-5-周次課次授課內(nèi)容摘要時數(shù)目的要求11第一章數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)概述一、數(shù)據(jù)挖掘簡介二、數(shù)據(jù)分析與數(shù)據(jù)挖掘三、數(shù)據(jù)挖掘的任務(wù)四、數(shù)據(jù)挖掘的數(shù)據(jù)源五、數(shù)據(jù)挖掘使用的主要技術(shù)六、數(shù)據(jù)挖掘的主要任務(wù)七、數(shù)據(jù)挖掘的商用工具八、利用Python進(jìn)行數(shù)據(jù)挖掘21.理解和掌握數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)的基本概念、數(shù)據(jù)挖掘過程、數(shù)據(jù)挖掘的主要任務(wù)以及數(shù)據(jù)挖掘使用的主要技術(shù)。2.了解數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)的應(yīng)用和面臨的問題。對數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)能夠解決的問題和解決問題思路有清晰的認(rèn)識。熟練應(yīng)用Jupyternotebook的開發(fā)環(huán)境。2第二章Python編程基礎(chǔ)一、Python語言的基本語法二、內(nèi)置的數(shù)據(jù)類型三、函數(shù)四、文件操作21.理解和掌握Python基礎(chǔ)語法、內(nèi)建的數(shù)據(jù)結(jié)構(gòu)。2.掌握函數(shù)的定義和調(diào)用3.Python編程基礎(chǔ)實(shí)踐。23第三章Numpy數(shù)值計算一、Numpy多維數(shù)組二、數(shù)組的索引、切片訪問三、數(shù)組的讀寫2掌握多維數(shù)組的索引、切片訪問4三、Numpy中的數(shù)據(jù)統(tǒng)計四、Numpy編程實(shí)踐2掌握Numpy數(shù)值計算方法，主要包括數(shù)組和矩陣運(yùn)算。35第四章Pandas數(shù)據(jù)分析一、Pandas中的數(shù)據(jù)結(jié)構(gòu)二、數(shù)據(jù)存取三、索引操作四、Pandas數(shù)據(jù)查詢2掌握Pandas中的數(shù)據(jù)結(jié)構(gòu)、索引、數(shù)據(jù)查詢與編輯。6五、Pandas數(shù)據(jù)編輯六、數(shù)據(jù)的分組拆線呢七、數(shù)據(jù)透視表八、Panda數(shù)據(jù)可視化2數(shù)據(jù)的分組匯總及Pandas繪圖。47實(shí)驗一、Pandas數(shù)據(jù)分析實(shí)訓(xùn)2利用Python進(jìn)行數(shù)據(jù)分析。8第五章Python數(shù)據(jù)可視化一、Matplotlib數(shù)據(jù)可視化二、Seaborn數(shù)據(jù)可視化三、pyecharts數(shù)據(jù)可視化2掌握Matplotlib、Seaborn和pyecharts數(shù)據(jù)可視化方法及應(yīng)用59實(shí)驗二、Python數(shù)據(jù)分析與可視化實(shí)訓(xùn)2掌握利用Python數(shù)據(jù)分析與可視化。10第三章認(rèn)識數(shù)據(jù)一、數(shù)據(jù)對象與屬性類型二、數(shù)據(jù)的基本統(tǒng)計描述三、數(shù)據(jù)可視化四、度量數(shù)據(jù)的相似性2理解和掌握數(shù)據(jù)對象和屬性類型，數(shù)據(jù)的基本統(tǒng)計描述，掌握度量數(shù)據(jù)相似性和相異性的方法；了解數(shù)據(jù)可視化的方法。611第四章數(shù)據(jù)預(yù)處理一、數(shù)據(jù)預(yù)處理概述，Python數(shù)據(jù)預(yù)處理方法二、數(shù)據(jù)清洗及Python數(shù)據(jù)清洗方法2了解數(shù)據(jù)預(yù)處理的目的和意義；掌握如何對數(shù)據(jù)進(jìn)行清理。