数据挖掘教学大纲
数据挖掘 教学大纲
数据挖掘教学大纲数据挖掘教学大纲引言：数据挖掘作为一门应用于从大量数据中发现模式、规律和知识的技术，已经在各个领域得到广泛应用。
为了培养学生在这个领域的专业能力，制定一份完善的数据挖掘教学大纲是至关重要的。
本文将探讨数据挖掘教学大纲的设计和内容，以及培养学生的核心能力。
一、课程目标和背景数据挖掘教学的目标是培养学生具备深入理解数据挖掘原理和方法的能力，能够独立进行数据挖掘项目的设计、实施和评估。
此外，还要培养学生的数据分析和解决实际问题的能力，以及良好的团队合作和沟通能力。
二、课程内容1. 数据挖掘概述介绍数据挖掘的定义、发展历程、应用领域以及数据挖掘过程的基本步骤。
同时，引导学生了解数据挖掘的重要性和应用前景。
2. 数据预处理讲解数据预处理的目的和方法，包括数据清洗、数据集成、数据转换和数据规约。
通过实际案例，让学生了解如何处理现实中的脏数据和缺失数据。
3. 数据挖掘算法介绍常见的数据挖掘算法，包括分类、聚类、关联规则和异常检测。
详细讲解每种算法的原理、应用场景和实现方法，并通过实例演示学生如何选择合适的算法解决实际问题。
4. 特征选择和降维讲解特征选择和降维的概念和方法，以及它们在数据挖掘中的作用。
通过实践项目，引导学生掌握特征选择和降维技术的应用。
5. 模型评估和优化介绍模型评估的指标和方法，以及如何通过交叉验证和网格搜索等技术对模型进行优化。
培养学生对模型性能评估和调优的能力。
6. 数据可视化讲解数据可视化的原理和方法，引导学生学会使用可视化工具展示数据挖掘结果。
通过实践项目，培养学生的数据分析和表达能力。
三、教学方法1. 理论讲授与案例分析相结合通过理论讲授，学生可以了解数据挖掘的基本概念和方法；通过案例分析，学生可以将理论知识应用到实际问题中，提高解决问题的能力。
2. 实践项目与团队合作设计实践项目，让学生在实际情境中应用数据挖掘技术解决问题。
通过团队合作，培养学生的团队协作和沟通能力。
《数据挖掘》课程教学大纲
《数据挖掘》课程教学⼤纲《数据挖掘》课程教学⼤纲⼀、《数据挖掘》课程说明（⼀）课程代码:14132007（⼆）课程英⽂名称：Data Mining（三）开课对象：计算机与信息管理及其相关专业（四）课程性质：数据挖掘是信息与计算科学专业的专业课程，本课程以数据挖掘为主要内容，讲述实现数据挖掘的各主要功能、挖掘算法和应⽤，并通过对实际数据的分析更加深⼊地理解常⽤的数据挖掘模型。
掌握⼤型数据挖掘软件SAS Enterprise Miner的使⽤，培养学⽣数据分析和处理的能⼒。
先修课程：《数据库原理》、《概率论与数理统计》、《SAS软件基础》。
（五）教学⽬的：通过《数据挖掘》课程的教学，使学⽣理解数据挖掘的基本概念和⽅法，学习和掌握SAS Enterprise Miner中的数据挖掘⽅法。
学⽣能够借助SAS Enterprise Miner软件⼯具进⾏具体数据的挖掘分析。
（六）教学内容：本课程主要学习的内容包括数据预处理、分类与预测、聚类分析等内容。
（七）教学时数课程学时：48学分：3（⼋）教学⽅式以多媒体教学⼿段为主要形式的课堂教学（九）考核⽅式和成绩记载说明考核⽅式笔试加上机⼤作业，严格考核学⽣出勤情况，达到学籍管理规定的旷课量取消考试资格。
综合成绩根据平时成绩和期末成绩评定，平时成绩占40% ，期末成绩占60% 。
