06410106数据挖掘大学高校课程教学大纲.docx

《06410106数据挖掘大学高校课程教学大纲.docx》由会员分享，可在线阅读，更多相关《06410106数据挖掘大学高校课程教学大纲.docx（8页珍藏版）》请在优知文库上搜索。

1、数据挖掘(DataMining)课程编号：06410106学分：2学时：32（其中：讲课学时：32实验学时：0上机学时：0）先修课程：概率统计、离散数学、数据结构A、算法设计与分析、数据库系统原理A适用专业：信息安全专业教材：数据挖掘导论，陈封能等编，范明等译；人民邮电出版社，2011年1月开课学院：计算机科学与通信工程学院一、课程性质与课程目标（一）课程性质数据挖掘是信息安全专业的专业基础选修课程。本课程主要介绍数据挖掘的基本概念，原理、方法和技术，具体包括：数据的预处理、分类预测、关联挖掘、聚类分析等内容。通过本课程的学习，使学生了解数据挖掘技术的整体概貌，了解数据挖掘技术的主要应用及当前

2、的研究热点问题，了解数据挖掘技术的发展方向，掌握最基本的概念、算法原理和技术方法，拓宽专业知识，为进一步研究和解决实际问题奠定基础。（二）课程目标课程具体目标如下：1 .知识方面1.1 了解数据挖掘技术的主要应用及当前的研究热点问题，了解数据挖掘技术的发展方向。1.2 掌握数据预处理的基本方法。1.3 掌握分类预测的基本算法。1.4 掌握关联挖掘的基本算法。1.5 掌握聚类分析的基本方法。1.6 掌握异常检测的基本方法。2 .能力与素质方面1 .1能够通过对数据和应用问题的分析和比较后，选择合适的数据挖掘方法和技术解决实际应用问题。2 .2能够选用合适的开发工具解决数据挖掘应用问题，并能够进行

3、分析、比较与解释。（三）课程目标与专业毕业要求指标点的对应关系本课程支持的毕业要求指标点如下：指标点4-1：掌握针对复杂工程问题设计实验的科学方法。课程目标4-11.11.21.31.41.51.62.12.2二、课程内容与教学要求第1章绪论（一）教学内容（I）什么是数据挖掘。（2）数据挖掘要解决的问题。（3）数据挖掘的起源。（4）数据挖掘任务。（二）教学要求（1）掌握数据挖掘的概念，了解数据挖掘的任务和要解决的问题。3 2）了解数据挖掘的发展历史及发展趋势。（3）激发学生学习本课程的兴趣和创新意识。（三）重点与难点（1）重点是数据挖掘的概念和任务。（2）难点:无。第2章数据（一）教学内容（1

4、）数据类型。（2）数据质量。（3）数据预处理。（4）相似性和相异性的度量。（5）可视化。（6）OLAP和多维数据分析。（二）教学要求（1）了解数据类型和数据质量。（2）掌握数据预处理、相似性和相异性的度量的基本方法。4 3）了解可视化、OLAP和多维数据分析的基本方法和有关概念。（三）重点与难点（1）重点是数据预处理、相似性和相异性的度量的基本方法。（2）难点是多维数据分析方法。第3章分类（一）教学内容（1）解决分类问题的一般方法。（2）决策树归纳。（3）模型的过拟合。（4）评估分类器的性能。（5）比较分类器的方法。（6）基于规则的分类器。（7）最近邻分类器。（8）贝叶斯分类器。（9）人工神经

5、网络。（10）支持向量机。（二）教学要求（1） 了解数据分类预测所要解决的基本问题和基本方法。（2）掌握基于规则的分类、最近邻分类、人工神经网络分类和支持向量机分类方法。（3） 了解模型的过拟合和分类器性能评估的基本方法和有关概念。（三）重点与难点（1）重点是基本分类算法，如基于规则的分类、最近邻分类、人工神经网络分类和支持向量机分类算法。（2）难点是模型的过拟合和分类器性能评估。第4章关联分析（一）教学内容（1）问题定义。（2）频繁项集的产生。（3）规则产生。（4）频繁项集的紧凑表示。（5） FP增长算法。（6）关联模式的评估。（7）序列模式发现（8）频繁子图挖掘（二）教学要求（1）了解关联

