《嘰0n大數據分析大挖掘基礎》課程教學課程代碼：學分：4學時：64（其中：講課學時：42實踐或實驗學時：22）先修課程：數學分析、高等代數、概率統計、Python程序設計基礎適用專業：信息與計算科學建議教材：黃恒秋主編.Python大數據分析與挖掘實戰（微課版）[M].北京：人民郵電出版社.2020.開課系部：數學與計算機科學學院一、課程的性質與任務課程性質：專業方向選修課。課程任務：大數據時代，數據成為決策最為重要的參考之一，數據分析行業邁入了一個全新的階段。通過學習本課程，使得學生能夠掌握Python科學計算、數據處理、數據可視化、挖掘建模等基本技能，能夠針對基本的數據挖掘問題與樣例數據，調用Python中的第三方擴展包Numpy、Pandas、Matplotlib、Scikit-learn及關聯規則算法代碼，進行處理、計算與分析，初步掌握深度學習框架TensorFlow2.0安裝及多層神經網絡、卷積神經網絡、循環神經網絡基本原理及應用舉例程序實現，從而為其他的專業領域課程或者復雜應用問題提供基礎支撐。二、課程的基本內容及要求本課程教學時數為64學時，4學分；實驗22學時，1.375學分。第一章Python基礎課程教學內容：（1）Python及其發行版Anaconda的安裝與啟動、Spyder開發工具的使用和Python新庫的安裝方法；（2）Python基本語法和數據結構。課程的重點、難點：（1）重點：Python基本語法和數據結構的靈活運用；（2）難點：Python數據結構的靈活運用。課程教學要求：（1）了解Python的安裝及界面基本使用技能；（2）理解Python基本數據結構及方法的使用；（3）掌握Python基本數據結構的使用技能及循環、條件語句的應用。第二章科學計算包Numpy課程教學內容：(1)導入并使用Numpy創建數組；數組的運算、切片、連接及存取、排序與搜索；數組相關屬性與方法；矩陣及線性代數運算。課程的重點、難點：重點：數組的切片、連接、改變形態。數組的相關方法；難點：數組的切片及改變形態、線性代數運算。課程教學要求：了解Numpy及導入使用；(2)理解數組的創建、切片、連接、存取、排序及搜索相關技能；(3)掌握數組靈活切片的方法及數組連接、排序、搜索相關知識。第三章數據處理包Pandas課程教學內容：(1)導入并使用Pandas創建數據框和序列；數據框和序列相關屬性、方法的介紹及使用；(3)數據框和序列的訪問、切片及運算；外部數據文件的讀取及滾動計算函數的使用。課程的重點、難點：重點：數據框、序列相關屬性、方法的應用，數據框和序列數據的訪問、切片及相互之間的轉換。常用外部數據文件的讀取；(2)難點：數據框、序列的訪問及切片。數據框、序列、數組、列表相關數據結構之間的相互轉換。課程教學要求：(1)了解Pandas導入及創建數據框和序列；(2)理解數據框和序列的訪問、切片及方法；掌握數據框和序列相關方法的靈活應用，數據框、序列、數組、列表之間的相關轉換及運用。第四章數據可視化包Matplotlib課程教學內容：(1)導入并使用Matplotlib中的pyplot模塊進行簡單繪圖；(2)Matplotlib中的pyplot模塊繪圖基本流程及原理；(3)利用Matplotlib中的yplot模塊繪制常見的圖形，包括散點圖、線性圖、柱狀圖、直方圖、餅圖、箱線圖和子圖。課程的重點、難點：(1)重點：利用Matplotlib中的pyplot模塊進行散點圖、線性圖、柱狀圖、直方圖、餅圖、箱線圖和子圖的繪制。懂得圖形中文字符的顯示及橫軸字符刻度，子圖的布局排列；(2)難點：Matplotlib繪圖的基本流程及原理。課程教學要求：了解Matplotlib中的pyplot模塊導入及簡單使用方法；理解利用Matplotlib中的pyplot模塊繪圖的基本流程及原理；掌握利用Matplotlib中的pyplot模塊繪制散點圖、線性圖、柱狀圖、直方圖、餅圖、箱線圖和子圖的方法，以及中文字符的顯示、橫軸字符刻度和子圖的布局排列。