數(shù)據(jù)挖掘教學(xué)大綱

1、精選優(yōu)質(zhì)文檔-傾情為你奉上西北師范大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)課程教學(xué)大綱數(shù)據(jù)挖掘一、說(shuō)明（一）課程性質(zhì)數(shù)據(jù)挖掘是計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)的選修課程，本課程以數(shù)據(jù)挖掘?yàn)橹饕獌?nèi)容，講述實(shí)現(xiàn)數(shù)據(jù)挖掘的各主要功能、挖掘算法和應(yīng)用，并通過(guò)對(duì)實(shí)際數(shù)據(jù)的分析更加深入地理解常用的數(shù)據(jù)挖掘模型。先修課程：數(shù)據(jù)庫(kù)原理、概率論與數(shù)理統(tǒng)計(jì)、高級(jí)程序設(shè)計(jì)語(yǔ)言、數(shù)據(jù)結(jié)構(gòu)等。（二）教學(xué)目的數(shù)據(jù)挖掘是20世紀(jì)末剛剛興起的數(shù)據(jù)智能分析技術(shù)，由于有廣闊的應(yīng)用前景而備受重視。數(shù)據(jù)挖掘作為一門(mén)新興的學(xué)科，在它的形成和發(fā)展過(guò)程中表現(xiàn)出了強(qiáng)大的生命力，廣大從事數(shù)據(jù)庫(kù)應(yīng)用與決策支持，以及數(shù)據(jù)分析等學(xué)科的科研工作者和工程技術(shù)人員迫切需要了解和掌握

2、它。數(shù)據(jù)挖掘涉及的內(nèi)容較為廣泛，已成為迅速發(fā)展并在信息社會(huì)中廣泛應(yīng)用的一門(mén)綜合性學(xué)科。數(shù)據(jù)挖掘已成為統(tǒng)計(jì)學(xué)專(zhuān)業(yè)的一門(mén)重要課程。通過(guò)數(shù)據(jù)挖掘課程的教學(xué)，使學(xué)生理解數(shù)據(jù)挖掘的基本概念和方法，為進(jìn)入更深入的智能數(shù)據(jù)分析研究打好基礎(chǔ)。（三）教學(xué)內(nèi)容本課程主要學(xué)習(xí)的內(nèi)容包括數(shù)據(jù)預(yù)處理、分類(lèi)與預(yù)測(cè)、聚類(lèi)分析等內(nèi)容（四）教學(xué)時(shí)數(shù) 本課程的教學(xué)時(shí)數(shù)為課堂36學(xué)時(shí)，上機(jī)18學(xué)時(shí)，2.5學(xué)分。 （五）教學(xué)方式本課程將采用課堂講授、上機(jī)實(shí)驗(yàn)相結(jié)合的方法。 二、本文第一章 數(shù)據(jù)挖掘概述 教學(xué)要點(diǎn)：1.理解和掌握數(shù)據(jù)挖掘的基本概念、數(shù)據(jù)挖掘過(guò)程以及數(shù)據(jù)挖掘功能。2.了解數(shù)據(jù)挖掘的應(yīng)用和面臨的問(wèn)題。3.對(duì)數(shù)據(jù)挖掘能夠解決

3、的問(wèn)題和解決問(wèn)題思路有清晰的認(rèn)識(shí)。教學(xué)時(shí)數(shù)：3學(xué)時(shí)。教學(xué)內(nèi)容：第一節(jié) 什么是數(shù)據(jù)挖掘（0.5學(xué)時(shí)）數(shù)據(jù)挖掘（Data Mining）就是從大量的、不完全的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、事先不知道的但又是潛在有用的信息和知識(shí)的過(guò)程。第二節(jié) 數(shù)據(jù)挖掘在何種數(shù)據(jù)上進(jìn)行？（0.5學(xué)時(shí)）關(guān)系數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、事務(wù)數(shù)據(jù)庫(kù)第三節(jié) 數(shù)據(jù)挖掘功能可以挖掘什么類(lèi)型的模式（1學(xué)時(shí)）關(guān)聯(lián)分析、分類(lèi)和預(yù)測(cè)、聚類(lèi)分析第四節(jié) 數(shù)據(jù)挖掘系統(tǒng)的分類(lèi)（1學(xué)時(shí)）數(shù)據(jù)挖掘系統(tǒng)可以根據(jù)所挖掘的知識(shí)類(lèi)型分類(lèi)。即，根據(jù)數(shù)據(jù)挖掘的功能，如特征、區(qū)分、關(guān)聯(lián)、聚類(lèi)、局外者、趨勢(shì)和演化分析、偏差分析、類(lèi)似性分析等分類(lèi)。一個(gè)全面

