数据仓库与数据挖掘-教学大纲
数据仓库与数据挖掘教学大纲

数据仓库与数据挖掘教学大纲引言概述:数据仓库与数据挖掘是现代信息技术领域中的重要概念,它们在数据分析和决策支持方面起着至关重要的作用。
为了更好地培养学生的数据分析和决策能力,教育机构需要制定一份完善的数据仓库与数据挖掘教学大纲。
本文将从五个大点出发,详细阐述数据仓库与数据挖掘教学大纲的内容。
正文内容:1. 数据仓库基础知识1.1 数据仓库的定义和特点1.2 数据仓库的架构和组成1.3 数据仓库的设计原则1.4 数据仓库的建模方法1.5 数据仓库的维护和管理2. 数据仓库的ETL过程2.1 ETL的定义和作用2.2 数据抽取的方法和技术2.3 数据转换的方法和技术2.4 数据加载的方法和技术2.5 ETL过程的监控和调优3. 数据挖掘的基本概念3.1 数据挖掘的定义和目标3.2 数据挖掘的过程和方法3.3 数据挖掘的常用算法3.4 数据挖掘的应用领域3.5 数据挖掘的评估和验证4. 数据挖掘技术在决策支持中的应用4.1 决策支持系统的定义和特点4.2 数据挖掘在决策支持系统中的作用4.3 数据挖掘在市场营销决策中的应用4.4 数据挖掘在风险评估中的应用4.5 数据挖掘在客户关系管理中的应用5. 数据仓库与数据挖掘的案例分析5.1 案例一:零售业的销售数据分析5.2 案例二:医疗保险的欺诈检测5.3 案例三:社交媒体的用户行为分析5.4 案例四:电信运营商的用户流失预测5.5 案例五:创造业的供应链优化总结:综上所述,数据仓库与数据挖掘教学大纲应包括数据仓库基础知识、ETL过程、数据挖掘的基本概念、数据挖掘技术在决策支持中的应用以及案例分析。
通过系统学习这些内容,学生将能够掌握数据仓库与数据挖掘的理论和实践技能,提升他们在数据分析和决策支持方面的能力。
教育机构应根据实际情况和需求,制定符合学生需求的教学大纲,进一步推动数据仓库与数据挖掘的教育与研究发展。
数据仓库与数据挖掘教学大纲

数据仓库与数据挖掘教学大纲引言概述:数据仓库与数据挖掘是现代信息技术领域中的重要概念,对于培养学生的信息分析和决策能力具有重要意义。
因此,制定一份完善的数据仓库与数据挖掘教学大纲对于高等教育机构来说至关重要。
本文将从四个方面详细阐述数据仓库与数据挖掘教学大纲的内容。
一、数据仓库的基本概念1.1 数据仓库的定义和特点数据仓库是指将多个数据源中的数据集成到一个统一的、面向主题的、稳定的、非易失的数据存储中,以支持决策支持系统和数据分析。
数据仓库的特点包括数据集成、面向主题、稳定性和非易失性等。
1.2 数据仓库的架构和组成数据仓库的架构包括数据源层、数据集成层、数据存储层和数据展示层。
数据源层用于获取和整合各种数据源的数据,数据集成层负责将数据进行清洗和转换,数据存储层用于存储清洗后的数据,数据展示层则是为用户提供数据查询和分析的接口。
1.3 数据仓库的设计和建模数据仓库的设计和建模是指根据业务需求和数据分析目标,对数据仓库的结构和内容进行设计和建模。
数据仓库的设计和建模需要考虑数据模型、维度建模、事实表与维度表的设计等方面。
二、数据挖掘的基本概念2.1 数据挖掘的定义和目标数据挖掘是指从大规模数据集中发现隐藏于其中的有用信息和模式的过程。
数据挖掘的目标包括分类、聚类、关联规则挖掘、异常检测等。
2.2 数据挖掘的方法和技术数据挖掘的方法和技术包括统计分析、机器学习、人工智能等。
其中,统计分析包括描述统计和推断统计,机器学习包括监督学习和无监督学习,人工智能包括神经网络和遗传算法等。
2.3 数据挖掘的应用领域数据挖掘的应用领域广泛,包括市场营销、金融风险管理、医疗诊断、社交网络分析等。
数据挖掘在各个领域的应用可以帮助企业和组织做出更准确的决策和预测。
三、数据仓库与数据挖掘的关系3.1 数据仓库与数据挖掘的联系数据仓库与数据挖掘是相辅相成的关系,数据仓库提供了数据挖掘的数据源,而数据挖掘则可以从数据仓库中发现有用的信息和模式。
数据仓库与数据挖掘教学大纲

