教学大纲_数据挖掘(高妮20160722)
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 数据挖掘的定义和背景1.2 数据挖掘在实际应用中的重要性和价值1.3 本课程的目标和教学方法二、数据预处理2.1 数据清洗2.1.1 缺失值处理2.1.2 异常值处理2.1.3 噪声数据处理2.2 数据集成2.2.1 数据源的选择和获取2.2.2 数据集成方法和技术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 数据降维三、数据挖掘算法3.1 分类算法3.1.1 决策树算法3.1.2 朴素贝叶斯算法3.1.3 支持向量机算法3.1.4 K近邻算法3.2 聚类算法3.2.1 K均值算法3.2.2 层次聚类算法3.2.3 密度聚类算法3.3 关联规则挖掘算法3.3.1 Apriori算法3.3.2 FP-Growth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3.4.3 支持向量回归算法四、模型评估和优化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4.1.4 ROC曲线4.2 过拟合和欠拟合问题4.2.1 交叉验证4.2.2 正则化4.2.3 特征选择4.3 模型优化方法4.3.1 参数调优4.3.2 特征工程4.3.3 集成学习五、应用案例分析5.1 金融领域数据挖掘案例5.1.1 信用评分5.1.2 欺诈检测5.1.3 股票预测5.2 零售领域数据挖掘案例5.2.1 购物篮分析5.2.2 促销优化5.2.3 用户推荐5.3 医疗领域数据挖掘案例5.3.1 疾病预测5.3.2 医疗资源优化5.3.3 医疗诊断辅助六、实践项目6.1 学生根据所学知识，自选一个实际问题进行数据挖掘实践6.2 学生需完成数据预处理、算法选择、模型评估等步骤，并撰写实践报告6.3 学生需进行项目展示和答辩七、教学评估7.1 平时作业7.1.1 理论知识练习7.1.2 编程实践7.2 期末考试7.2.1 理论考试7.2.2 实践考试7.3 项目报告评分7.3.1 数据预处理评分7.3.2 算法选择评分7.3.3 模型评估评分7.3.4 报告撰写评分八、参考文献[1] Han, J., Kamber, M., & Pei, J. (2022). Data mining: concepts and techniques. Elsevier.[2] Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2022). Data mining: practical machine learning tools and techniques. Morgan Kaufmann.以上为《数据挖掘教学大纲》的标准格式文本，详细介绍了数据挖掘教学大纲的内容安排。
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有用信息的过程。
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 主成分分析（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。
理论讲授部分通过课堂讲解、案例分析、小组讨论等方式进行；实践操作部分通过实验、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》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应用能力，制定一份完善的数据挖掘教学大纲是非常必要的。
本文将从数据挖掘教学的基本概念、数据挖掘算法、数据预处理、模型评估和应用案例等方面进行详细介绍。
一、数据挖掘教学的基本概念1.1 数据挖掘的定义和作用数据挖掘是指从大量数据中发现实用信息和知识的过程，其作用在于匡助人们更好地理解数据，并从中获取有价值的信息。
1.2 数据挖掘的基本任务数据挖掘的基本任务包括分类、聚类、关联规则挖掘、异常检测等，通过这些任务可以实现对数据的分析和挖掘。
1.3 数据挖掘的应用领域数据挖掘技术已经在金融、医疗、电商等领域得到广泛应用，匡助企业做出更准确的决策和预测。