⼆、讲授⼤纲与各章的基本要求第⼀章数据挖掘导论教学要点：1、熟悉数据挖掘的基本概念和功能2、了解数据挖掘的系统分类教学时数：8学时教学内容：第⼀节数据挖掘发展概述2、基本应⽤概述第⼆节数据挖掘功能1、概念描述：定性与对⽐2、关联分析3、分类与预测4、聚类分析5、异类分析6、演化分析第三节数据挖掘系统1、系统分类2、系统应⽤3、数据挖掘在医学信息系统和社会保险领域的应⽤考核要求：1、数据挖掘发展概述1.1功能和基本应⽤概述（识记）2、数据挖掘功能2.1概念描述（识记）2.2关联分析（领会）2.3分类与预测 (领会）2.4聚类分析 (领会）2.5异类分析 (领会）2.6演化分析 (领会）3、数据挖掘系统（应⽤）第⼆章数据预处理教学要点：1.了解数据预处理的重要性2.熟悉数据预处理的⽅法教学时数：6学时教学内容：第⼀节数据清洗1、噪声数据处理2、不⼀致数据处理第⼆节数据集成与转换1、数据集成处理2、数据转换处理1、数据清洗1.1噪声数据处理（领会）1.2不⼀致数据处理（领会）2、数据集成与转换2.1数据集成处理（应⽤）2.2数据转换处理（应⽤）第三章分类与预测教学要点：1、掌握分类与预测基本知识2、了解各项分类和预测⽅法教学时数：12学时教学内容：第⼀节分类与预测基本知识1、分类基础2、预测基础第⼆节基于决策树的分类第三节贝叶斯分类第四节神经⽹络分类第五节预测⽅法1、线性与多变量回归2、⾮线性回归3、其他回归模型考核要求：1、分类与预测基本知识1.1分类基础（识记）1.2预测基础（识记）2、基于决策树的分类（领会）3、贝叶斯分类（领会）4、神经⽹络分类（领会）5、预测⽅法5.1线性与多变量回归（领会）5.2⾮线性回归（领会）5.3其他回归模型（领会）第四章聚类分析教学要点：1、掌握聚类分析基本概念2、了解聚类分析基本⽅法教学时数：12学时教学内容：1、基础知识2、聚类分析⽅法：K－MEANS算法等考核要求：1、基础知识（识记）2、聚类分析⽅法：K－MEANS算法等（应⽤）三、推荐教材和参考书⽬：1、《数据挖掘原理与技术》，张云涛、龚玲著，电⼦⼯业出版社，20042、《数据仓库与数据挖掘技术》，陈京民编著，电⼦⼯业出版社，20023、《数据挖掘与OLAP理论与实务》，林杰斌主编，清华⼤学出版社，2003.14、《数据挖掘》，朱明编著，中国科学技术⼤学出版社，2002.25、《数据挖掘教程》, Richard J. Roiger, Michael W. Geatz 著,翁敬农译，清华⼤学出版社，20036、《数据挖掘原理》，David Hand, Heikki Mannila, Padhraic Smyth著，张银奎、廖丽、宋俊等译，机械⼯业出版社，2003。
数据挖掘教学大纲
数据挖掘教学大纲引言概述：数据挖掘是一门涉及数据分析和模式识别的学科，它通过挖掘数据中的隐藏模式和关联性，帮助我们从大量的数据中提取有价值的信息。
因此，设计一份合理的数据挖掘教学大纲是非常重要的。
本文将从五个大点出发，详细阐述数据挖掘教学大纲的内容。
正文内容：1. 数据挖掘基础知识1.1 数据挖掘概述：介绍数据挖掘的定义、目标和应用领域。
1.2 数据挖掘过程：详细阐述数据挖掘的步骤和流程，包括数据预处理、特征选择、模型建立和评估等。
1.3 数据挖掘算法：介绍常用的数据挖掘算法，如分类、聚类、关联规则等，并分析它们的原理和适用场景。
2. 数据预处理2.1 数据清洗：讲解如何处理缺失值、异常值和重复值等数据问题。
2.2 数据集成：介绍如何将来自不同数据源的数据整合到一个数据集中。
2.3 数据变换：讲解如何对数据进行规范化、离散化和归一化等处理。
2.4 特征选择：详细介绍如何选择对数据挖掘任务有用的特征。
3. 数据挖掘算法3.1 分类算法：介绍常用的分类算法，如决策树、朴素贝叶斯和支持向量机等，并分析它们的原理和应用场景。
3.2 聚类算法：讲解聚类算法的原理和常用方法，如K-means和层次聚类等。
