《商務(wù)智能與數(shù)據(jù)挖掘》課程教學大綱

《商務(wù)智能與數(shù)據(jù)挖掘》教學大綱一、課程基本信息課程名稱商務(wù)智能與數(shù)據(jù)挖掘BusinessIntelligenceandDataMining課程編碼SEM221411035開課院部經(jīng)濟管理學院課程團隊數(shù)據(jù)挖掘與智能決策教學團隊學分3.5課內(nèi)學時60講授48實驗12上機0實踐0課外學時48適用專業(yè)信息管理與信息系統(tǒng)授課語言中文先修課程程序設(shè)計（Python）、線性代數(shù)、概率論與數(shù)理統(tǒng)計、運籌學、管理統(tǒng)計學課程簡介（必修）本課程是信息管理與信息系統(tǒng)專業(yè)學生必修的一門重要的學科基礎(chǔ)課。課程主要講授商務(wù)智能與數(shù)據(jù)挖掘標準流程和典型機器學習算法，介紹Python數(shù)據(jù)挖掘與應(yīng)用。通過本課程的學習，學生應(yīng)了解商務(wù)智能的系統(tǒng)架構(gòu)和數(shù)據(jù)挖掘標準流程，理解商務(wù)智能與數(shù)據(jù)挖掘的基本概念和方法，掌握數(shù)據(jù)挖掘相關(guān)模型的基礎(chǔ)理論知識;針對數(shù)據(jù)挖掘的分類、聚類、關(guān)聯(lián)分析等問題，能對數(shù)據(jù)進行有效的預(yù)處理，選擇合適的算法并進行參數(shù)調(diào)優(yōu)，進行數(shù)據(jù)分析與挖掘以獲得商務(wù)智能決策支持信息;掌握專門面向機器學習的Python包Scikit-learn，能夠通過Python編程進行具體的數(shù)據(jù)挖掘，具備商務(wù)數(shù)據(jù)分析和挖掘的能力。Thiscourseisanimportantcompulsorybasiccourseforstudentsmajoringininformationmanagementandinformationsystems.Thecoursemainlyteachesbusinessintelligenceanddataminingstandardprocessesandtypicalmachinelearningalgorithms,andintroducesPythondataminingandapplication.Throughthestudyofthiscourse,studentsshouldunderstandthesystemarchitectureofbusinessintelligenceandthestandardprocessofdatamining,andunderstandthebasicconceptsandmethodsofbusinessintelligenceanddatamining,masterthebasictheoreticalknowledgeofdataminingrelatedmodels.Focusingontheclassification,clustering,associationanalysisandotherissuesofdatamining,studentsshouldknowhowtoeffectivelypreprocessthedata,selecttheappropriatealgorithmandperformparametertuning,andconductdataanalysisandminingtoobtainbusinessintelligencedecisionsupportinformation.StudentsshouldmasterthePythonpackageScikit-learnwhichisspecificallyusedformachinelearningandbeabletoanalyzeandminebusinessdatawithPythonprogramming.負責人大綱執(zhí)筆人審核人二、課程目標序號代號課程目標OBE畢業(yè)要求指標點任務(wù)自選1M1目標1：了解商務(wù)智能的系統(tǒng)架構(gòu)和數(shù)據(jù)挖掘標準流程是3.23.22M2目標2：理解商務(wù)智能與數(shù)據(jù)挖掘的基本概念和方法，掌握數(shù)據(jù)挖掘相關(guān)算法的基礎(chǔ)理論知識是4.24.23M3目標3：針對具體數(shù)據(jù)挖掘問題，能選擇合適的算法，通過Python編程進行數(shù)據(jù)分析與挖掘，獲得商務(wù)智能決策支持信息是3.33.3三、課程內(nèi)容序號章節(jié)號標題課程內(nèi)容/重難點支撐課程目標課內(nèi)學時教學方式課外學時課外環(huán)節(jié)1第1章第1章商務(wù)智能與數(shù)據(jù)挖掘概述本章重點難點：商務(wù)智能與數(shù)據(jù)挖掘的概念、數(shù)據(jù)挖掘的流程及主要任務(wù)、商務(wù)智能的系統(tǒng)架構(gòu)及實施課程思政：遵紀守法，尊重個人隱私/////