4、的數(shù)據(jù)挖掘系統(tǒng)應(yīng)當(dāng)提供多種和/或集成的數(shù)據(jù)挖掘功能。此外，數(shù)據(jù)挖掘系統(tǒng)可以根據(jù)所挖掘的知識(shí)的粒度或抽象層進(jìn)行區(qū)分，包括泛化知識(shí)（在高抽象層），原始層知識(shí)（在原始數(shù)據(jù)層），或多層知識(shí)（考慮若干抽象層）。一個(gè)先進(jìn)的數(shù)據(jù)挖掘系統(tǒng)應(yīng)當(dāng)支持多抽象層的知識(shí)發(fā)現(xiàn)。數(shù)據(jù)挖掘系統(tǒng)還可以分類(lèi)為挖掘數(shù)據(jù)規(guī)律（通常出現(xiàn)的模式）和數(shù)據(jù)反規(guī)律（如例外或局外者）。一般地，概念描述、關(guān)聯(lián)分析、分類(lèi)、預(yù)測(cè)和聚類(lèi)挖掘數(shù)據(jù)規(guī)律，將局外者作為噪音排除。這些方法也能幫助檢測(cè)局外者。第二章 數(shù)據(jù)倉(cāng)庫(kù)與OLAP教學(xué)要點(diǎn)：1.了解數(shù)據(jù)集市、數(shù)據(jù)倉(cāng)庫(kù)的基本內(nèi)涵。2.掌握數(shù)據(jù)倉(cāng)庫(kù)的實(shí)現(xiàn)方法，包括如何建立多維數(shù)據(jù)模型。3.了解數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的結(jié)構(gòu)。

5、4.掌握OLAP的典型操作，并能根據(jù)實(shí)際問(wèn)題進(jìn)行OLAP操作。 教學(xué)時(shí)數(shù)： 3學(xué)時(shí)。 教學(xué)內(nèi)容：第一節(jié) 數(shù)據(jù)倉(cāng)庫(kù)（0.5學(xué)時(shí)）數(shù)據(jù)倉(cāng)庫(kù)是一個(gè)面向主題的、集成的、時(shí)變的、非易失的數(shù)據(jù)集合，支持管理決策制定。這個(gè)簡(jiǎn)短、全面的定義指出了數(shù)據(jù)倉(cāng)庫(kù)的主要特征。四個(gè)關(guān)鍵詞，面向主題的、集成的、時(shí)變的、非易失的，將數(shù)據(jù)倉(cāng)庫(kù)與其它數(shù)據(jù)存儲(chǔ)系統(tǒng)（如，關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)、事務(wù)處理系統(tǒng)、和文件系統(tǒng)）相區(qū)別。第二節(jié) 多維數(shù)據(jù)模型（1學(xué)時(shí)）星形模式、雪花模式、事實(shí)星座模式第三節(jié) 數(shù)據(jù)倉(cāng)庫(kù)的系統(tǒng)結(jié)構(gòu)和實(shí)現(xiàn)（1學(xué)時(shí)）1.數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)步驟和結(jié)構(gòu)2.三層數(shù)據(jù)倉(cāng)庫(kù)結(jié)構(gòu)3.OLAP 服務(wù)器類(lèi)型第四節(jié) 由數(shù)據(jù)倉(cāng)庫(kù)到數(shù)據(jù)挖掘（0.5學(xué)時(shí)

6、）1.數(shù)據(jù)倉(cāng)庫(kù)的使用2.由聯(lián)機(jī)分析處理到聯(lián)機(jī)分析挖掘第三章 數(shù)據(jù)預(yù)處理 教學(xué)要點(diǎn)：1.了解數(shù)據(jù)預(yù)處理的目的和意義。2.掌握如何讀取不同數(shù)據(jù)源的數(shù)據(jù)。3.掌握如何對(duì)數(shù)據(jù)進(jìn)行清理。4.掌握如何對(duì)不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行合并。5.掌握如何對(duì)數(shù)據(jù)進(jìn)行變換，使之適合建模的需要。6.掌握如何對(duì)數(shù)據(jù)進(jìn)行消減，使得在消減后的數(shù)據(jù)集上挖掘更有效。7.了解目前數(shù)據(jù)預(yù)處理發(fā)展及研究動(dòng)態(tài)。教學(xué)時(shí)數(shù)4學(xué)時(shí)。教學(xué)內(nèi)容：第一節(jié) 數(shù)據(jù)清理（1學(xué)時(shí)）遺漏值、噪音數(shù)據(jù)第二節(jié) 數(shù)據(jù)集成和變換（1學(xué)時(shí)）1.數(shù)據(jù)集成2.數(shù)據(jù)變換第三節(jié) 數(shù)據(jù)歸約（1學(xué)時(shí)）1. 數(shù)據(jù)方聚集：聚集操作用于數(shù)據(jù)方中的數(shù)據(jù)。2. 維歸約：可以檢測(cè)并刪除不相關(guān)、弱相