3.3 关联规则挖掘：详细介绍关联规则挖掘的原理和算法，如Apriori和FP-Growth等。
3.4 预测算法：介绍常用的预测算法，如线性回归和时间序列分析等。
4. 模型评估与选择4.1 模型评估指标：讲解常用的模型评估指标，如准确率、召回率和F1值等。
4.2 交叉验证：介绍交叉验证的原理和方法，如K折交叉验证和留一法等。
4.3 模型选择：详细阐述如何选择适合的模型，包括根据数据特点和任务需求进行选择。
5. 数据挖掘应用5.1 金融领域：介绍数据挖掘在风险评估、信用评分和欺诈检测等方面的应用。
5.2 健康领域：讲解数据挖掘在疾病预测、医疗决策和基因分析等方面的应用。
5.3 社交媒体：详细阐述数据挖掘在用户推荐、情感分析和舆情监测等方面的应用。
数据挖掘教学大纲
数据挖掘教学大纲一、课程简介数据挖掘是从大量数据中提取出实用信息的过程。
本课程旨在介绍数据挖掘的基本概念、方法和技术，培养学生的数据挖掘能力和解决实际问题的能力。
通过本课程的学习，学生将掌握数据挖掘的理论基础、常用算法和工具，能够应用数据挖掘技术解决实际问题。
二、课程目标1. 了解数据挖掘的基本概念和发展历程；2. 掌握数据挖掘的基本任务和常用方法；3. 熟悉数据预处理和特征选择的技术；4. 掌握常用的数据挖掘算法和模型，如分类、聚类、关联规则等；5. 学会使用数据挖掘工具进行实际数据挖掘项目的实施；6. 培养学生的数据分析和问题解决能力。
三、教学内容与安排1. 数据挖掘概述（2学时）1.1 数据挖掘的定义和发展历程1.2 数据挖掘的任务和应用领域1.3 数据挖掘的流程和方法2. 数据预处理（4学时）2.1 数据清洗2.2 数据集成2.3 数据变换2.4 数据规约3. 特征选择与降维（4学时） 3.1 特征选择的概念和方法 3.2 特征降维的概念和方法3.3 主成份分析（PCA）算法4. 分类与预测（6学时）4.1 分类与预测的概念和任务 4.2 决策树算法4.3 朴素贝叶斯算法4.4 支持向量机算法4.5 集成学习算法5. 聚类分析（4学时）5.1 聚类分析的概念和任务 5.2 K均值聚类算法5.3 层次聚类算法5.4 密度聚类算法6. 关联规则挖掘（4学时）6.1 关联规则挖掘的概念和任务6.2 Apriori算法6.3 FP-Growth算法7. 数据挖掘工具与实践（4学时）7.1 常用的数据挖掘工具介绍7.2 数据挖掘项目实施流程7.3 数据挖掘案例分析与实践四、教学方法与评价方式1. 教学方法本课程采用理论讲授和实践操作相结合的教学方法。
理论讲授部份通过课堂讲解、案例分析、小组讨论等方式进行；实践操作部份通过实验、项目实施等形式进行。
2. 评价方式本课程的评价方式包括平时成绩和期末考试。
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 课程背景数据挖掘是一门综合性学科，结合了统计学、机器学习、数据库技术等多个领域的知识和技术，旨在从大规模数据集中发现有价值的信息和模式。
1.2 课程目标本课程旨在培养学生对数据挖掘的基本概念、方法和技术的理解和应用能力，使其能够运用数据挖掘技术解决实际问题。