21.11.1商務(wù)智能與數(shù)據(jù)挖掘簡介商務(wù)智能與數(shù)據(jù)挖掘的需求和基本定義，應(yīng)用案例討論，商務(wù)智能支撐技術(shù)M11講授、討論1自主學習31.21.2數(shù)據(jù)挖掘的流程數(shù)據(jù)挖掘涉及的領(lǐng)域，數(shù)據(jù)挖掘的流程，數(shù)據(jù)挖掘的主要任務(wù)，常見的數(shù)據(jù)挖掘軟件M12講授、討論2自主學習41.31.3商務(wù)智能的系統(tǒng)架構(gòu)及實施商務(wù)智能系統(tǒng)架構(gòu)，商務(wù)智能系統(tǒng)要素，商務(wù)智能系統(tǒng)實施M11講授、討論1自主學習5第2章第2章數(shù)據(jù)的理解與預(yù)處理本章重點難點：數(shù)據(jù)對象與屬性類型、數(shù)據(jù)的基本統(tǒng)計描述與可視化、數(shù)據(jù)預(yù)處理方法////62.12.1數(shù)據(jù)對象與屬性類型數(shù)據(jù)對象與屬性術(shù)語表達，標稱屬性、二元屬性、有序?qū)傩?、?shù)值型屬性M21講授1自主學習72.22.2數(shù)據(jù)的基本統(tǒng)計描述與可視化集中趨勢的度量，離散度的度量，數(shù)據(jù)的圖形描述與可視化M21講授1作業(yè)82.32.3數(shù)據(jù)預(yù)處理方法數(shù)據(jù)清洗，數(shù)據(jù)整合，數(shù)據(jù)縮減，數(shù)據(jù)變換與離散化M22講授2自主學習9第3章第3章數(shù)據(jù)倉庫與在線分析處理本章重點難點：數(shù)據(jù)倉庫設(shè)計與應(yīng)用、聯(lián)機分析處理的實現(xiàn)////103.13.1數(shù)據(jù)倉庫基本概念數(shù)據(jù)管理與數(shù)據(jù)庫，數(shù)據(jù)倉庫定義，數(shù)據(jù)倉庫模型，數(shù)據(jù)抽取-轉(zhuǎn)換-裝載，數(shù)據(jù)倉庫設(shè)計與應(yīng)用M22講授、討論2自主學習113.23.2聯(lián)機分析處理聯(lián)機分析處理簡介、分類，基本概念和典型操作，實現(xiàn)途徑及實施過程，評價準則M22講授、討論2自主學習12第4章第4章模型評價與選擇本章重點難點：交叉驗證、超參數(shù)選擇、數(shù)據(jù)挖掘方法比較////134.14.1旁置法估計訓(xùn)練和測試集合的劃分，預(yù)測性能的置信區(qū)間，旁置法、交叉驗證、留一交叉驗證法、自助法，驗證集與超參數(shù)選擇M12講授2作業(yè)144.24.2數(shù)據(jù)挖掘方法比較T檢驗比較，損失函數(shù)，分類模型評價指標，成本計算，回歸性能指標M12講授2自主學習15第5章第5章貝葉斯網(wǎng)絡(luò)本章重點難點：樸素貝葉斯分類器、貝葉斯網(wǎng)絡(luò)學習算法////165.15.1樸素貝葉斯分類器類別型樸素貝葉斯分類器、高斯樸素貝葉斯、多項式樸素貝葉斯M22講授2作業(yè)175.25.2貝葉斯網(wǎng)絡(luò)貝葉斯網(wǎng)絡(luò)定義，貝葉斯網(wǎng)絡(luò)學習算法的構(gòu)建，K2，TANM22講授2自主學習18第6章第6章決策樹本章重點難點：決策樹常用算法、剪枝////196.16.1決策樹常用算法OneR算法，連續(xù)性數(shù)據(jù)離散化方法，ID3算法，C.5算法，CART算法M21講授1作業(yè)206.26.2決策樹剪枝方法預(yù)剪枝，后剪枝，后剪枝的兩種方式，剪枝的原則M21講授1自主學習216.36.3集成學習裝袋法、提升法、隨機森林M22講授2自主學習22第7章第7章聚類分析本章重點難點：K-Means聚類、層次聚類，DBSCAN聚類////237.17.1K-Means聚類相似度測度，K-Means聚類算法，對變量的預(yù)處理，K-Means聚類的提升M21講授1作業(yè)247.27.2層次聚類層次聚類的特點，類別層次合并的方法，聚類數(shù)目的確定M21講授1自主學習257.37.3DBSCAN聚類DBSCAN聚類方法的基本參數(shù)、基本概念和算法，聚類質(zhì)量的評價M22講授2自主學習26第8章第8章關(guān)聯(lián)規(guī)則挖掘本章重點難點：覆蓋算法、Apriori算法////278.18.1覆蓋算法：建立規(guī)則規(guī)則與樹，覆蓋算法，規(guī)則與決策列表M22講授2自主學習288.28.2Apriori算法產(chǎn)生頻繁項集，尋找頻繁項集，依據(jù)頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則，高效地生成規(guī)則，關(guān)聯(lián)規(guī)則測度指標M22講授2作業(yè)29第9章第9章線性模型本章重點難點：線性回歸模型正則化項，logistic回歸，感知機的線性分類////309.19.1線性回歸模型線性回歸模型表達及求解，正則化項對應(yīng)的算法，logistic回歸模型表達及求解M22講授2自主學習319.29.2感知機感知機的線性分類，Winnow的線性分類M22講授2自主學習32第10章第10章神經(jīng)網(wǎng)絡(luò)本章重點難點：誤差逆?zhèn)鞑ニ惴?