7、關(guān)或冗余的屬性或維。3. 數(shù)據(jù)壓縮：使用編碼機(jī)制壓縮數(shù)據(jù)集。4. 數(shù)值壓縮：用替代的、較小的數(shù)據(jù)表示替換或估計(jì)數(shù)據(jù)，如參數(shù)模型（只需要存放模型參數(shù)，而不是實(shí)際數(shù)據(jù)）或非參數(shù)方法，如聚類(lèi)、選樣和使用直方圖。第四節(jié) 離散化和概念分層產(chǎn)生（1學(xué)時(shí)）1.數(shù)值數(shù)據(jù)的離散化和概念分層產(chǎn)生。2.分類(lèi)數(shù)據(jù)的概念分層產(chǎn)生。第四章 挖掘頻繁模式、關(guān)聯(lián)和相關(guān)教學(xué)要點(diǎn)：1.了解關(guān)聯(lián)規(guī)則的基本思想、概念和意義。2.了解關(guān)聯(lián)規(guī)則挖掘的應(yīng)用背景；掌握常用的關(guān)聯(lián)規(guī)則算法。3.掌握關(guān)聯(lián)規(guī)則分析如何通過(guò)數(shù)據(jù)挖掘軟件實(shí)現(xiàn)。4.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(dòng)態(tài)。 教學(xué)時(shí)數(shù)： 4學(xué)時(shí)。 教學(xué)內(nèi)容：第一節(jié) 基本概念和路線(xiàn)圖

8、（0.5學(xué)時(shí)）1.購(gòu)物籃分析2.頻繁項(xiàng)集、閉項(xiàng)集和關(guān)聯(lián)規(guī)則3.頻繁模式挖掘：路線(xiàn)圖第二節(jié) 有效的和可伸縮的頻繁項(xiàng)集挖掘（2學(xué)時(shí)）1.Apriori 算法：使用候選項(xiàng)集找頻繁項(xiàng)集2.由頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則3.提高Apriori 算法的有效性第三節(jié) 挖掘各種類(lèi)型的關(guān)聯(lián)規(guī)則（1學(xué)時(shí)）1.多層關(guān)聯(lián)規(guī)則2.挖掘多層關(guān)聯(lián)規(guī)則的方法第四節(jié) 由關(guān)聯(lián)挖掘到相關(guān)分析（0.5學(xué)時(shí)）1.強(qiáng)關(guān)聯(lián)規(guī)則2.由關(guān)聯(lián)分析到相關(guān)分析第五章 分類(lèi)與預(yù)測(cè)教學(xué)要點(diǎn)：1.了解分類(lèi)及預(yù)測(cè)的基本思想、概念和意義。2.掌握常用的分類(lèi)及預(yù)測(cè)算法（或模型）。3.了解分類(lèi)及預(yù)測(cè)挖掘的研究動(dòng)態(tài)。教學(xué)時(shí)數(shù)： 12學(xué)時(shí)。 教學(xué)內(nèi)容：第一節(jié) 什么是分類(lèi)，什

9、么是預(yù)測(cè)（0.5學(xué)時(shí)）分類(lèi)和預(yù)測(cè)的定義第二節(jié) 用決策樹(shù)歸納分類(lèi)（1學(xué)時(shí)）1.決策樹(shù)歸納2.屬性選擇度量3.樹(shù)剪枝4.可伸縮性與決策樹(shù)歸納第三節(jié) 貝葉斯分類(lèi)（2學(xué)時(shí)）1.貝葉斯定理2.樸素貝葉斯分類(lèi) 3.貝葉斯信念網(wǎng)絡(luò)4.訓(xùn)練貝葉斯信念網(wǎng)絡(luò)第四節(jié) 基于規(guī)則的分類(lèi)（1學(xué)時(shí)）1.使用IF-THEN規(guī)則分類(lèi)2.從決策樹(shù)提取規(guī)則3.使用順序覆蓋算法的規(guī)則歸納第五節(jié) 后向傳播分類(lèi)（2學(xué)時(shí)）1.多路前饋神經(jīng)網(wǎng)絡(luò)2.定義網(wǎng)絡(luò)拓?fù)?.后向傳播4.后向傳播和可解釋性第六節(jié) 支持向量機(jī)（2學(xué)時(shí)）1.數(shù)據(jù)線(xiàn)性可分情況下的分類(lèi)2.數(shù)據(jù)線(xiàn)性不可分情況下的分類(lèi)第七節(jié) 惰性學(xué)習(xí)法（1學(xué)時(shí)）1.K最近鄰分類(lèi)算法2.基于案例的推