二、课程内容2.1 数据挖掘概述2.1.1 数据挖掘定义和基本任务2.1.2 数据挖掘过程和流程2.1.3 数据挖掘应用领域和案例介绍2.2 数据预处理2.2.1 数据清洗和去噪2.2.2 数据集成和转换2.2.3 数据规范化和归一化2.3 数据挖掘算法2.3.1 分类算法2.3.1.1 决策树算法2.3.1.2 朴素贝叶斯算法2.3.1.3 支持向量机算法2.3.2 聚类算法2.3.2.1 K均值算法2.3.2.2 层次聚类算法2.3.2.3 密度聚类算法2.3.3 关联规则挖掘算法2.3.3.1 Apriori算法2.3.3.2 FP-Growth算法2.4 模型评估和选择2.4.1 训练集和测试集划分2.4.2 交叉验证2.4.3 模型评估指标2.5 数据可视化2.5.1 数据可视化基本原理2.5.2 常用数据可视化工具和技术三、教学方法3.1 理论讲授通过课堂讲解，介绍数据挖掘的基本概念、方法和技术，以及相关的应用案例。
3.2 实践操作通过实验和案例分析，让学生实际操作数据挖掘工具和算法，加深对理论知识的理解和应用能力。
3.3 课堂讨论鼓励学生参预课堂讨论，分享自己的观点和经验，提高学生的思维能力和问题解决能力。
四、教学评价4.1 课堂表现考察学生课堂参预度、提问和回答问题的能力，以及对理论知识的理解程度。
4.2 实验报告要求学生完成一定数量的实验，并撰写实验报告，评估学生对数据挖掘算法和工具的实际应用能力。
4.3 期末考试考察学生对课程内容的整体掌握程度，包括理论知识和实际应用能力。
五、参考教材1. Han, J., Kamber, M., & Pei, J. (2022). Data mining: concepts and techniques. Morgan Kaufmann.2. Tan, P. N., Steinbach, M., & Kumar, V. (2022). Introduction to data mining. Pearson Education.六、教学资源1. 数据挖掘软件：如RapidMiner、Weka等2. 数据集：包括公开数据集和自行采集的数据集七、课程进度安排本课程共分为16周，每周2学时，具体进度安排如下：1. 第1-2周：引言和数据挖掘概述2. 第3-4周：数据预处理3. 第5-6周：分类算法4. 第7-8周：聚类算法5. 第9-10周：关联规则挖掘算法6. 第11-12周：模型评估和选择7. 第13-14周：数据可视化8. 第15-16周：复习和总结以上是关于数据挖掘教学大纲的详细内容。
数据挖掘教学大纲
数据挖掘教学大纲一、课程简介数据挖掘是一门涉及从大量数据中提取实用信息的技术和方法的学科。
本课程旨在介绍数据挖掘的基本概念、常用算法和实际应用，培养学生对数据挖掘的理解和应用能力。
二、课程目标1. 理解数据挖掘的基本概念和原理；2. 掌握常用的数据挖掘算法和技术；3. 能够使用数据挖掘工具进行数据分析和模型构建；4. 能够应用数据挖掘技术解决实际问题。
三、教学内容1. 数据挖掘概述- 数据挖掘的定义和发展历程- 数据挖掘的应用领域和价值- 数据挖掘的主要任务和流程2. 数据预处理- 数据清洗：缺失值处理、异常值处理、重复值处理- 数据集成：数据集成方法和技术- 数据变换：数据规范化、数据离散化、数据归约3. 数据挖掘算法- 分类算法：决策树、朴素贝叶斯、支持向量机等- 聚类算法：K-means、层次聚类、DBSCAN等- 关联规则挖掘：Apriori算法、FP-growth算法等- 预测建模：线性回归、逻辑回归、神经网络等4. 模型评估与选择- 模型评估指标：准确率、召回率、F1值等- 交叉验证方法：K折交叉验证、留一法等- 模型选择：过拟合和欠拟合问题、正则化方法5. 数据挖掘工具与实践- 常用数据挖掘工具介绍：Weka、RapidMiner、Python库等- 数据挖掘实践案例分析：金融风控、市场营销、医疗诊断等四、教学方法1. 理论讲授：通过课堂讲解，介绍数据挖掘的基本概念、算法和应用。