数据仓库与数据挖掘教学大纲1. 课程简介数据仓库与数据挖掘是现代信息技术领域中非常重要的研究方向。
本课程将介绍数据仓库和数据挖掘的基本概念、原理和应用技术。
通过本课程的学习,学生将掌握数据仓库和数据挖掘的基本理论和实践技能,为日后从事相关工作打下坚实基础。
2. 课程目标- 理解数据仓库和数据挖掘的基本概念和原理;- 掌握数据仓库和数据挖掘的常用技术和方法;- 能够运用数据仓库和数据挖掘技术解决实际问题;- 培养学生的数据分析和决策能力。
3. 课程大纲3.1 数据仓库概述- 数据仓库的定义和特点- 数据仓库架构和组成- 数据仓库的应用领域3.2 数据仓库建模- 数据仓库的数据模型- 维度建模和事实表设计- 数据仓库的数据抽取、转换和加载3.3 数据仓库查询与分析- 数据仓库查询语言- 多维数据分析和OLAP技术- 数据仓库的性能优化3.4 数据挖掘概述- 数据挖掘的定义和任务- 数据挖掘的基本过程- 数据挖掘的应用领域3.5 数据挖掘算法- 分类与预测算法- 聚类算法- 关联规则挖掘算法3.6 数据挖掘应用- 金融数据挖掘- 健康数据挖掘- 社交媒体数据挖掘4. 教学方法本课程将采用多种教学方法,包括理论讲授、案例分析、实践操作和小组讨论等。
通过理论与实践相结合的方式,帮助学生更好地理解和掌握数据仓库和数据挖掘的知识和技能。
5. 评估方式- 平时成绩(30%):包括课堂表现、作业完成情况等。
- 期中考试(30%):考察学生对数据仓库和数据挖掘的理论知识的掌握程度。
- 期末项目(40%):要求学生运用所学知识和技能,完成一个实际的数据仓库和数据挖掘项目。
6. 参考教材- Jiawei Han, Micheline Kamber, Jian Pei. "Data Mining: Concepts and Techniques", 3rd Edition.- Ralph Kimball, Margy Ross. "The Data Warehouse Toolkit: The Definitive Guideto Dimensional Modeling", 3rd Edition.7. 参考资源- 数据仓库与数据挖掘相关的学术论文和研究报告- 开源数据仓库和数据挖掘工具,如MySQL、RapidMiner等8. 注意事项本课程对学生的编程基础要求较高,建议学生提前学习数据库和编程相关知识,以便更好地理解和应用数据仓库和数据挖掘技术。
数据仓库与数据挖掘教学大纲

数据仓库与数据挖掘教学大纲引言概述:数据仓库与数据挖掘是现代信息技术领域中的重要概念,对于培养学生的数据分析和决策能力具有重要意义。
因此,制定一份完善的数据仓库与数据挖掘教学大纲是必不可少的。
本文将从数据仓库与数据挖掘的基本概念、教学目标、教学内容、教学方法和评价方式五个方面,详细阐述数据仓库与数据挖掘教学大纲的内容。
一、基本概念1.1 数据仓库的定义与特点数据仓库是指将各类数据按照一定的结构和规范集成到一个统一的存储空间中,以支持决策分析和业务智能的技术体系。
它具有数据集成、主题导向、面向决策支持等特点。
1.2 数据挖掘的定义与作用数据挖掘是指通过自动或者半自动的方式,从大规模数据中发现隐藏的模式、关联和规律,用于预测、分类、聚类和异常检测等任务。
它可以匡助人们更好地理解数据,提供决策支持和业务洞察。
1.3 数据仓库与数据挖掘的关系数据仓库提供了数据挖掘所需的高质量、一致性和集成性数据,而数据挖掘则通过对数据仓库进行分析和挖掘,发现有价值的信息和知识。
二、教学目标2.1 知识目标学生应该掌握数据仓库和数据挖掘的基本概念、原理和方法,了解数据仓库与数据挖掘在实际应用中的意义和作用。
2.2 技能目标学生应该具备数据仓库和数据挖掘的建模、设计和实施能力,能够运用相应的工具和算法进行数据分析和挖掘。
2.3 态度与价值观目标学生应该培养数据驱动决策的思维方式,注重数据的质量和准确性,提高数据分析和决策的能力。