10、理第八節(jié) 其它分類(lèi)方法（1.5學(xué)時(shí)）1.遺傳算法2.粗糙集方法3.模糊集方法第九節(jié) 預(yù)測(cè)（1學(xué)時(shí)）1.線(xiàn)性回歸2.非線(xiàn)性回歸3.其它回歸模型第六章 聚類(lèi)分析教學(xué)要點(diǎn)：1.了解如何計(jì)算由各種屬性和不同的類(lèi)型來(lái)表示的對(duì)象之間的相異度。2.了解幾種聚類(lèi)技術(shù)，它們可以分為如下幾類(lèi)：劃分方法，層次方法，基于密度的方法，基于網(wǎng)格的方法，和基于模型的方法。3.如何利用聚類(lèi)方法進(jìn)行離群點(diǎn)分析。教學(xué)時(shí)數(shù)： 10學(xué)時(shí)。 教學(xué)內(nèi)容：第一節(jié) 聚類(lèi)分析中的數(shù)據(jù)類(lèi)型（0.5學(xué)時(shí)）1.區(qū)間標(biāo)度（Interval-Scaled）變量2.二元變量（binary variable）3.標(biāo)稱(chēng)型、序數(shù)型和比例標(biāo)度型變量4.混合類(lèi)型的

11、變量第二節(jié) 主要聚類(lèi)方法的分類(lèi)（0.5學(xué)時(shí)）1.劃分方法2.層次的方法3.基于密度的方法4.基于網(wǎng)格的方法 第三節(jié) 劃分方法（2學(xué)時(shí)）1.典型的劃分方法：k-Means 和k-Medoids2.大規(guī)模數(shù)據(jù)庫(kù)中的劃分方法：從k-Medoids 到CLARANS第四節(jié) 層次方法（2學(xué)時(shí)）1.凝聚的和分裂的層次聚類(lèi)2.BIRCH：利用層次方法的平衡迭代約減和聚類(lèi)3.ROCK：分類(lèi)屬性的層次聚類(lèi)算法第五節(jié) 基于密度的方法（2學(xué)時(shí)）1.DBSCAN:一個(gè)基于密度和高密度的連結(jié)區(qū)域的聚類(lèi)算法2.OPTICS：通過(guò)對(duì)象排序識(shí)別聚類(lèi)結(jié)構(gòu)3.DENCLUE：基于密度分布函數(shù)的聚類(lèi)第六節(jié) 基于約束的聚類(lèi)分析（2學(xué)

12、時(shí)）1.含有障礙物的對(duì)象聚類(lèi)2.用戶(hù)約束的聚類(lèi)分析3.半監(jiān)督聚類(lèi)分析第七節(jié) 孤立點(diǎn)(OUTLIER)分析（1學(xué)時(shí)）1.基于統(tǒng)計(jì)分布的離群點(diǎn)探測(cè)2.基于距離的離群點(diǎn)探測(cè)3.基于密度的局部離群點(diǎn)檢測(cè)4.基于偏離的離群點(diǎn)探測(cè)三、參考書(shū)目教材用書(shū)：1、Jiawei Han、Micheline·Kamber 著，范明等譯，數(shù)據(jù)挖掘概念與技術(shù)，機(jī)械工業(yè)出版社，2007年3月，第二版。參考書(shū)目：1、張?jiān)茲徚嶂?，?shù)據(jù)挖掘原理與技術(shù)，電子工業(yè)出版社，2004。2、陳京民編著，數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘技術(shù)，電子工業(yè)出版社，2002。3、林杰斌主編，數(shù)據(jù)挖掘與OLAP理論與實(shí)務(wù)，清華大學(xué)出版社，2003.1

