-5-周次課次授課內容摘要時數目的要求11第一章數據挖掘與機器學習概述一、數據挖掘簡介二、數據分析與數據挖掘三、數據挖掘的任務四、數據挖掘的數據源五、數據挖掘使用的主要技術六、數據挖掘的主要任務七、數據挖掘的商用工具八、利用Python進行數據挖掘21.理解和掌握數據挖掘與機器學習的基本概念、數據挖掘過程、數據挖掘的主要任務以及數據挖掘使用的主要技術。2.了解數據挖掘與機器學習的應用和面臨的問題。對數據挖掘和機器學習能夠解決的問題和解決問題思路有清晰的認識。熟練應用Jupyternotebook的開發環境。2第二章Python編程基礎一、Python語言的基本語法二、內置的數據類型三、函數四、文件操作21.理解和掌握Python基礎語法、內建的數據結構。2.掌握函數的定義和調用3.Python編程基礎實踐。23第三章Numpy數值計算一、Numpy多維數組二、數組的索引、切片訪問三、數組的讀寫2掌握多維數組的索引、切片訪問4三、Numpy中的數據統計四、Numpy編程實踐2掌握Numpy數值計算方法，主要包括數組和矩陣運算。35第四章Pandas數據分析一、Pandas中的數據結構二、數據存取三、索引操作四、Pandas數據查詢2掌握Pandas中的數據結構、索引、數據查詢與編輯。6五、Pandas數據編輯六、數據的分組拆線呢七、數據透視表八、Panda數據可視化2數據的分組匯總及Pandas繪圖。47實驗一、Pandas數據分析實訓2利用Python進行數據分析。8第五章Python數據可視化一、Matplotlib數據可視化二、Seaborn數據可視化三、pyecharts數據可視化2掌握Matplotlib、Seaborn和pyecharts數據可視化方法及應用59實驗二、Python數據分析與可視化實訓2掌握利用Python數據分析與可視化。10第三章認識數據一、數據對象與屬性類型二、數據的基本統計描述三、數據可視化四、度量數據的相似性2理解和掌握數據對象和屬性類型，數據的基本統計描述，掌握度量數據相似性和相異性的方法；了解數據可視化的方法。611第四章數據預處理一、數據預處理概述，Python數據預處理方法二、數據清洗及Python數據清洗方法2了解數據預處理的目的和意義；掌握如何對數據進行清理。12三、數據集成及利用Python進行數據合并四、數據變換與離散化五、數據歸約2掌握對不同數據源的數據進行合并；掌握如何對數據進行變換，使之適合建模的需要；掌握利用Python進行數據預處理的方法。713實驗三、利用Python實現數據預處理(數據合并、數據清洗、數據變換)2掌握利用Python實現數據清洗、數據集成和數據變換的方法14第五章回歸分析一、回歸分析概述二、一元線性回歸分析三、多元線性回歸四、邏輯回歸五、其他回歸分析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。掌握多元線性回歸分析；掌握邏輯回歸；了解其他回歸分析815實驗四、利用Python實現典型的回歸分析2掌握利用Python實現典型的回歸分析方法16第六章關聯規則挖掘一、關聯規則分析概述二、頻繁項集挖掘方法2了解頻繁項集、閉項集和關聯規則的概念，理解模式評估方法,掌握Apriori算法917三、頻繁模式樹算法四、關聯規則評估方法2掌握FP挖掘算法；了解其它方法的內容、了解關聯規則挖掘的研究動態。18實驗五、Python實現關聯規則分析2掌握利用Python實現數據的關聯規則分析1019第七章分類一、分類概述二、決策樹規約三、KNN算法2了解分類及預測的基本思想、概念和意義；掌握決策樹規約算法。20實驗六、決策樹算法實現及其應用2掌握決策樹算法的原理及其應用1121四、支持向量機算法及其實現五、貝葉斯分類及其實現2掌握SVM和貝葉斯分類器的原理22六、SVM和樸素貝葉斯分類實踐熟練掌握SVM和貝葉斯分類器的原理及應用。1223七、人工神經網絡神經元模型、M-P模型、多層感知機、BP算法2掌握神經元模型、多層感知機、前饋神經網絡、BP算法的原理。24實驗七、神經網絡綜合實踐2理解多層感知機和BP算法；利用BP算法對數據進行預測建模。1325八、模型評估與選擇2熟悉掌握貝葉斯分類算法；理解評估分類器性能的度量方法。26九、組合分類組合方法概述；袋裝；提升和Adaboost；隨機森林2掌握組合分類的原理；掌握隨機森林框架及Python實現方法1427實驗八、分類分析綜合實驗2利用分類算法實現數據的預測，并對模型進行評估28第八章聚類一、聚類概述二、K-Means算法2掌握聚類分析的基本原理；熟練掌握K-Means算法的原理及其實現1529三、層次聚類方法層次聚類算法及其Python實現2掌握層次聚類算法及其實現30四、基于密度的聚類方法DBSCAN算法原理及其實現2掌握DBSCAN算法及其實現1631五、其他聚類方法STING算法、COBWENB算法及模糊聚類算法EM算法六、聚類評估估計聚類趨勢、確定簇數目的方法測定聚類質量21.了解STING算法、COBWENB算法；掌握模糊聚類算法。2.掌握聚類評估的基本方法；確定簇數目的常用方法；聚類質量的測定。32實驗九、數據的聚類分析綜合實驗2掌握數據聚類的典型算法1733第十章離群點檢測一、離群點概述二、離群點檢測方法常用的離群點檢測方法2掌握離群點的概念與檢測方法。34三、sklearn中的異常值