三、教学内容3.1 数据仓库的建设与管理包括数据仓库的设计原则、数据抽取与清洗、数据集成与转换、数据加载与更新、数据仓库的查询与分析等内容。
3.2 数据挖掘的基本方法与算法包括分类与预测、聚类分析、关联规则挖掘、时序模式挖掘等数据挖掘的基本方法和常用算法。
3.3 数据挖掘的应用案例通过实际案例的分析和讨论,让学生了解数据挖掘在不同领域中的应用,如市场营销、金融风控、医疗健康等。
四、教学方法4.1 理论讲授予案例分析通过教师的讲解和案例的分析,向学生介绍数据仓库与数据挖掘的基本概念和方法,培养学生的理论思维和实际应用能力。
数据仓库与数据挖掘课程教学大纲

叁握鱼生刍叁捱捡握课程教学大纲一、课程的基本信息适应对象:信息与计算科学专业课程代码:15E003027学时分配:54赋予学分:3先修课程:数据库原理与技术、概率论与数理统计、数据分析后续课程:毕业综合训练二'课程性质与任务数据仓库与数据挖掘技术是信息与计算科学专业方向选修课程,本课程反映了信息与计算科学专业具有数学学科与信息学科交叉的学科背景;数据仓库与数据挖掘主要运用概率论、统计学、神经网络、关联规那么等数学理论来挖掘海量数据中有价值的信息,为各领域的决策提供数据的支撑;通过本课程的学习,拓宽学生专业视野,有利于培养学生的数学应用能力,提高专业综合素养。
三、教学目的与要求通过本课程使学生理解数据仓库的概念和体系结构、数据仓库的数据存储和处理及数据仓库系统的设计与开发。
掌握数据挖掘的常用方法,如关联规那么、数据分类、数据聚类、贝叶斯网络、粗糙集、神经网络、遗传算法、统计分析,并能使用R语言做相关的数据挖掘; 培养学生运用各中数据挖掘算法解决实际的数据分析问题的能力,为从事信息科学的研究和应用打下一个坚实的基础。
四、教学内容与课时安排1数据仓库的概念概述(4课时)数据仓库概述数据挖掘概述数据挖掘工具(R语言)2数据仓库(4课时)数据仓库的概念及体系结构数据仓库的模型与设计3联机分析处理技术(6课时)OLAP概述多维分析操作OLAP的基本数据模型4数据预处理(4课时.)数据清洗数据集成和变换数据规约5关联规那么(6课时)关联规那么的概念与分类 Apriori算法FP-Growth算法6决策树方法(6课时)信息论基本原理常用决策树算法决策树剪枝和分类规那么提取7统计学习方法(4课时)朴素贝叶斯分类贝叶斯信念网络的预测、诊断和训练算法回归分析8神经网络(6课时)人工神经网络BP神经网络和SOFM神经网络Elman神经网络Hopfield 神经网络9聚类分析(6课时)聚类分析概率聚类分析的相异度聚类分析的算法10粗糙集(6课时)粗糙集概述粗糙集的属性约简粗糙集的决策规那么约简11文本和Web挖掘(2课时)文本挖掘Web挖掘空间数据挖掘和多媒体数据挖掘五、附录教学参考文献目录【1】陈志泊《数据仓库与数据挖掘》清华大学出版社2009 [2]周根贵《数据仓库与数据挖掘》浙江大学出版社2011 【3】夏火松《数据仓库与数据挖掘技术》科学出版社2014。
数据仓库与数据挖掘教学大纲

数据仓库与数据挖掘教学大纲一、课程介绍数据仓库与数据挖掘是现代信息技术领域的重要学科,本课程旨在介绍数据仓库和数据挖掘的基本概念、原理和方法,培养学生分析和处理大规模数据的能力,以及利用数据挖掘技术进行知识发现和决策支持的能力。
二、课程目标1. 理解数据仓库和数据挖掘的基本概念和原理。
2. 掌握数据仓库和数据挖掘的常用方法和技术。
3. 能够独立设计和实施数据仓库和数据挖掘项目。
4. 能够利用数据挖掘技术进行知识发现和决策支持。
三、教学内容和安排1. 数据仓库基础知识- 数据仓库的概念和特点- 数据仓库架构和组成- 数据仓库的设计和建模2. 数据挖掘基础知识- 数据挖掘的概念和任务- 数据挖掘的过程和方法- 数据挖掘的评估和应用3. 数据仓库与数据挖掘技术- 数据清洗和预处理- 数据集成和转换- 数据加载和存储- 数据仓库查询和分析- 数据挖掘算法和模型4. 数据挖掘应用案例- 市场营销数据分析- 社交网络分析- 金融风险预测- 医疗数据挖掘5. 实践项目在课程结束前,学生将组成小组进行一个实践项目,包括数据仓库的设计和搭建,以及数据挖掘任务的实施和结果分析。