12三、數(shù)據(jù)集成及利用Python進(jìn)行數(shù)據(jù)合并四、數(shù)據(jù)變換與離散化五、數(shù)據(jù)歸約2掌握對不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行合并；掌握如何對數(shù)據(jù)進(jìn)行變換，使之適合建模的需要；掌握利用Python進(jìn)行數(shù)據(jù)預(yù)處理的方法。713實(shí)驗三、利用Python實(shí)現(xiàn)數(shù)據(jù)預(yù)處理(數(shù)據(jù)合并、數(shù)據(jù)清洗、數(shù)據(jù)變換)2掌握利用Python實(shí)現(xiàn)數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)變換的方法14第五章回歸分析一、回歸分析概述二、一元線性回歸分析三、多元線性回歸四、邏輯回歸五、其他回歸分析2掌握回歸分析原理；掌握一元線性回歸分析的原理與方法。掌握多元線性回歸分析；掌握邏輯回歸；了解其他回歸分析815實(shí)驗四、利用Python實(shí)現(xiàn)典型的回歸分析2掌握利用Python實(shí)現(xiàn)典型的回歸分析方法16第六章關(guān)聯(lián)規(guī)則挖掘一、關(guān)聯(lián)規(guī)則分析概述二、頻繁項集挖掘方法2了解頻繁項集、閉項集和關(guān)聯(lián)規(guī)則的概念，理解模式評估方法,掌握Apriori算法917三、頻繁模式樹算法四、關(guān)聯(lián)規(guī)則評估方法2掌握FP挖掘算法；了解其它方法的內(nèi)容、了解關(guān)聯(lián)規(guī)則挖掘的研究動態(tài)。18實(shí)驗五、Python實(shí)現(xiàn)關(guān)聯(lián)規(guī)則分析2掌握利用Python實(shí)現(xiàn)數(shù)據(jù)的關(guān)聯(lián)規(guī)則分析1019第七章分類一、分類概述二、決策樹規(guī)約三、KNN算法2了解分類及預(yù)測的基本思想、概念和意義；掌握決策樹規(guī)約算法。20實(shí)驗六、決策樹算法實(shí)現(xiàn)及其應(yīng)用2掌握決策樹算法的原理及其應(yīng)用1121四、支持向量機(jī)算法及其實(shí)現(xiàn)五、貝葉斯分類及其實(shí)現(xiàn)2掌握SVM和貝葉斯分類器的原理22六、SVM和樸素貝葉斯分類實(shí)踐熟練掌握SVM和貝葉斯分類器的原理及應(yīng)用。1223七、人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元模型、M-P模型、多層感知機(jī)、BP算法2掌握神經(jīng)元模型、多層感知機(jī)、前饋神經(jīng)網(wǎng)絡(luò)、BP算法的原理。24實(shí)驗七、神經(jīng)網(wǎng)絡(luò)綜合實(shí)踐2理解多層感知機(jī)和BP算法；利用BP算法對數(shù)據(jù)進(jìn)行預(yù)測建模。1325八、模型評估與選擇2熟悉掌握貝葉斯分類算法；理解評估分類器性能的度量方法。26九、組合分類組合方法概述；袋裝；提升和Adaboost；隨機(jī)森林2掌握組合分類的原理；掌握隨機(jī)森林框架及Python實(shí)現(xiàn)方法1427實(shí)驗八、分類分析綜合實(shí)驗2利用分類算法實(shí)現(xiàn)數(shù)據(jù)的預(yù)測，并對模型進(jìn)行評估28第八章聚類一、聚類概述二、K-Means算法2掌握聚類分析的基本原理；熟練掌握K-Means算法的原理及其實(shí)現(xiàn)1529三、層次聚類方法層次聚類算法及其Python實(shí)現(xiàn)2掌握層次聚類算法及其實(shí)現(xiàn)30四、基于密度的聚類方法DBSCAN算法原理及其實(shí)現(xiàn)2掌握DBSCAN算法及其實(shí)現(xiàn)1631五、其他聚類方法STING算法、COBWENB算法及模糊聚類算法EM算法六、聚類評估估計聚類趨勢、確定簇數(shù)目的方法測定聚類質(zhì)量21.了解STING算法、COBWENB算法；掌握模糊聚類算法。2.掌握聚類評估的基本方法；確定簇數(shù)目的常用方法；聚類質(zhì)量的測定。32實(shí)驗九、數(shù)據(jù)的聚類分析綜合實(shí)驗2掌握數(shù)據(jù)聚類的典型算法1733第十章離群點(diǎn)檢測一、離群點(diǎn)概述二、離群點(diǎn)檢測方法常用的離群點(diǎn)檢測方法2掌握離群點(diǎn)的概念與檢測方法。34三、sklearn中的異常值