据仓库及数据挖掘-冯霞课程教学大纲.docVIP

PAGE9

《数据仓库及数据挖掘》教学大纲

课程英文名称

IntroductiontoDataWarehousingandDataMining

开课院系

计算机科学与技术学院

课程类别

学位课（学科必修课、专业必修课）

授课对象

1.学术型2.专业学位

授课方式

1.讲授类2.研讨类4.专题类5.双语类6.前沿类

课程总学时

36

课程总学分

2

开课学期

1

适用专业

计算机科学与技术、计算机技术、航空运输大数据工程

预修课程

概率论与数理统计、程序设计语言、算法与数据结构、数据库系统原理

主讲教师1

冯霞

职称

教授

主讲教师2

冯兴杰

职称

教授

课程简介（500字以内）：

《数据仓库和数据挖掘》这门课程主要介绍数据仓库和数据挖掘的基本概念、方法和技术，具体包括：（1）数据及其预处理，（2）数据仓库和联机分析处理OLAP，（3）高效的、可伸缩的数据挖掘方法，如：频繁项模式挖掘和关联分析，分类和预测，聚类分析等。

课程教学目标与基本要求：

本课程以数据仓库与数据挖掘的基本概念和基本方法为主要内容，以方法的应用为主线，系统介绍数据仓库和数据挖掘的有关概念和基础知识，要求学生能对数据仓库和数据挖掘的基本方法和基本概念有整体的了解，从理论上掌握数据仓库、OLAP联机分析的基本概念、原理、主要算法及应用系统解决方案，对数据挖掘的关联规则，分类方法，聚类方法有深入的了解，并能够在软件开发过程中熟练掌握这些方法加以应用。

课程考核方式和成绩计算评定：

1．考核方式：考试（）；考查（√）

2．成绩评定：

总评成绩构成：平时考核（15）％；中期考核（40）％；期末考核（45）％

平时成绩构成：考勤考纪（50）％；作业（0）％；读书报告（0）％

实践环节（0）％；其他（50）％（课堂参与程序）

课程内容及详细教学计划：

授课内容（细化到章、节、目）

教学目标

授课模式（指传统讲授、讨论、多媒体教学等）

绪论（数据挖掘基本概念）

主要内容：为什么进行数据挖掘，什么是数据挖掘，可以挖掘什么类型的数据，可以挖掘什么类型的模式，使用什么技术，面向什么类型的应用，数据挖掘要研究的主要问题

了解什么是数据挖掘；

了解数据挖掘功能；

了解数据挖掘系统主要技术；

了解数据挖掘要研究的主要问题；

传统讲授、讨论

认识数据

主要内容：数据对象与属性类型，数据的基本统计描述，数据可视化，度量数据的相似性和相异性

掌握数据的属性类型；

掌握数据的基本统计描述；

了解常用数据可视化技术；

掌握数据相似性和相异性的度量方法；

传统讲授、讨论

数据预处理

主要内容：数据预处理的主要任务，数据清理，数据集成，数据规约，数据变换与数据离散化

了解数据预处理的主要内容；

掌握数据清理的常用方法；

掌握数据集成的常用方法；

掌握数据规约的常用方法；

掌握数据变换与数据离散化的常用方法；

传统讲授、讨论

数据仓库与联机分析处理

主要内容：数据仓库基本概念，数据仓库建模：数据立方体与OLAP，数据仓库设计与使用，数据仓库实现

掌握数据仓库基本概念；

了解常用的多维数据模型；

了解数据仓库的设计与使用；

了解数据仓库实现；

传统讲授、讨论

挖掘频繁模式、关联和相关性

主要内容：频繁项集基本概念，频繁项及挖掘方法，模式评估方法，多层、多维空间中的模式挖掘

掌握频繁项集基本概念；

掌握频繁项集挖掘方法；

掌握模式评估方法；

了解多层、多维空间中的模式挖掘；

传统讲授、讨论

分类：基本概念

主要内容：基本概念，决策树归纳，贝叶斯分类方法，基于规则的分类，模型评估与选择，提高分类准确率的技术

掌握基本概念；

掌握常用的分类方法：决策树、贝叶斯、基于规则的分类等

掌握分类器和预测期的评估与选择方法；

了解提高分类和预测准确度的常用方法；

传统讲授、讨论

分类：高级方法

贝叶斯信念网络，用后向传播分类，支持向量机，使用频繁模式分类，惰性学习法，其他分类方法，关于分类的其它问题

了解贝叶斯信念网络、后向传播、支持向量机等分类方法；

了解使用频繁模式分类、惰性学习等分类方法；

了解关于分类的其他问题；

传统讲授、讨论

聚类分析

主要内容：聚类分析基本概念，划分方法，层次方法，基于密度的方法，基于网格的方法，聚类评估

掌握聚类分析基本概念；

掌握几种常用的聚类方法：如划分方法、层次方法、基于密度的方法等；

掌握聚类评估方法；

传统讲授、讨论

数据挖掘的应用和发展趋势

主要内容：数据挖掘的应用，数据挖掘系统产品和研究原型，数据挖掘的其他主题，数据挖掘的社会影响，数据挖掘的发展趋势

了解数据挖掘的应用：在民航业、金融业、零售业、电信业等；

了解数据挖掘的社会影响；

了解数据挖掘的发展趋势；

传统讲授、讨论

教材及教学