四、教学方法1. 理论讲授:通过课堂讲解,介绍数据仓库与数据挖掘的基本概念、原理和方法。
2. 实践操作:通过实验和项目实践,让学生亲自操作和实施数据仓库和数据挖掘任务。
3. 讨论与交流:鼓励学生参与课堂讨论,分享自己的见解和经验,促进学生之间的交流与合作。
五、考核方式1. 平时成绩:包括课堂表现、实验报告和项目成果等。
2. 期末考试:考察学生对数据仓库与数据挖掘的理论知识的掌握程度。
3. 实践项目评估:评估学生在实践项目中的设计和实施能力。
六、参考教材1. Jiawei Han, Micheline Kamber, Jian Pei. "Data Mining: Concepts and Techniques." Morgan Kaufmann, 2011.2. Ralph Kimball, Margy Ross. "The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling." Wiley, 2013.七、参考资源1. 数据挖掘工具:Weka, RapidMiner, Python等。
数据挖掘实验大纲

《数据仓库和数据挖掘》实验教学大纲课程编号:11241341课程类别:必修课适用层次:本科适用专业:工商管理学院工商管理专业适用学期:第6学期课程总学时:64实验学时:20开设实验项目数:5考核方式:考试一、实验教学目的及要求数据仓库与数据挖掘技术出现于20世纪80年代,90年代有了突飞猛进的发展,并可望在新的千年继续繁荣。
数据仓库与数据挖掘是一个多学科领域,从多个学科汲取营养。
这些学科包括数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高信能计算和数据可视化。
本课程作为工商管理学院工商管理专业的专业选修课程,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,系统叙述数据仓库和数据挖掘的有关概念和基础知识,使学生尽快掌握数据仓库和数据挖掘的基本概念,基本方法和应用背景。
通过实验教学环节,对学生进行实践技能和科学研究方法的训练,巩固其在课堂上所学书本知识,加深对商务智能的基本概念、基本原理和分析方法的理解,掌握商务智能的核心基础技术与工具,并能运用典型的商务智能工具处理、解决一些实际问题。
同时,通过实践教学活动,拓宽学生的知识领域,锻炼学生的实践技能,培养科学严谨、求真务实的工作作风。
三、实验考核方式与标准1.实验报告实验报告的内容包括:实验目的、实验题目、实验内容、程序代码、程序运行的数据及程序运行结果。
2.考核方式实验课考核成绩按照出勤情况、上机情况和书写实验报告的情况给出成绩:优、良、中、及格、不及格等五级成绩,实验课成绩占课程总成绩的比例10%。
为了使学生能够重视实验课的教学,完善实验报告的批改工作,特制定批改实验报告具体标准如下:成绩的给定以学生的学习态度,实验的效果,报告的内容来定。
优:按时参加实验课,能够认真地全部完成教师布置的任务,并能积极主动地提出问题、思考问题,认真书写实验报告。
良:按时参加实验课,能够认真地全部完成教师布置的任务,认真书写实验报告。
数据仓库与数据挖掘课程教学大纲

数据仓库与数据挖掘课程教学大纲课程名称:数据仓库与数据挖掘英文名称:Data Warehouse and Data Mining课程类别:专业模块课总学时:48(包括实验:8)学分:3适应对象:信息管理与信息系统及相关专业学生一、 本课程的性质、目的与任务:数据仓库与数据挖掘是信息管理与信息系统专业的专业模块课。
通过课程学习,使学生能够了解数据仓库及数据挖掘的产生和发展历史,掌握如何设计并实现比较规范的数据仓库系统,掌握数据挖掘的基本概念、技术和应用方法。