2. 实践操作：通过实验课程，引导学生使用数据挖掘工具进行数据分析和模型构建。
3. 课堂讨论：组织学生讨论数据挖掘的应用案例，促进学生的思量和交流。
4. 课程项目：要求学生独立或者小组完成一个数据挖掘项目，包括数据预处理、建模和结果分析。
五、考核方式1. 平时成绩：包括课堂表现、实验报告和课程项目。
2. 期末考试：考察学生对数据挖掘理论和应用的掌握程度。
六、参考教材1. 《数据挖掘导论》（第2版），陈世杰，清华大学出版社，2022年。
数据挖掘教学大纲
数据挖掘教学大纲1. 引言1.1 数据挖掘概述1.2 数据挖掘在实际应用中的重要性1.3 数据挖掘的基本原理和方法2. 数据预处理2.1 数据清洗2.1.1 缺失值处理2.1.2 噪声数据处理2.1.3 异常值处理2.2 数据集成2.2.1 数据库集成2.2.2 文件集成2.3 数据变换2.3.1 数据规范化2.3.2 数据离散化2.3.3 数据归约2.4 数据降维2.4.1 特征选择2.4.2 特征提取3. 数据挖掘算法3.1 关联规则挖掘3.1.1 Apriori算法3.1.2 FP-Growth算法 3.2 分类算法3.2.1 决策树算法3.2.2 朴素贝叶斯算法 3.2.3 支持向量机算法 3.3 聚类算法3.3.1 K-means算法 3.3.2 层次聚类算法 3.4 预测算法3.4.1 线性回归算法3.4.2 神经网络算法4. 模型评估和验证4.1 模型评估指标4.1.1 准确率4.1.2 召回率4.1.3 F1值4.2 交叉验证4.3 过拟合和欠拟合问题5. 数据挖掘应用5.1 金融领域中的数据挖掘应用5.2 零售业中的数据挖掘应用5.3 医疗领域中的数据挖掘应用5.4 社交网络中的数据挖掘应用6. 实验与案例分析6.1 使用Python进行数据挖掘实验6.2 基于真实数据集的案例分析7. 数据挖掘的伦理和隐私问题7.1 数据隐私保护7.2 数据挖掘的伦理考虑8. 总结与展望8.1 数据挖掘的发展趋势8.2 数据挖掘在未来的应用前景本教学大纲旨在介绍数据挖掘的基本概念、方法和应用。
学生将学习如何进行数据预处理，包括数据清洗、数据集成、数据变换和数据降维。
然后，学生将学习不同的数据挖掘算法，如关联规则挖掘、分类算法、聚类算法和预测算法。
接下来，学生将学习如何评估和验证数据挖掘模型，并了解数据挖掘在不同领域的应用，如金融、零售、医疗和社交网络。
实验和案例分析将帮助学生将理论知识应用到实际问题中。
数据挖掘教学大纲
数据挖掘教学大纲
标题：数据挖掘教学大纲
引言概述：
数据挖掘作为一门重要的数据分析技术，已经在各个领域得到广泛应用。
为了培养学生对数据挖掘的理解和实践能力，制定一份完善的数据挖掘教学大纲至关重要。
本文将详细介绍数据挖掘教学大纲的内容和结构，以便于教师在教学过程中有条不紊地进行教学。
一、数据挖掘基础知识
1.1 数据挖掘的定义和作用
1.2 数据挖掘的基本概念
1.3 数据挖掘的应用领域
二、数据挖掘算法
2.1 分类算法
2.2 聚类算法
2.3 关联规则挖掘算法
三、数据挖掘工具和技术
3.1 数据预处理技术
3.2 特征选择和降维技术
3.3 模型评估和优化技术
四、数据挖掘实践案例
4.1 金融领域的数据挖掘实践
4.2 医疗领域的数据挖掘实践
4.3 社交网络领域的数据挖掘实践
五、数据挖掘伦理和法律问题
5.1 数据隐私保护
5.2 数据挖掘的伦理问题
5.3 数据挖掘的法律规范
结论：
通过本文对数据挖掘教学大纲的详细介绍，可以看出数据挖掘教学内容的丰富和多样性。
教师在设计和实施数据挖掘课程时，应该根据学生的实际情况和需求，灵活调整教学内容，使学生能够全面掌握数据挖掘的理论和实践技能，为将来的工作和研究打下坚实基础。