二、数据挖掘算法2.1 常见的数据挖掘算法常见的数据挖掘算法包括决策树、朴素贝叶斯、支持向量机、神经网络等，每种算法都有其适合的场景和特点。
2.2 算法的原理和实现数据挖掘算法的原理是通过对数据进行建模和训练，从而得到预测模型，然后对新数据进行预测和分类。
2.3 算法的优化和改进为了提高数据挖掘算法的效果和准确性，研究者们向来在不断地优化和改进算法，使其更适合于实际应用场景。
三、数据预处理3.1 数据清洗数据清洗是数据挖掘的第一步，包括缺失值处理、异常值处理、重复值处理等，保证数据的质量和完整性。
3.2 数据集成数据集成是将多个数据源的数据整合在一起，消除数据的冗余和冲突，为后续的数据挖掘分析做准备。
3.3 特征选择特征选择是选择对建模和预测实用的特征，去除无关特征和噪声，提高模型的准确性和泛化能力。
四、模型评估4.1 模型评估指标模型评估指标包括准确率、召回率、F1值等，用于评估模型的性能和效果。
4.2 交叉验证交叉验证是一种常用的模型评估方法，通过将数据集分为训练集和测试集，多次训练和测试模型，得到更准确的评估结果。
《课程_数据挖掘》课程教学大纲
数据挖掘Data Mining一、课程基本信息学时：32（含实验20学时）学分：2考核方式：考查中文简介：《数据挖掘》是统计学专业的专业选修课。
从数据分析的角度看，统计学主要是通过机器学习来实现数据挖掘，大多数数据挖掘技术都源自机器学习领域，机器学习算法和数据库原理是数据挖掘的两大支撑技术。
本课程的学习目的在于使学生掌握数据挖掘的基本概念、基本原理，常用的机器学习算法与数据分析方法，以及它们在工程实践中的应用。
为从事数据挖掘、数据分析工作和实践打下必要的基础。
二、教学目的与要求数据挖掘作为统计学专业的一门专业选修课，其前续课程有《概率论与数理统计》、《经济预测与决策》、《数据库管理系统》和《统计软件应用》等。
本课程的教学目的在于使学生掌握对数据进行分析和软件应用的能力，培养学生分析数据、获取知识的基本能力。
重点掌握以下几个方面的知识：(1)数据挖掘基础知识；(2)分类、预测与回归；(3)聚类分析；(4)关联技术；(5)离群点挖掘；(6)数据挖掘的扩展与应用。
三、教学方法与手段1、教学方法数据挖掘理论性较强，涉及较强的理论知识及数学知识，是本专业的具有广阔应用前景的理论课程。
在课程的教学过程中，根据教学内容的不同，综合采用多种的教学方法，着重培养学生定性分析、定量估算和模拟实验研究的能力，以更好地完成教学任务。
(1)课堂讲授：在课堂讲学的内容方面既要保持理论的系统性，又要注意联系实际社会生产问题，同时将大问题分成几个小问题进行讲解，然后再把小问题组装成大问题让学生更好理解。
(2)编程教学：讲授过程中，对于某些算法，老师通过课堂软件操作进行详细讲解，让学生更好的理解和掌握相关技术。
(3)课堂讨论：可以对学生分组进行组内讨论，由于与数据挖掘竞赛息息相关，可以以2～3位学生一组，通过组内队员分析与讲解，提高学生的学习与理解能力，同时培养学生的团队协作能力。
(4)启发式教学：在教学过程中以学生为中心进行引导，教师与学生进行互动探讨。
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)。
课程代码：0500301 《数据挖掘》教学大纲Data Mining执笔人：高妮审核人：批准人：《数据挖掘》教学大纲[理论教学内容与要求]第一章绪论[教学目的] 使学生对数据挖掘有一个初步、总体的认识。
[重点难点] 本章节的重点是数据挖掘的定义，难点是它的基本步骤、主要技术和应用价值，如何激发学生对数据挖掘应用的领域及成功案例的兴趣。
[教学时数] 2(教学)[教学内容] 应用背景、数据挖掘定义、主要技术、主要研究内容、面临的主要问题等。
第1节应用背景1 商业上的驱动2 科学研究上的驱动3 数据挖掘伴随着数据库技术而出现第2节什么是数据挖掘1 基本描述2 关于知识发现第3节数据挖掘的主要技术第4节数据挖掘的主要研究内容第5节数据挖掘面临的主要问题第6节数据挖掘相关的资料第7节本书的总体章节安排[练习题]1．数据仓库与数据库有何不同？它们有哪些相似之处？2．与挖掘少量数据相比，挖掘海量数据的主要挑战是什么？第二章数据预处理[教学目的] 使学生掌握数据的清理、集成和变换等预处理的基本方法。
[重点难点] 本章节重点是数据的基本处理方法，难点是处理方法的应用。
确保学生对处理方法的理论尚能掌握，进一步增加实际应用方面的操作。