培养学生应用数据仓库和数据挖掘理论和技术解决实际问题的能力。
二、 教学基本要求:要求任课教师具有系统而扎实的理论知识和较丰富的相关课程教学经验,理论联系实际,在充分讲解数据仓库与数据挖掘基本概念、基本原理和基本技术的基础上,注重实际应用能力的培养,通过理论知识的学习和上机环节,结合实例,使学生能够比较好的掌握数据仓库与数据挖掘基础知识,重点培养学生利用数据仓库与数据挖掘技术分析、解决实际问题的基本技能。
学生应系统学习并掌握数据仓库与数据挖掘的基本概念,认真思考并理解其发展的一般规律,准确理解和掌握数据仓库与数据挖掘的基本方法和技术及在实际工作中的应用。
三、 课程内容:本课程的主要教学内容:数据仓库与数据挖掘概述;数据仓库与数据挖掘基础;OLAP的组织;数据仓库设计;数据挖掘方法、技术和模型;复杂类型的数据挖掘;数据仓库与数据挖掘实例及应用管理。
四、 学时分配:学时 内容 要求2 1数据仓库与数据挖掘概述1.1数据库到数据仓库的演变1.1.1 蜘蛛网现象1.1.2 操作型系统和分析型系统的分离了解数据仓库与数据挖掘的产生、发展,熟悉数据挖掘的应用。
掌握基本概念和数据库中的知识发现过程。
4 2 数据仓库的基本原理2.1 数据仓库的体系结构2.1.1数据仓库的体系结构2.2 数据仓库的特点2.2.1 数据库的功能和特征2.2.2 数据仓库的功能和特征2.3 数据仓库的数据组织了解说明操作型处理(事务型处理)和分析型处理,熟悉数据仓库的数据组织目的,学习组织方法和方式;掌握数据仓库的基本原理。
- 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)。
《数据仓库与数据挖掘》教学大纲
一、课程概况
课程名称:数据仓库与数据挖掘
英文名称:Data warehousing and data mining
课程性质:选修
课程学时:32
课程学分:2
授课对象:信息类的大学本科高年级学生
开课时间:三年级下学期
讲课方式:课堂+实验
主讲老师:
二、教学目的
本课程把数据视为基础资源,根据软件工程的思想,总结了数据利用的历程,讲述了数据仓库的基础知识和工具,研究了数据挖掘的任务及其挑战,给出了经典的数据挖掘算法,介绍了数据挖掘的产品,剖析了税务数据挖掘的案例,探索了大数据的管理和应用问题。
三、教学任务
完成《数据仓库与数据挖掘》教材内容,及教学计划中的互动实践内容,另有学生自主选题的大作业、选作的论文报告。
32学时:课堂24、实验2、课外2、研讨4学时。
四、教学内容的结构
课程由9个教学单元组成,对应于《数据仓库与数据挖掘》的内容。
第1章数据仓库和数据挖掘概述
1.1概述1
1.2数据中心4
1.2.1关系型数据中心
1.2.2非关系型数据中心
1.2.3混合型数据中心(大数据平台)1.3混合型数据中心参考架构
第2章数据
2.1数据的概念
2.2数据的内容
2.2.1实时数据与历史数据
2.2.2时态数据与事务数据
2.2.3图形数据与图像数据
2.2.4主题数据与全部数据
2.2.5空间数据
2.2.6序列数据和数据流
2.2.7元数据与数据字典
2.3数据属性及数据集
2.4数据特征的统计描述22
2.4.1集中趋势22
2.4.2离散程度23
2.4.3数据的分布形状25
2.5数据的可视化26
2.6数据相似与相异性的度量29
2.7数据质量32
2.8数据预处理32
2.8.1被污染的数据33
2.8.2数据清理35
2.8.3数据集成36
2.8.4数据变换37
2.8.5数据规约38
第3章数据仓库与数据ETL基础39 3.1从数据库到数据仓库39
3.2数据仓库的结构39
3.2.1两层体系结构41
3.2.2三层体系结构41
3.2.3组成元素42
3.3数据仓库的数据模型43
3.3.1概念模型43
3.3.2逻辑模型43
3.3.3物理模型46
3.4 ETL46
3.4.1数据抽取47