同时，也要重视数据挖掘的伦理和法律问题，引导学生正确处理数据挖掘过程中可能涉及的隐私和道德问题，做到合法合规地开展数据挖掘工作。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
西北师范大学计算机科学与技术专业课程教学大纲数据挖掘一、说明（一）课程性质数据挖掘是计算机科学与技术专业的选修课程，本课程以数据挖掘为主要内容，讲述实现数据挖掘的各主要功能、挖掘算法和应用，并通过对实际数据的分析更加深入地理解常用的数据挖掘模型。
先修课程：《数据库原理》、《概率论与数理统计》、《高级程序设计语言》、《数据结构》等。
（二）教学目的数据挖掘是20世纪末刚刚兴起的数据智能分析技术，由于有广阔的应用前景而备受重视。
数据挖掘作为一门新兴的学科，在它的形成和发展过程中表现出了强大的生命力，广大从事数据库应用与决策支持，以及数据分析等学科的科研工作者和工程技术人员迫切需要了解和掌握它。
数据挖掘涉及的内容较为广泛，已成为迅速发展并在信息社会中广泛应用的一门综合性学科。
数据挖掘已成为统计学专业的一门重要课程。
通过数据挖掘课程的教学，使学生理解数据挖掘的基本概念和方法，为进入更深入的智能数据分析研究打好基础。
（三）教学内容本课程主要学习的内容包括数据预处理、分类与预测、聚类分析等内容（四）教学时数本课程的教学时数为课堂36学时，上机18学时，2.5学分。
（五）教学方式本课程将采用课堂讲授、上机实验相结合的方法。
二、本文第一章数据挖掘概述教学要点：1.理解和掌握数据挖掘的基本概念、数据挖掘过程以及数据挖掘功能。
2.了解数据挖掘的应用和面临的问题。
3.对数据挖掘能够解决的问题和解决问题思路有清晰的认识。
教学时数：3学时。
教学内容：第一节什么是数据挖掘（0.5学时）数据挖掘（Data Mining）就是从大量的、不完全的、模糊的、随机的实际应用数据中，提取隐含在其中的、事先不知道的但又是潜在有用的信息和知识的过程。
第二节数据挖掘——在何种数据上进行？（0.5学时）关系数据库、数据仓库、事务数据库第三节数据挖掘功能——可以挖掘什么类型的模式（1学时）关联分析、分类和预测、聚类分析第四节数据挖掘系统的分类（1学时）数据挖掘系统可以根据所挖掘的知识类型分类。
即，根据数据挖掘的功能，如特征、区分、关联、聚类、局外者、趋势和演化分析、偏差分析、类似性分析等分类。
一个全面的数据挖掘系统应当提供多种和/或集成的数据挖掘功能。
此外，数据挖掘系统可以根据所挖掘的知识的粒度或抽象层进行区分，包括泛化知识（在高抽象层），原始层知识（在原始数据层），或多层知识（考虑若干抽象层）。
一个先进的数据挖掘系统应当支持多抽象层的知识发现。
数据挖掘系统还可以分类为挖掘数据规律（通常出现的模式）和数据反规律（如例外或局外者）。
一般地，概念描述、关联分析、分类、预测和聚类挖掘数据规律，将局外者作为噪音排除。
这些方法也能帮助检测局外者。
第二章数据仓库与OLAP教学要点：1.了解数据集市、数据仓库的基本内涵。
2.掌握数据仓库的实现方法，包括如何建立多维数据模型。
3.了解数据仓库系统的结构。
4.掌握OLAP的典型操作，并能根据实际问题进行OLAP操作。
教学时数：3学时。
教学内容：第一节数据仓库（0.5学时）数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理决策制定。
这个简短、全面的定义指出了数据仓库的主要特征。
四个关键词，面向主题的、集成的、时变的、非易失的，将数据仓库与其它数据存储系统（如，关系数据库系统、事务处理系统、和文件系统）相区别。