6、分析所要解决的基本问题。（2）掌握关联规则挖掘的基本方法，如APriori算法和FP增长算法。（3） 了解关联模式的评估、序列模式发现和频繁子图挖掘。（三）重点与难点（1）重点是关联规则挖掘的基本方法，如APriori算法和FP增长算法。（2）难点是关联模式的评估和复杂的挖掘算法。第5章聚类分析（一）教学内容（1）概述。（2） K均值。（3）层次聚类。(4)DBSCANo（5）簇评估。（6）基于密度的聚类。（7）基于图的聚类（8）可伸缩的聚类算法（二）教学要求（1）了解聚类分析所要解决的基本问题和主要算法。（2）掌握聚类分析的基本算法，如K均值、层次聚类和基于密度的聚类算法。（3） 了解可伸缩

7、的聚类算法和簇评估方法。（三）重点与难点（I）重点是聚类分析的基本算法，如K均值、层次聚类和基于密度的聚类算法。（2）难点是算法的可伸缩性的解决。第6章异常检测（一）教学内容（1）概述。（2）统计方法。（3）基于邻近度的离群点检测。（4）基于密度的离群点检测。（5）基于聚类的技术。（二）教学要求（1）了解异常检测的基本概念、应用场景和所要解决的基本问题。（2）掌握异常检测的基本算法，如基于统计的、基于密度的和基于聚类的算法。（4） 了解异常检测的应用和发展趋势。（三）重点与难点（1）重点是异常检测的基本算法。（2）难点是异常检测算法的可伸缩性和结果的可解释性。三、学时分配及教学方法章（按序填写

8、）课时分配教学方法支撑的课程目标讲课实验上机小计第一章绪论22讲授、案例1.1,2.1第二章数据64讲授、案例、自学与讨论1.2,2.1第三章分类64讲授、讨论、案例、自学、实验1.3,2.1,2.2第四章关联分析88讲授、案例、自学、讨论、实验1.4,2,1,2.2第五章聚类分析612讲授、讨论、案例、自学、实验1.5,2.1,2.2第六章异常检测48讲授、讨论、案例、自学、实验1.6,2.1,2.2合计3232四、课程考核（一）考核方式考核形式考核要求考核权重对毕业要求指标点支撑平时考勤与讨论按照到课、听讲及讨论情况进行评分。10%4-1大作业两次大作业含设计、实现、测试、分析与报告40%

9、4-1考试采用开卷考试形式。主要考核学生对数据挖掘基本概念、基本算法的掌握情况，以及对具体应用问题的解答情况。50%4-1（一）本课程毕业要求达成度计算毕业要求指标点达成叫壮茂器襄器需普分数说明：课程指标点达成度为对应指标点部分的所有得分除以对应指标点在总评成绩的所占的总分数，对应指标点的得分包括组成总成绩的各个部分（总分数都按平均计算），其中n为总评成绩合格的学生数。五、参考书目及学习资料1 .DataMining:ConCePtandTeChniqUes（第三版），JiaWeiHan等编，机械工业出版社，2012年2 .数据挖掘原理与算法，毛国君等编，清华大学出版社（2007年第二版）3

10、.数据挖掘技术，朱玉全等编，东南大学出版社,2006年11月第I版六、大纲说明1 .本课程采用多媒体与传统教学相结合，运用讲授、启发式、讨论、案例等多种教学手段。2 .课后需要完成一定数量的习题，以加深和提高学生对所学内容的理解和掌握。3 .本课程虽然课内没有安排实验，但任课教师需要根据教学内容安排至少两次含有实验的工程项目以加深对算法的理解和应用。制定人：薛安荣审定人：潘雨青批准人：毛启容2017年9月1日附录1大作业评分细则大作业评分细则（按100分计算）项目优良中及格不及格作业进度，10分提前完成；9-10分按时完成；8分基本按时完成；7分有一定的时间延迟；6分补交；6分以下基本概念与原

11、理掌握程度，30分90%以上概念与原理清晰；27-30分80%以上概念与原理清晰；24-26分70%以上概念与原理清晰21-23分60%以上概念与原理清晰18-20分40%以上概念与原理不清晰;18分以下解决问题方案的正确性，50分方案能够解决90%以上主要问题：45-50分方案能够解决80%以上主要问题：40-44分方案能够解决70%以上主要问题：35-39分方案能够解决60%以上主要问题：30-34分40%以上问题未能正确解决30分以下方案的新颖性与创新性，10分方案正确且有新意，创新性强；9-10分方案正确且有新意，创新性较强；8分方案有一定新意：7分方案符合要求，有些新意:6分方案无新意：6分以下