13、。4、朱明編著，數(shù)據(jù)挖掘，中國(guó)科學(xué)技術(shù)大學(xué)出版社，2002.2。5、Richard J. Roiger, Michael W. Geatz 著,翁敬農(nóng) 譯，數(shù)據(jù)挖掘教程,清華大學(xué)出版社，2003。6、David Hand, Heikki Mannila, Padhraic Smyth著，張銀奎、廖麗、宋俊等譯，數(shù)據(jù)挖掘原理，機(jī)械工業(yè)出版社，2003。 本課程使用教具和現(xiàn)代教育技術(shù)的指導(dǎo)性意見(jiàn)本課程教材力求內(nèi)容新穎，應(yīng)采用多樣化的方式進(jìn)行教學(xué)，讓學(xué)生在理論與實(shí)踐相結(jié)合的基礎(chǔ)上，對(duì)課程所要求的實(shí)際操作能力有進(jìn)一步的提高。充分利用多媒體等現(xiàn)代化教學(xué)手段，整體優(yōu)化教學(xué)過(guò)程和教學(xué)內(nèi)容，調(diào)動(dòng)學(xué)生學(xué)習(xí)積極性

14、；布置實(shí)際操作任務(wù)給學(xué)生上機(jī)操作并及時(shí)指導(dǎo)。數(shù)據(jù)挖掘?qū)嶒?yàn)教學(xué)大綱及實(shí)驗(yàn)項(xiàng)目課程編號(hào)：課程類(lèi)別：專(zhuān)業(yè)基礎(chǔ)選修課實(shí)驗(yàn)學(xué)時(shí)：實(shí)驗(yàn)18學(xué)時(shí)學(xué) 分：1適用專(zhuān)業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)一、實(shí)驗(yàn)教學(xué)目的和任務(wù) 數(shù)據(jù)挖掘是20世紀(jì)末剛剛興起的數(shù)據(jù)智能分析技術(shù)，由于有廣闊的應(yīng)用前景而備受重視。數(shù)據(jù)挖掘作為一門(mén)新興的學(xué)科，在它的形成和發(fā)展過(guò)程中表現(xiàn)出了強(qiáng)大的生命力，廣大從事數(shù)據(jù)庫(kù)應(yīng)用與決策支持，以及數(shù)據(jù)分析等學(xué)科的科研工作者和工程技術(shù)人員迫切需要了解和掌握它。數(shù)據(jù)挖掘涉及的內(nèi)容較為廣泛，已成為迅速發(fā)展并在信息社會(huì)中廣泛應(yīng)用的一門(mén)綜合性學(xué)科。數(shù)據(jù)挖掘已成為統(tǒng)計(jì)學(xué)專(zhuān)業(yè)的一門(mén)重要課程。通過(guò)數(shù)據(jù)挖掘課程的教學(xué)，使學(xué)生理解數(shù)據(jù)挖

15、掘的基本概念和方法，為進(jìn)入更深入的智能數(shù)據(jù)分析研究打好基礎(chǔ)。本課程的任務(wù)是：通過(guò)實(shí)踐，學(xué)生對(duì)常用數(shù)據(jù)挖掘中的基本概念及其不同算法的實(shí)現(xiàn)方法的理論得到進(jìn)一步的掌握，并對(duì)數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理、分類(lèi)與聚類(lèi)方法的具體實(shí)現(xiàn)及作用有所體會(huì)。二、實(shí)驗(yàn)教學(xué)基本要求本課程是一門(mén)實(shí)踐性很強(qiáng)的專(zhuān)業(yè)課，只有了解這門(mén)課程的特點(diǎn)和基本要求，學(xué)習(xí)時(shí)才能做到有的放矢，舉一反三，本課程特點(diǎn)主要有以下幾個(gè)方面：(1) 內(nèi)容豐富，理論性強(qiáng)。本課程為以后更深入的進(jìn)行智能數(shù)據(jù)分析研究打下良好的基礎(chǔ)。(2) 注重理論聯(lián)系實(shí)際，加強(qiáng)實(shí)驗(yàn)環(huán)節(jié)的訓(xùn)練。只有通過(guò)實(shí)驗(yàn)，才能透徹理解基本原理。三、實(shí)驗(yàn)教學(xué)內(nèi)容序號(hào)項(xiàng)目名稱(chēng)項(xiàng)目類(lèi)別項(xiàng)目類(lèi)型項(xiàng)目學(xué)時(shí)1