第二节多维数据模型（1学时）星形模式、雪花模式、事实星座模式第三节数据仓库的系统结构和实现（1学时）1.数据仓库的设计步骤和结构2.三层数据仓库结构3.OLAP 服务器类型第四节由数据仓库到数据挖掘（0.5学时）1.数据仓库的使用2.由联机分析处理到联机分析挖掘第三章数据预处理教学要点：1.了解数据预处理的目的和意义。
2.掌握如何读取不同数据源的数据。
3.掌握如何对数据进行清理。
4.掌握如何对不同数据源的数据进行合并。
5.掌握如何对数据进行变换，使之适合建模的需要。
6.掌握如何对数据进行消减，使得在消减后的数据集上挖掘更有效。
7.了解目前数据预处理发展及研究动态。
教学时数4学时。
教学内容：第一节数据清理（1学时）遗漏值、噪音数据第二节数据集成和变换（1学时）2.数据变换第三节数据归约（1学时）1. 数据方聚集：聚集操作用于数据方中的数据。
2. 维归约：可以检测并删除不相关、弱相关或冗余的属性或维。
3. 数据压缩：使用编码机制压缩数据集。
4. 数值压缩：用替代的、较小的数据表示替换或估计数据，如参数模型（只需要存放模型参数，而不是实际数据）或非参数方法，如聚类、选样和使用直方图。
第四节离散化和概念分层产生（1学时）1.数值数据的离散化和概念分层产生。
2.分类数据的概念分层产生。
第四章挖掘频繁模式、关联和相关教学要点：1.了解关联规则的基本思想、概念和意义。
2.了解关联规则挖掘的应用背景；掌握常用的关联规则算法。
3.掌握关联规则分析如何通过数据挖掘软件实现。
4.了解其它方法的内容、了解关联规则挖掘的研究动态。
教学时数：4学时。
教学内容：第一节基本概念和路线图（0.5学时）1.购物篮分析2.频繁项集、闭项集和关联规则3.频繁模式挖掘：路线图第二节有效的和可伸缩的频繁项集挖掘（2学时）1.Apriori 算法：使用候选项集找频繁项集2.由频繁项集产生关联规则3.提高Apriori 算法的有效性第三节挖掘各种类型的关联规则（1学时）1.多层关联规则2.挖掘多层关联规则的方法第四节由关联挖掘到相关分析（0.5学时）1.强关联规则2.由关联分析到相关分析第五章分类与预测教学要点：1.了解分类及预测的基本思想、概念和意义。
2.掌握常用的分类及预测算法（或模型）。
3.了解分类及预测挖掘的研究动态。
教学时数：12学时。
教学内容：第一节什么是分类，什么是预测（0.5学时）分类和预测的定义第二节用决策树归纳分类（1学时）2.属性选择度量3.树剪枝4.可伸缩性与决策树归纳第三节贝叶斯分类（2学时）1.贝叶斯定理2.朴素贝叶斯分类3.贝叶斯信念网络4.训练贝叶斯信念网络第四节基于规则的分类（1学时）1.使用IF-THEN规则分类2.从决策树提取规则3.使用顺序覆盖算法的规则归纳第五节后向传播分类（2学时）1.多路前馈神经网络2.定义网络拓扑3.后向传播4.后向传播和可解释性第六节支持向量机（2学时）1.数据线性可分情况下的分类2.数据线性不可分情况下的分类第七节惰性学习法（1学时）1.K最近邻分类算法2.基于案例的推理第八节其它分类方法（1.5学时）1.遗传算法2.粗糙集方法3.模糊集方法第九节预测（1学时）1.线性回归2.非线性回归3.其它回归模型第六章聚类分析教学要点：1.了解如何计算由各种属性和不同的类型来表示的对象之间的相异度。
2.了解几种聚类技术，它们可以分为如下几类：划分方法，层次方法，基于密度的方法，基于网格的方法，和基于模型的方法。
3.如何利用聚类方法进行离群点分析。
教学时数：10学时。