，全局最小與局部最小，深度學習////3310.110.1多層神經(jīng)網(wǎng)絡(luò)神經(jīng)元模型，多層神經(jīng)網(wǎng)絡(luò)，誤差逆?zhèn)鞑ニ惴?，全局最小與局部最小M22講授2自主學習3410.210.2深度學習卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)，深度學習流行框架M22講授2自主學習35第11章第11章支持向量機本章重點難點：支持向量機的模型求解、核函數(shù)的應(yīng)用，支持向量回歸////3611.111.1支持向量機分類間隔與支持向量，對偶問題，核函數(shù)，軟間隔與正則化M22講授2作業(yè)3711.211.2支持向量回歸基于線性和非線性核函數(shù)的支持向量回歸M22講授2自主學習38第12章第12章商務(wù)智能系統(tǒng)與應(yīng)用本章重點難點：基于SAP的商務(wù)智能系統(tǒng)，商品個性化推薦的客戶智能應(yīng)用M2////3912.112.1基于SAP的商務(wù)智能系統(tǒng)SAP商務(wù)智能系統(tǒng)在SAP應(yīng)用系統(tǒng)中的地位，商務(wù)智能平臺，基于SAP的商務(wù)智能系統(tǒng)案例M22翻轉(zhuǎn)課堂2自主學習4012.212.2客戶智能應(yīng)用客戶智能推薦系統(tǒng)應(yīng)用案例，商品個性化推薦的客戶智能應(yīng)用，工業(yè)互聯(lián)網(wǎng)中的客戶智能應(yīng)用M22翻轉(zhuǎn)課堂2自主學習41實驗1實驗1：分類問題—銀行理財產(chǎn)品電話銷售預(yù)測針對于銀行有關(guān)客戶個人信息、通話過程、以往銷售活動等因素的數(shù)據(jù)，進行描述性分析，選取合適的特征，構(gòu)建合理的模型，并根據(jù)分類準確度等指標和工具評估模型的預(yù)測效果。M34上機2撰寫報告42實驗2實驗2：聚類分析—網(wǎng)絡(luò)零售客戶聚類通過對網(wǎng)絡(luò)零售客戶個人信息的聚類，發(fā)現(xiàn)客戶群的特征，以實現(xiàn)對目標客戶的準確理解和客戶定位，便于后期針對不同特點的客戶采用不同的營銷策略。M34上機2撰寫報告43實驗3實驗3：預(yù)測問題—工業(yè)蒸汽量預(yù)測選擇經(jīng)脫敏后的鍋爐傳感器采集的數(shù)據(jù)（采集頻率是分鐘級別），根據(jù)鍋爐的工況，預(yù)測產(chǎn)生的蒸汽量。M34上機2撰寫報告四、考核方式序號考核環(huán)節(jié)操作細節(jié)總評占比1平時作業(yè)1.每周布置1道題目。2.成績采用百分制，根據(jù)作業(yè)完成準確性、是否按時上交、是否獨立完成評分。3.考核學生對數(shù)據(jù)挖掘基本知識的掌握能力，學生綜合運用所學知識分析問題、解決問題的能力題型主要有論述、分析和計算題。15%2實驗1.本課程12個學時實驗，共3次實驗。2.成績采用百分制，根據(jù)實驗完成情況評分。3.考核學生對機器學習算法包Scikit-learn的應(yīng)用能力，針對不同的數(shù)據(jù)挖掘問題，進行數(shù)據(jù)分析與挖掘以獲得商務(wù)智能決策支持信息。15%3結(jié)課報告考核學生能夠應(yīng)用數(shù)據(jù)挖掘的相關(guān)理論方法，對數(shù)據(jù)進行科學的加工和分析處理，提供決策支持并進行闡述和交流的能力：1.從業(yè)務(wù)需求出發(fā)，解析為合適的數(shù)據(jù)挖掘問題，能對數(shù)據(jù)進行有效的預(yù)處理和統(tǒng)計性描述。2.針對數(shù)據(jù)挖掘的分類、聚類、關(guān)聯(lián)分析等問題，能夠選擇合適的算法并進行參數(shù)調(diào)優(yōu)，進行數(shù)據(jù)分析與挖掘。3.將數(shù)據(jù)挖掘結(jié)果進行解釋和可視化，能夠獲得商務(wù)智能決策支持信息。40%4課堂表現(xiàn)隨機檢查學生上課精神狀態(tài)、回答問題情況10%5線上互動使用雨課堂隨堂測驗，主要考核學生對數(shù)據(jù)挖掘基本知識的掌握，學生綜合運用所學知識分析問題、解決問題的能力，題型主要有簡答題、選擇題、填空題、計算題等。20%五、評分細則序號課程目標考核環(huán)節(jié)大致占比評分等級1M1平時作業(yè)50%A-按時提交作業(yè)，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解無誤。B-按時提交作業(yè)，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在少量錯誤。