PAGE
教学进度计划表
（教学日历）
202*
/
202*
学年
第
二
学期
采用教材：
《Python数据分析与挖掘》，魏伟一主编，清华大学出版社
参考教材：
《数据挖掘概念与技术》，韩家炜，机械工业出版社
名称
总时数
讲课
实践/实验
上机
习题
课程设计
周学时
计划时数
72
44
28
4
5-
周次
课次
授课内容摘要
时数
目的要求
备注
1
1
第一章数据挖掘与机器学习概述
一、数据挖掘简介
二、数据分析与数据挖掘
三、数据挖掘的任务
四、数据挖掘的数据源
五、数据挖掘使用的主要技术
六、数据挖掘的主要任务
七、数据挖掘的商用工具
八、利用Python进行数据挖掘
2
1.理解和掌握数据挖掘与机器学习的基本概念、数据挖掘过程、数据挖掘的主要任务以及数据挖掘使用的主要技术。
2.了解数据挖掘与机器学习的应用和面临的问题。对数据挖掘和机器学习能够解决的问题和解决问题思路有清晰的认识。熟练应用Jupyternotebook的开发环境。
2
第二章Python编程基础
一、Python语言的基本语法
二、内置的数据类型
三、函数
四、文件操作
2
1.理解和掌握Python基础语法、内建的数据结构。
2.掌握函数的定义和调用
3.Python编程基础实践。
2
3
第三章Numpy数值计算
一、Numpy多维数组
二、数组的索引、切片访问
三、数组的读写
2
掌握多维数组的索引、切片访问
4
三、Numpy中的数据统计
四、Numpy编程实践
2
掌握Numpy数值计算方法，主要包括数组和矩阵运算。
3
5
第四章Pandas数据分析
一、Pandas中的数据结构
二、数据存取
三、索引操作
四、Pandas数据查询
2
掌握Pandas中的数据结构、索引、数据查询与编辑。
6
五、Pandas数据编辑
六、数据的分组拆线呢
七、数据透视表
八、Panda数据可视化
2
数据的分组汇总及Pandas绘图。
4
7
实验一、Pandas数据分析实训
2
利用Python进行数据分析。
8
第五章Python数据可视化
一、Matplotlib数据可视化
二、Seaborn数据可视化
三、pyecharts数据可视化
2
掌握Matplotlib、Seaborn和pyecharts数据可视化方法及应用
5
9
实验二、Python数据分析与可视化实训
2
掌握利用Python数据分析与可视化。
10
第三章认识数据
一、数据对象与属性类型
二、数据的基本统计描述
三、数据可视化
四、度量数据的相似性
2
理解和掌握数据对象和属性类型，数据的基本统计描述，掌握度量数据相似性和相异性的方法；了解数据可视化的方法。
6
11
第四章数据预处理
一、数据预处理概述，Python数据预处理方法
二、数据清洗及Python数据清洗方法
2
了解数据预处理的目的和意义；掌握如何对数据进行清理。
12
三、数据集成及利用Python进行数据合并
四、数据变换与离散化
五、数据归约
2
掌握对不同数据源的数据进行合并；掌握如何对数据进行变换，使之适合建模的需要；掌握利用Python进行数据预处理的方法。
7
13
实验三、利用Python实现数据预处理(数据合并、数据清洗、数据变换)
2
掌握利用Python实现数据清洗、数据集成和数据变换的方法
14
第五章回归分析
一、回归分析概述
二、一元线性回归分析
三、多元线性回归
四、逻辑回归
五、其他回归分析
2
掌握回归分析原理；掌握一元线性回归分析的原理与方法。
掌握多元线性回归分析；掌握逻辑回归；了解其他回归分析
8
15
实验四、利用Python实现典型的回归分析
2
掌握利用Python实现典型的回归分析方法
16
第六章关联规则挖掘
一、关联规则分析概述
二、频繁项集挖掘方法
2
了解频繁项集、闭项集和关联规则的概念，理解模式评估方法,掌握Apriori算法
9
17
三、频繁模式树算法
四、关联规则评估方法
2
掌握FP挖掘算法；了解其它方法的内容、了解关联规则挖掘的研究动态。
18
实验五、Python实现关联规则分析
2
掌握利用Python实现数据的关联规则分析
10
19
第七章分类
一、分类概述
二、决策树规约
三、KNN算法
2
了解分类及预测的基本思想、概念和意义；掌握决策树规约算法。
20
实验六、决策树算法实现及其应用
2
掌握决策树算法的原理及其应用
11
21
四、支持向量机算法及其实现
五、贝叶斯分类及其实现
2
掌握SVM和贝叶斯分类器的原理
22
六、SVM和朴素贝叶斯分类实践
熟练掌握SVM和贝叶斯分类器的原理及应用。
12
23
七、人工神经网络
神经元模型、M-P模型、多层感知机、BP算法
2
掌握神经