教学内容：第一节聚类分析中的数据类型（0.5学时）1.区间标度（Interval-Scaled）变量2.二元变量（binary variable）3.标称型、序数型和比例标度型变量4.混合类型的变量第二节主要聚类方法的分类（0.5学时）1.划分方法2.层次的方法3.基于密度的方法4.基于网格的方法第三节划分方法（2学时）1.典型的划分方法：k-Means 和k-Medoids2.大规模数据库中的划分方法：从k-Medoids 到CLARANS第四节层次方法（2学时）1.凝聚的和分裂的层次聚类2.BIRCH：利用层次方法的平衡迭代约减和聚类3.ROCK：分类属性的层次聚类算法第五节基于密度的方法（2学时）1.DBSCAN:一个基于密度和高密度的连结区域的聚类算法2.OPTICS：通过对象排序识别聚类结构3.DENCLUE：基于密度分布函数的聚类第六节基于约束的聚类分析（2学时）1.含有障碍物的对象聚类2.用户约束的聚类分析3.半监督聚类分析第七节孤立点(OUTLIER)分析（1学时）1.基于统计分布的离群点探测2.基于距离的离群点探测3.基于密度的局部离群点检测4.基于偏离的离群点探测三、参考书目教材用书：1、Jiawei Han、Micheline·Kamber 著，范明等译，《数据挖掘概念与技术》，机械工业出版社，2007年3月，第二版。
参考书目：1、张云涛、龚玲著，《数据挖掘原理与技术》，电子工业出版社，2004。
2、陈京民编著，《数据仓库与数据挖掘技术》，电子工业出版社，2002。
3、林杰斌主编，《数据挖掘与OLAP理论与实务》，清华大学出版社，2003.1。
4、朱明编著，《数据挖掘》，中国科学技术大学出版社，2002.2。
5、Richard J. Roiger, Michael W. Geatz 著,翁敬农译，《数据挖掘教程》,清华大学出版社，2003。
6、David Hand, Heikki Mannila, Padhraic Smyth著，张银奎、廖丽、宋俊等译，《数据挖掘原理》，机械工业出版社，2003。
本课程使用教具和现代教育技术的指导性意见本课程教材力求内容新颖，应采用多样化的方式进行教学，让学生在理论与实践相结合的基础上，对课程所要求的实际操作能力有进一步的提高。
充分利用多媒体等现代化教学手段，整体优化教学过程和教学内容，调动学生学习积极性；布置实际操作任务给学生上机操作并及时指导。
《数据挖掘》实验教学大纲及实验项目课程编号：71001607课程类别：专业基础选修课实验学时：实验18学时学分：1适用专业：计算机科学与技术一、实验教学目的和任务数据挖掘是20世纪末刚刚兴起的数据智能分析技术，由于有广阔的应用前景而备受重视。
数据挖掘作为一门新兴的学科，在它的形成和发展过程中表现出了强大的生命力，广大从事数据库应用与决策支持，以及数据分析等学科的科研工作者和工程技术人员迫切需要了解和掌握它。
数据挖掘涉及的内容较为广泛，已成为迅速发展并在信息社会中广泛应用的一门综合性学科。
数据挖掘已成为统计学专业的一门重要课程。
通过数据挖掘课程的教学，使学生理解数据挖掘的基本概念和方法，为进入更深入的智能数据分析研究打好基础。
本课程的任务是：通过实践，学生对常用数据挖掘中的基本概念及其不同算法的实现方法的理论得到进一步的掌握，并对数据挖掘中的数据预处理、分类与聚类方法的具体实现及作用有所体会。
二、实验教学基本要求本课程是一门实践性很强的专业课，只有了解这门课程的特点和基本要求，学习时才能做到有的放矢，举一反三，本课程特点主要有以下几个方面：(1) 内容丰富，理论性强。
本课程为以后更深入的进行智能数据分析研究打下良好的基础。
(2) 注重理论联系实际，加强实验环节的训练。