《数据分析与挖掘》课程教学大纲
一、课程信息
课程名称
数据挖掘与机器学习
英文名称
DataAnalysisandMining
课程编码
课程类别
专业核心课程
是否为混合式课程
课程性质
必修
学分
3.5
学时
总学时：72
理论
学时
44
实践/实
验学时
28
线上拓展
学时
适用专业
数据科学与大数据技术
建议修读学期
第4学期
先修课程
数据库系统与应用，Python数据分析与可视化、优化理论与方法
考核方式
考试(√)考查()
成绩构成及比例：过程性评价（平时作业、期中考试、课内实验）50%
结果性评价（期末考试）50%
大纲执笔人
大纲审核人
注：线上拓展学时为教师安排学生利用课余时间完成线上学习的学时。
二、课程简介
数据分析与挖掘是数据科学与大数据技术专业的一门核心基础课。通过本课程的学习，使学生掌握Python数据数据分析技术（Python编程基础、Numpy、Pandas、）、数据可视化技术（Matplotlib、Seaborn、pyecharts）、预处理技术（包括数据度量、数据清理、数据集成和转换等方法）和数据挖掘与机器学习技术（包括分类、预测、关联和聚类的概念与技术），并且熟悉数据分析与挖掘的基本原理和发展方向，提升解决复杂数据工程问题能力，激发学生科技报国的家国情怀和使命担当，锻炼创造性思维和创新性实践能力，具备初步的科研能力和创造能力。
数据分析与挖掘作为理论和实践结合的课程，其先修课是概率论与数理统计、Python数据分析与可视化、优化理论与应用，这三门课程为本课程提供理论基础与实践工具。本课程也是行业大数据分析、大数据处理综合实践、数据挖掘课程设计等专业课的重要基础。
三、课程内容及要求
（一）绪论（2学时）
1.教学内容
理论教学（2学时）：
（1）掌握数据分析与挖掘的概念、内容。
（2）数据挖掘的任务、数据源、存在的问题与常用工具。
（3）数据挖掘与机器学习课程的核心地位和学习目标。
2.基本要求
（1）数据分析与数据挖掘的基本内容及其联系和区别，数据挖掘与机器学习的基本内容及其联系和区别。
（2）要求学生掌握数据挖掘和机器学习中存在的主要问题，数据建模的常用工具以及Python数据挖掘与机器学习的常用库。
3.重点及难点
重点：数据分析与挖掘的基本流程。
难点：数据挖掘与机器学习的主要问题。
4.教学模式：课堂讲述与讨论
5.作业及课外学习要求
（1）要求学生完成数据分析与挖掘基本概念的知识性作业；
（2）要求学生阅读文献或查阅资料，完成数据挖掘与机器学习发展的综述性书面作业；
（二）Python编程基础（4学时）
1.教学内容
理论教学（2学时）：
（1）掌握Python语言的基本语法。
（2）数据Python内置数据类型。
（3）掌握Python的函数应用。
（4）了解Python中的基本文件读写。
实验教学（2学时）
（1）Python编程实践。
2.基本要求
（1）掌握Python编程基础。
（2）掌握Python中的内置数据结构和函数操作。
3.重点及难点
重点：Python中内置的数据机构。
难点：Python中的函数定义和调用。
4.教学模式：课堂讲述与实践
5.作业及课外学习要求
Python编程实践练习；
（三）Numpy数值计算
1.教学内容（4学时）
理论教学（2学时）：
（1）掌握Numpy中的数组定义和访问。
（2）数据Numpy中数组的运算、读写和统计分析。
实验教学（2学时）：
（1）Numpy编程实践。
2.基本要求
（1）Numpy中数组的定义和切片访问。
（2）数组的读写和统计分析。
3.重点及难点
重点：Numpy中数组的切片访问。
难点：Numpy中的数据统计分析。
4.教学模式：课堂讲述与实践
5.作业及课外学习要求
Numpy编程实践练习；
（四）Pandas数据分析（6学时）
1.教学内容
理论教学（4学时）：
（1）掌握Pandas数据分析。
（2）数据Pandas数据可视化。
实验教学（2学时）：
（1）Pandas数据分析与可视化案例。
2.基本要求
（1）Pandas中的数据结构、数据索引、数据读写。
（2）Pandas数据查询与编辑。
（3）Pandas数据分组与汇总。
（4）Pandas数据可视化。
3.重点及难点
重点：Pandas数据查询、编辑与分组汇总。
难点：数据分组汇总。
4.教学模式：课堂讲述与实践
5.作业及课外学习要求
Pandas数据分析与可视化编程实践练习；
（五）Python数据可视化（6）
1.教学内容
理论教学（4学时）：
（1）Matplotlib数据可视化。
（2）Seaborn数据可视化。
（3）pyecharts数据可视化。