3.4.2数据转换48
3.4.3数据加载49
3.5 OLAP49
3.5.1维49
3.5.2 OLAP与OLTP49
3.5.3 OLAP的基本操作50
3.6 OLAP的数据模型51
3.6.1 ROLAP52
3.6.2 MOLAP52
3.6.3 HOLAP53
第四章数据仓库和ETL工具54
4.1 IBM DB2 V10
4.1.1自适应压缩54
4.1.2多温度存储55
4.1.3时间旅行查询56
4.1.4 DB2兼容性功能60
4.1.5工作负载管理61
4.1.6 PureXML62
4.1.7当前已落实63
4.1.8 DB2 PureScale Feature63
4.1.9 分区特性65
4.1.10并行技术67
4.1.11 SQW68
4.1.12 Cubing Services68
4.1.13 列式存储及压缩技术(BLU)70 4.2 InfoSphere Datastage71
4.2.1基于Information Server的架构72 4.2.2企业级实施和管理75
4.2.3高扩展的体系架构79
4.2.4具备线性扩充能力81
4.2.5 ETL元数据管理82
4.3 InfoSphere QualityStage82
第5章数据挖掘基础84
5.1数据挖掘的起源84
5.2数据挖掘的定义85
5.3数据挖掘的任务86
5.3.1分类
5.3.2回归分析
5.3.3相关分析
5.3.4聚类分析
5.3.5关联规则
5.3.6异常检测
5.4数据挖掘标准流程
5.4.1商业理解
5.4.2数据理解
5.4.3数据准备
5.4.4建立模型
5.4.5模型评估
5.4.6结果部署
5.5数据挖掘的十大挑战性问题
5.5.1数据挖掘统一理论的探索
5.5.2高维数据和高速数据流的研究与应用
5.5.3时序数据的挖掘与降噪
5.5.4从复杂数据中找寻复杂知识
5.5.5网络环境中的数据挖掘
5.5.6分布式数据挖掘
5.5.7生物医学和环境科学数据挖掘
5.5.8数据挖掘过程自动化与可视化
5.5.9信息安全与隐私保护
5.5.10动态、不平衡及成本敏感数据的挖掘
第6章数据挖掘算法
6.1算法概述
6.1.1分类算法及评估指标
6.1.2聚类算法及其评价指标
6.2 C4.5
6.3 CART算法
6.4 K-Means 算法
6.5 SVM算法121
6.6 Apriori算法
6.7 EM算法
6.8 PageRank
6.9Adaboost算法
6.10KNN算法
6.11Naive Bayes
第7章数据挖掘工具与产品
7.1 数据挖掘工具概述
7.2 商业数据挖掘工具IBM SPSS Modeler
7.3 开源通用的数据挖掘工具WEKA
第8章数据挖掘案例
8.1概述
8.2纳税评估示例
8.3税收预测建模示例
8.4税务行业纳税人客户细分探索
8.5基于Hadoop平台的数据挖掘思考题
第9章大数据管理
9.1 什么是大数据
9.2 Hadoop介绍
9.3 NoSQL介绍
9.4 InfoSphere BigInsights 3.0介绍
五、教学活动以及教学方法上的基本要求
课堂教学、实验、课外作业、自选题目的大作业、论文和报告结合,另有课
外讨论环节。
通过课堂教学讲解基本原理和方法;通过互动实践课巩固课堂教学内容,并在助教辅导下完成基础实验,由助教验收;课外作业由学生独立完成,并提交系统进行评分。
自选题目的大作业可以分组进行,要在期中提交选题报告,期末提交全部文档及程序并且逐一答辩。
答辩形式为:学生演示9分钟,教师提问3分钟,当即给出成绩。
论文和报告属于加分因素。
课外讨论安排在每次课堂教学之后,加1学时,自愿参加,每人每学期至少参加一次。
内容为:教师对难点进行复习、讲解补充例题,学生提问和讨论。
六、主教材
袁汉宁,王树良,程永,金福生,宋红,数据仓库与数据挖掘,2015年,人民邮电出版社.
七、电子资源
电子学习资源通过网络学堂发布:课件PPT讲稿。