第五章機器學習與實現課程教學內容：(1)導入Scikit-learn包及相關模塊；(2)缺失值填充、數據規范化或標準化、主成分分析降維及綜合評價、線性回歸、邏輯回歸、神經網絡、支持向量機、K-均值聚類、關聯規則相關的模型、算法與原理；利用Scikit-learn包相關模塊，完成案例教學，包括均值、中位數、最頻繁值的缺失值填充策略，均值-方差、極差數據規范化或標準化，主成分分析降維及綜合評價，線性回歸、神經網絡非線性回歸預測，邏輯回歸、神經網絡、支持向量機分類，K-mean聚類；布爾數據集的轉換、布爾關聯規則挖掘原理、一對一關聯規則與多對一關聯規則基本概念與程序實現。課程的重點、難點：重點：均值、中位數、最頻繁值的缺失值填充策略，均值-方差、極差數據規范化或標準化，主成分分析降維及綜合評價，線性回歸、神經網絡非線性回歸預測，邏輯回歸、神經網絡、支持向量機分類，K-mean聚類，布爾數據集轉換、一對一和多對一關聯規則挖掘相關原理的理解及程序實現；難點：主成分分析降維及綜合評價，線性回歸、神經網絡非線性回歸預測，邏輯回歸、神經網絡、支持向量機分類，K-mean聚類、布爾數據集轉換、關聯規則挖掘相關原理的理解。課程教學要求：了解Scikit-learn包及相關模塊導入及簡單使用方法；理解均值、中位數、最頻繁值的缺失值填充策略，均值-方差、極差數據規范化或標準化，主成分分析降維及綜合評價，線性回歸、神經網絡非線性回歸預測，邏輯回歸、神經網絡、支持向量機分類，K-mean聚類相關的基本原理與方法；掌握均值、中位數、最頻繁值的缺失值填充策略，均值-方差、極差數據規范化或標準化，主成分分析降維及綜合評價，線性回歸、神經網絡非線性回歸預測，邏輯回歸、神經網絡、支持向量機分類，K-mean聚類的程序實現及案例應用。了解關聯規則的基本概念；理解布爾數據集轉換及布爾關聯規則挖掘的基本概念與程序實現方法；掌握一對一、多對一關聯規則挖掘的基本原理及程序實現方法，并進行案例應用。第六章深度學習與實現課程教學內容：（1）TensorFlow2.0的安裝及基本知識；（2）多層神經網絡、卷積神經網絡、循環神經網絡基本原理及程序實現；課程的重點、難點：（1）重點：TensorFlow2.0安裝及多層神經網絡、卷積神經網絡、循環神經網絡應用舉例程序實現；（2）難點：多層神經網絡、卷積神經網絡、循環神經網絡原理；課程教學要求：（1）深度學習基本概念；（2）了解多層神經網絡、卷積神經網絡、循環神經網絡基本原理；（3）掌握TensorFlow2.0安裝及多層神經網絡、卷積神經網絡、循環神經網絡應用舉例程序實現。三、實踐教學要求Python大數據分析與挖掘基礎是一門應用性極強的課程，涉及數據處理、數據分析與探索、數據挖掘模型與算法、Python編程技能等。本課程要求學生會利用Python第三方擴展包，進行外部數據讀取、數據處理、探索與分析、數據挖掘模型與算法應用等，并初步掌握深度學習框架及主要模型應用舉例程序實現。本課程建議使用Python的集成開發平臺進行程序編寫及教學，比如Anaconda、pycharm等。四、課程學時分配序號教學內容理論教學學時實驗學時實驗（實踐）內容課外實驗1第1章Python基礎302第2章科學計算包Numpy52數組切片、運算、存取及連接3第3章數據處理包Pandas52數據框切片、轉換、運算及連接4第4章數據可視化包Matplotlib52子圖繪制及排列5第5章機器學習與實現1610回歸、分類、聚類、主成分分析、布爾數據集轉換及關聯規則挖掘應用6第6章深度學習與實現86TensorFlow2.0安裝及基本模型應用舉例程序實現7合計4222五、大綱說明教學手段：1）理論與實踐相結合，多媒體機房上課，帶黑板（方便板書及推導）；（2）講授課程結束后即開展實驗，在機房進行?？己朔绞浇ㄗh：（1）上機編程操作考試（開