[教学时数] 3(教学)[教学内容] 数据预处理的基本概念、数据的描述、数据清洗、数据集成和转换和数据归约和变换等。
第1节前言第2节数据预处理的基本概念1 数据的基本概念2 为什么要进行数据预处理3 数据预处理的任务第3节数据的描述1 描述数据的中心趋势2 描述数据的分散程度3 描述数据的其他方式第4节数据清洗1 数据缺失的处理2 数据清洗第5节数据集成和转换1 数据集成2 数据冗余性3 数据转换第6节数据归约和变换1 数据归约2 数据离散化3 概念层次生成[练习题]1．数据质量可以从多方面评估，包括准确性、完整性和一致性问题。
对于以上每个问题，讨论数据质量的评估如何依赖于数据的应用目的，给出例子。
2．讨论数据集成需要考虑的问题。
第三章数据仓库[教学目的] 使学生掌握数据仓库的定义、多维数据模型和OLAP技术。
[重点难点] 本章节的重点是数据仓库的定义，难点是数据仓库的存储结构模式，概念分层的理解，以及数据仓库的设计，要确保学生能较好地掌握，还需课后多查看一些相关的资料。
[教学时数] 3(教学)[教学内容]数据库基本概念、数据仓库的定义、多维数据模型、数据仓库结构和功能、OLAP技术、数据仓库应用等。
第1节前言第2节数据库基本概念回顾1 数据库简介2 表、记录和域3 数据库管理系统第3节数据仓库简介1 数据仓库特点2 数据仓库概念3 数据仓库作用4 数据仓库与DBMS对比5 分离数据仓库的原因第4节多维数据模型1 数据立方体2 概念模型3 概念分层4 典型OLAP操作第5节数据仓库结构1 数据仓库设计2 多层体系结构第6节数据仓库的功能1 数据立方体的有效计算2 索引OLAP数据3 OLAP查询的有效处理第7节从数据仓库到数据挖掘1 数据仓库应用2 从OLAP到[练习题]1．简略比较一下概念：（1）数据清理、数据变换、刷新。
（2）发现驱动的立方体、多特征立方体、虚拟立方体。
2．列举三种流程的数据仓库建模模式。
第四章相关性与关联规则[教学目的] 了解需求管理的模型和流程；掌握需求获取、确认和控制的基本方法，理解变更控制的重要性。
[重点难点] 本章节重点是关联规则的挖掘，难点是Apriori算法的应用。
[教学时数] 3(教学)+4(实验一、二)[教学内容] 基本概念、频繁项集挖掘方法、多种关联规则挖掘、从关联分析到相关分析、基于约束的频繁模式挖掘等。
第1节基本概念1 潜在的应用2 购物篮问题3 频繁模式分析、闭项集和关联规则第2节频繁项集挖掘方法1 Apriori算法2 由频繁项集产生关联规则3 提高Apriori的效率第3节多种关联规则挖掘1 挖掘多层关联规则2 挖掘多维关联规则3 挖掘量化关联规则第4节从关联分析到相关分析1 相关分析2 强规则不一定是有价值的3 挖掘高度关联的模式第5节基于约束的频繁模式挖掘1 关联规则的元规则制导挖掘2 基于约束的模式生成: 模式空间剪枝和数据空间剪枝[练习题]1．简述关联规则挖掘步骤。
2．简述Apriori算法基本思想。
第五章分类和预测[教学目的] 使学生了解并掌握决策树、贝叶斯分类、神经网络、支持向量机等分类和预测算法。
[重点难点] 本章节重点是分类和预测方法的概念，难点是几种主要的分类算法的应用和实现。
[教学时数] 4(教学)+8(实验三、四、五、六)[教学内容] 分类和预测的基本概念、评价，决策树分类、朴素贝叶斯分类、神经网络、支持向量机、分类准确率等。
第1节前言第2节基本概念1 什么是分类2 什么是预测第3节关于分类和预测的问题1 准备分类和预测的数据2 评价分类和预测方法第4节决策树分类1 决策树归纳2 属性选择度量3 提取分类规则4 基本决策树归纳的增强5 在大数据集中的分类第5节贝叶斯分类1 贝叶斯定理2 朴素贝叶斯分类3 贝叶斯信念网络4 贝叶斯网络学习第6节神经网络1 神经网络简介2 多层神经网络3 神经网络训练4 后向传播5 网络剪枝和规则抽取第7节支持向量机1 数据线性可分的情况2 数据线性不可分的情况3 支持向量机和神经网络的对比第8节关联分类1 为什么有效2 常见关联分类算法第9节分类准确率1 估计错误率2 装袋和提升[练习题]1．简述决策树分类的主要步骤。
2．为什么朴素贝叶斯分类称为“朴素”的？简述朴素贝叶斯分类的主要思想。
第六章聚类分析[教学目的] 使学生了解并掌握聚类分析的主要算法。
[重点难点] 本章节重点是聚类分析的概念，难点是几种主要的聚类分析算法的应用和实现。
[教学时数] 3(教学)+6(实验七、八、九)[教学内容] 聚类分析的定义和数据类型，流聚类方法分类与相似性质量，基于分割、层次、密度、网络和模型的聚类等。