16、數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)基礎(chǔ)性選做32數(shù)據(jù)預(yù)處理基礎(chǔ)性必做33Apriori算法綜合性必做34Naïve Bayes綜合性選做35決策樹(shù)算法綜合性必做36k-Means算法綜合性必做3實(shí)驗(yàn)項(xiàng)目?jī)?nèi)容及要求 實(shí)驗(yàn)要求的設(shè)備為計(jì)算機(jī)，統(tǒng)一在計(jì)算機(jī)實(shí)驗(yàn)室完成。實(shí)驗(yàn)項(xiàng)目共5個(gè)，項(xiàng)目類(lèi)別分為基礎(chǔ)性、綜合性和設(shè)計(jì)性三種，實(shí)驗(yàn)項(xiàng)目類(lèi)型分為必做和選做。要求學(xué)生在18學(xué)時(shí)必須完成必做項(xiàng)目，在完成的基礎(chǔ)上實(shí)現(xiàn)選做項(xiàng)目。實(shí)驗(yàn)一 數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)實(shí)驗(yàn)1、實(shí)驗(yàn)?zāi)康募耙螅?1) 在學(xué)習(xí)的過(guò)程中，學(xué)生需要在教材的基礎(chǔ)上搜索相關(guān)的文獻(xiàn)資料，對(duì)于研究?jī)?nèi)容，只要能夠形成決策的數(shù)據(jù)環(huán)境即可，同時(shí)對(duì)于研究方法也不做具體的限制。(2) 對(duì)于

17、研究?jī)?nèi)容，要能體現(xiàn)出數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)的各個(gè)階段和方法側(cè)重點(diǎn)。2、實(shí)驗(yàn)內(nèi)容及學(xué)時(shí)分配： （3學(xué)時(shí)，選做）(1) 針對(duì)企業(yè)管理的某個(gè)領(lǐng)域，研究數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)的理論與方法。(2) 設(shè)計(jì)出一個(gè)數(shù)據(jù)倉(cāng)庫(kù)實(shí)例。實(shí)驗(yàn)二 數(shù)據(jù)預(yù)處理實(shí)驗(yàn)1、實(shí)驗(yàn)?zāi)康募耙螅?1) 在學(xué)習(xí)的過(guò)程中，學(xué)生需要在教材的基礎(chǔ)上搜索相關(guān)的文獻(xiàn)資料，采用任何數(shù)據(jù)預(yù)處理方法，只要能達(dá)到相應(yīng)的決策目的即視為有效。(3) 對(duì)于研究?jī)?nèi)容，只要能夠?yàn)橐院蟮臄?shù)據(jù)挖掘提供準(zhǔn)備功能即可，同時(shí)對(duì)于研究方法也不做具體的限制，但是要能體現(xiàn)出數(shù)據(jù)預(yù)處理的合理性。2、實(shí)驗(yàn)內(nèi)容及學(xué)時(shí)分配： （3學(xué)時(shí)）(1) 研究數(shù)據(jù)預(yù)處理方法。(2) 編制出數(shù)據(jù)預(yù)處理方法的程序，并基于實(shí)

18、例進(jìn)行實(shí)現(xiàn)得出最終實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)三 Apriori算法實(shí)驗(yàn)1、實(shí)驗(yàn)?zāi)康募耙螅?1) 掌握Apriori算法模型的實(shí)現(xiàn)過(guò)程及基本方法。(2) 掌握Apriori算法的實(shí)現(xiàn)。2、實(shí)驗(yàn)內(nèi)容及學(xué)時(shí)分配： （3學(xué)時(shí)）(1) 選擇合理的數(shù)據(jù)集。(2) 數(shù)據(jù)預(yù)處理。(3) Apriori算法模型設(shè)計(jì)。實(shí)驗(yàn)四  Naïve Bayes實(shí)驗(yàn)1、實(shí)驗(yàn)?zāi)康募耙螅?1) 掌握Naïve Bayes算法模型的實(shí)現(xiàn)過(guò)程及基本方法。(2) 掌握Naïve Bayes算法的實(shí)現(xiàn)。2、實(shí)驗(yàn)內(nèi)容及學(xué)時(shí)分配： （3學(xué)時(shí)）(1) 選擇合理的數(shù)據(jù)集。(2) 數(shù)據(jù)預(yù)處理。(3) Naïve Bayes算法模型設(shè)計(jì)。實(shí)驗(yàn)五  決策樹(shù)算法實(shí)驗(yàn)1、實(shí)驗(yàn)?zāi)康募耙螅?1) 掌握決策樹(shù)算法模型的實(shí)