C-不按時提交作業(yè)，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在少量錯誤。D-不按時提交作業(yè)，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在錯誤。E-不按時提交作業(yè)，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在大量錯誤。2M1結(jié)課報告50%A-按時提交報告，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解無誤。B-按時提交報告，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在少量錯誤。C-不按時提交報告，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在少量錯誤。D-不按時提交報告，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在錯誤。E-不按時提交報告，商務(wù)智能架構(gòu)和數(shù)據(jù)挖掘基本流程理解存在大量錯誤。3M2平時作業(yè)40%A-按時提交作業(yè)，數(shù)據(jù)挖掘和模型算法等基本知識點理解無誤。B-按時提交作業(yè)，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在少量錯誤。C-不按時提交作業(yè)，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在少量錯誤。D-不按時提交作業(yè)，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在錯誤。E-不按時提交作業(yè)，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在大量錯誤。4M2線上互動40%[A,B,C,D,E]=[90-100,80-89,70-79,60-69,0-59]5M2課堂表現(xiàn)10%A-回答問題積極，數(shù)據(jù)挖掘和模型算法等基本知識點理解無誤。B-回答問題積極，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在少量錯誤。C-回答問題不積極，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在少量錯誤。D-回答問題不積極，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在錯誤。E-回答問題不積極，數(shù)據(jù)挖掘和模型算法等基本知識點理解存在大量錯誤。6M3實驗50%A-按時提交實驗報告，針對具體數(shù)據(jù)挖掘問題，能選擇合適的算法，Python編程正確，算法性能優(yōu)秀，能得到較好的數(shù)據(jù)分析與挖掘結(jié)果。B-按時提交實驗報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程正確，但算法性能不好，能得到數(shù)據(jù)分析與挖掘的結(jié)果。C-不按時提交實驗報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程正確或有少量錯誤，算法性能不好，能得到數(shù)據(jù)分析與挖掘的結(jié)果。D-不按時提交實驗報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程不正確，算法性能不好，數(shù)據(jù)分析與挖掘的結(jié)果錯誤。E-不按時提交實驗報告，針對具體數(shù)據(jù)挖掘問題，不能選擇該問題所屬類的算法，Python編程不正確，得到的數(shù)據(jù)分析與挖掘結(jié)果錯誤。7M3結(jié)課報告50%A-按時提交結(jié)課報告，針對具體數(shù)據(jù)挖掘問題，能選擇合適的算法，Python編程正確，算法性能優(yōu)秀，能合理地闡釋和可視化數(shù)據(jù)分析與挖掘結(jié)果。B-按時提交結(jié)課報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程正確，但算法性能不好，能合理地闡釋和可視化數(shù)據(jù)分析與挖掘的結(jié)果。C-不按時提交結(jié)課報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程正確或有少量錯誤，算法性能不好，能合理地闡釋和可視化數(shù)據(jù)分析與挖掘的結(jié)果。D-不按時提交結(jié)課報告，針對具體數(shù)據(jù)挖掘問題，能選擇該問題所屬類的算法，Python編程不正確，算法性能不好，不能合理地闡釋和可視化數(shù)據(jù)分析與挖掘的結(jié)果。E-不按時提交結(jié)課報告，針對具體數(shù)據(jù)挖掘問題，不能選擇該問題所屬類的算法，Python編程不正確