第1节聚类分析的定义和数据类型1 聚类的定义2 聚类分析和主要应用3 聚类分析方法的性能指标4 聚类分析使用的数据类型第2节流聚类方法分类与相似性质量1 聚类分析方法分类2 连续变量的距离与相似性度量3 二元变量与标称变量的相似性度量4 序数和比例标度变量的相似性度量5 混合类型变量的相似性度量第3节基于分割的聚类第4节基于层次的聚类第5节基于密度的聚类第6节基于网格的聚类第7节基于模型的聚类第8节离群点检测[练习题]1．简略介绍如下聚类方法：基于分割的方法、层基于次的方法、基于密度的方法。
[实验教学内容与要求]实验一：安装R和操作[实验目的] 了解R软件的安装流程，利用R中的基本数学函数处理一些简单数据，通过对基本数学函数的操作了解R语言的基本操作过程，从而对R语言形成初步的认识。
[实验要求] 掌握利用R语言实现数据读取功能的程序编写；按照既定格式书写实验报告。
[实验时数] 2[实验内容]安装R软件、熟悉菜单，并安装程序包、调用程序包、查看程序包的帮助。
实现读取Excel数据并另存为.txt文件的功能。
实验二：关联规则挖掘(Apriori算法)[实验目的] 了解关联规则、频繁项集、闭项集和关联规则等概念。
[实验要求] 掌握关联规则算法的基本思想，熟悉Apriori算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现Apriori算法，挖掘关联知识。
实验三：决策树分类(C4.5算法或ID3算法) [实验目的] 了解决策树归纳、属性选择度量、提取分类规则等概念。
[实验要求] 掌握决策树分类算法的基本思想，熟悉C4.5算法或ID3算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现C4.5或ID3算法。
实验四：贝叶斯分类（NB算法）[实验目的] 了解贝叶斯定理、朴素贝叶斯分类、贝叶斯信念网络等概念。
[实验要求] 掌握朴素贝叶斯分类算法的基本思想，熟悉NB算法的应用。
[实验时数] 2[实验内容] 使用R语言程序实现NB算法。
实验五：神经网络分类（BP算法）[实验目的] 了解神经网络、多层神经网络、后向传播、网络剪枝等概念。
[实验要求] 掌握神经网络分类算法的基本原理，熟悉BP算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现BP算法。
实验六：支持向量机分类（SVM算法）[实验目的] 了解数据线性可分、数据线性不可分的概念，能区别支持向量机和神经网络分类的差异性。
[实验要求] 掌握支持向量机分类算法的基本原理，熟悉SVM算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现SVM算法。
实验七：基于分割的聚类（K-means算法）[实验目的] 了解距离、相似度等概念。
[实验要求] 掌握基于分割的聚类算法的基本原理，熟悉K-means算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现K-means算法。
实验八：基于层次的聚类（AGNES算法）[实验目的] 了解凝聚的层次聚类方法、分裂的层次聚类方法、树状图、连接度量等概念。
[实验要求] 掌握基于层次的聚类算法的基本原理，熟悉AGNES算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现AGNES算法。
实验九：基于密度的聚类（DBSCAN算法）[实验目的] 了解邻域密度、核心对象、离群点、密度可达和密度相连等概念。
[实验要求] 掌握基于密度的聚类算法的基本原理，熟悉DBSCAN算法的应用；按照既定格式书写实验报告。
[实验时数] 2[实验内容] 使用R语言程序实现DBSCAN算法。
[考核方式]本课程考试课程，考核成绩由: 平时考核（20%）＋实验（20%）+期末考核（60%）构成。
（一）平时成绩20%根据学生上课出勤情况、课堂表现、回答问题情况给出平时考核成绩，对于缺席3次以上者，取消期末考核资格。
（二）实验20%根据学生在实验课程中提交的实验报告情况给出实验考核成绩。
（三）课程论文60%考试选择实际的数据，考察学生对基本数据挖掘方法的掌握以及应用能力。
该部分成绩由学生期末提交的论文情况综合给出。
其中论文成绩主要考核论文的完整性、创新性、研究深度、格式规范性等。