數(shù)據(jù)倉庫與數(shù)據(jù)挖掘 教學(xué)進(jìn)度表

-5-周次課次授課內(nèi)容摘要時(shí)數(shù)目的要求11第1章數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述一、數(shù)據(jù)倉庫概述二、數(shù)據(jù)挖掘概述三、數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的區(qū)別于聯(lián)系2理解和掌握數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的基本概念、數(shù)據(jù)倉庫的組成、應(yīng)用及基于Hadoop/Spark的數(shù)據(jù)倉庫技術(shù)，數(shù)據(jù)挖掘過程、數(shù)據(jù)挖掘的主要任務(wù)、數(shù)據(jù)挖掘使用的主要技術(shù)及工具。2第2章認(rèn)識(shí)數(shù)據(jù)數(shù)據(jù)對象與屬性類型數(shù)據(jù)的基本統(tǒng)計(jì)描述數(shù)據(jù)可視化度量數(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(jì)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。23第3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。4三、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掌握如何對不同數(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；掌握如何對數(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；掌握利用Python進(jìn)行數(shù)據(jù)預(yù)處理的方法。35實(shí)驗(yàn)一、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。6第4章、數(shù)據(jù)倉庫與聯(lián)機(jī)分析處理一、數(shù)據(jù)倉庫體系，二、多維數(shù)據(jù)模型與OLAP三、維度建模2掌握數(shù)據(jù)倉庫的體系、多維數(shù)據(jù)模型與OLAP、數(shù)據(jù)倉庫的維度建模及數(shù)據(jù)倉庫的發(fā)展。47第5章、數(shù)據(jù)倉庫設(shè)計(jì)與開發(fā)一、數(shù)據(jù)倉庫設(shè)計(jì)概述二、數(shù)據(jù)倉庫設(shè)計(jì)2掌握數(shù)據(jù)倉庫設(shè)計(jì)的特點(diǎn)，數(shù)據(jù)倉庫構(gòu)建模式和構(gòu)建框架，數(shù)據(jù)倉庫的規(guī)劃、需求分析、邏輯設(shè)計(jì)、物理設(shè)計(jì)，部署和維護(hù)。8三、基于Hive的數(shù)據(jù)倉庫實(shí)現(xiàn)2掌握基于Hive的數(shù)據(jù)倉庫實(shí)現(xiàn)過程。59實(shí)驗(yàn)二（選做）、基于Hadoop平臺(tái)，利用Hive實(shí)現(xiàn)數(shù)據(jù)倉庫的設(shè)計(jì)實(shí)現(xiàn)及基本操作掌握基于Hive的數(shù)據(jù)倉庫的設(shè)計(jì)與實(shí)現(xiàn)。10第6章回歸分析一、回歸分析概述二、一元線性回歸分析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。611三、多元線性回歸四、邏輯回歸五、其他回歸分析2掌握多元線性回歸分析；掌握邏輯回歸；了解其他回歸分析。12實(shí)驗(yàn)三、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。713第7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(xiàng)集挖掘方法2了解頻繁項(xiàng)集、閉項(xiàng)集和關(guān)聯(lián)規(guī)則的概念，理解模式評(píng)估方法,掌握Apriori算法。14三、頻繁模式樹算法四、關(guān)聯(lián)規(guī)則評(píng)估方法2掌握FP挖掘算法；利用Python實(shí)現(xiàn)關(guān)聯(lián)規(guī)則分析；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)。815實(shí)驗(yàn)四、Python實(shí)現(xiàn)數(shù)據(jù)的關(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。16第8章分類一、分類概述二、決策樹規(guī)約及其Python實(shí)現(xiàn)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。917三、K近鄰算法四、支持向量機(jī)算法及其實(shí)現(xiàn)2掌握KNN算法原理與實(shí)現(xiàn)；了解SVM算法及其實(shí)現(xiàn)。18五、貝葉斯分類六、模型評(píng)估與選擇2熟悉掌握貝葉斯分類算法；理解評(píng)估分類器性能的度量方法。1019七、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。20實(shí)驗(yàn)五、分類分析綜合實(shí)驗(yàn)2用不同的算法實(shí)現(xiàn)給定數(shù)據(jù)集的分類分析，掌握利用Python實(shí)現(xiàn)數(shù)據(jù)分類分析的常用方法。1121第9章聚類一、聚類概述二、K-Means算法K-Means算法實(shí)現(xiàn)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)。22三、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)。1223四、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)。24五、其他聚類方法STING算法、COBWENB算法及模糊聚類算法2了解STING算法、COBWENB算法；掌握模糊聚類算法。1325六、聚類評(píng)估估計(jì)聚類趨勢確定簇?cái)?shù)目的方法測定聚類質(zhì)量2掌握聚類評(píng)估的基本方法；確定簇?cái)?shù)目的常用方法；聚類質(zhì)量的測定。26實(shí)驗(yàn)六數(shù)據(jù)的聚類分析綜合實(shí)驗(yàn)2掌握數(shù)據(jù)聚類的典型算法。1427第10章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)一、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)神經(jīng)元模型，感知機(jī)與多層網(wǎng)絡(luò)2理解神經(jīng)網(wǎng)絡(luò)基本原理；掌握感知機(jī)的原理。28二、BP神經(jīng)網(wǎng)絡(luò)三、深度學(xué)習(xí)基礎(chǔ)2理解多層前饋神經(jīng)網(wǎng)絡(luò)的原理；理解后向傳播算法；了解BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用；了解深度學(xué)習(xí)的思想及主要模型。1529實(shí)驗(yàn)七、BP神經(jīng)網(wǎng)絡(luò)案例實(shí)驗(yàn)2掌握BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn)。30第11章離群點(diǎn)檢測一、離群點(diǎn)概述二、離群點(diǎn)檢測方法三、sklearn中的異常值檢測方法2掌握離群點(diǎn)的概念與常用檢測方法，掌握sklearn中的異常值檢測方法。1631第12章文本和時(shí)序數(shù)據(jù)挖掘一、文本數(shù)據(jù)挖掘二、文本分析與挖掘主要方法2掌握文本數(shù)據(jù)挖掘的過程與任務(wù)、文本分析與挖掘的主要方法。32三、時(shí)序數(shù)據(jù)挖掘2時(shí)序數(shù)據(jù)挖掘的過程與典型方法。1733第13章數(shù)據(jù)挖掘案例選講2數(shù)據(jù)挖掘案例分析與實(shí)現(xiàn)。34實(shí)驗(yàn)