数据仓库与数据挖掘-k8凯发旗舰

一、课程基本信息

课程编号: 08191610

课程英文名称:enterprise data warehouse and data mining

授课对象:计算机专业软件工程方向全日制本科学生

课程类型: 职教任选课

建议学时:总学时56，其中讲授40学时，实验16学时

学分: 3

与相关课程的衔接:先导课程《程序设计》、《数据结构》、《数据库原理》、《人工智能》、《数理统计》

考核方式: 考查

二、教学目标和要求

信息技术的迅速发展已从简单的批处理、联机事务处理的信息处理时代，进入了联机分析处理、数据仓库和数据挖掘的信息分析时代。数据仓库以数据库技术作为存储数据和资源管理的手段，以联机分析处理技术和方法作为提取信息的有效手段，以数据挖掘和人工智能的模型、算法作为发现知识和规律的途径。数据挖掘是数据库研究、开发和应用最活跃的分支之一。本课程从数据库和数据仓库的角度全面、系统地介绍数据挖掘的基本概念、基本方法和基本技术，以及数据挖掘的最新进展。要求学生通过本课程的学习，认识数据仓库和数据挖掘在当今计算机应用中的重要作用，深入了解数据挖掘的整体结构，掌握数据预处理技术（包括数据清理、数据集成和转换、数据归约等方法）和数据挖掘技术（包括分类、预测、关联和聚类的概念与技术），并且熟悉数据挖掘的基本原理和发展方向。

三、教学内容、教学方式与课时分配

（一）第一章:绪论（3学时）

教学基本内容:

数据挖掘产生的背景；数据挖掘任务及过程；数据挖掘应用；数据挖掘技术的前景、研究热点。

教学要求:

掌握:数据挖掘任务及挖掘过程、数据挖掘定义、数据挖掘常用软件、数据挖掘的研究热点。

了解:数据挖掘产生背景；数据挖掘的价值和前景。

教学方式:课堂讲授3学时

（二）第二章:数据处理基础（6学时）

教学基本内容:

数据定义及类型；数据统计特性；数据预处理；相似性度量。

教学要求:

掌握:数据属性类型、数据的中心度量标准、数据预处理过程、属性和对象之间的相似性度量。

了解:数据定义及数据类型。

教学方式:课堂讲授6学时

（三）第三章:分类与回归（9学时）

教学基本内容:

分类与回归概述；决策树分类方法；贝叶斯分类方法；k-最近邻分类方法；神经网络分类方法；支持向量机；集成学习法；不平衡数据分类；分类模型的评估；回归。

教学要求:

掌握:分类与回归定义、决策树分类方法、贝叶斯分类方法、k-最近邻分类方法、分类模型的评估。

了解:神经网络分类方法；支持向量机；集成学习法。

教学方式:课堂讲授9学时

（四）第四章:聚类分析（6学时）

教学基本内容:

聚类分析概述；基于划分的聚类算法；层次聚类算法；基于密度的聚类算法；一趟聚类算法；聚类算法评价。

教学要求:

掌握:聚类分析定义、k-means聚类算法、k-medoids算法、dbscan算法、聚类方法评价。

了解:二分k-means算法；一趟聚类算法。

教学方式:课堂讲授6学时

（五）第五章:关联分析（9学时）

教学基本内容:

关联分析概述；频繁项集发现算法；关联规则的生成；非二元属性的关联规则挖掘；关联规则的评价；序列模式。

教学要求:

掌握:apriori算法、fp-growth算法、关联规则的生成、支持度和置信度的计算。

了解:非二元属性的关联规则挖掘；序列模式及发现算法。

教学方式:课堂讲授9学时

（六）第六章:离群点挖掘（3学时）

教学基本内容:

离群点概述；基于统计的方法；基于距离的方法；基于相对密度的方法。

教学要求:

掌握:基于统计的方法；基于距离的方法。

了解:其他离群点挖掘算法。

教学方式:课堂讲授3学时

（七）第七章:数据挖掘的应用（4学时）

教学基本内容:

数据挖掘在电信业中的应用；文本挖掘与web数据挖掘。

教学要求:

掌握:数据挖掘主要研究方向在电信业中的应用。

了解:文本挖掘与web数据挖掘。

教学方式:课堂讲授4学时

四、实践环节

具体安排见“企业数据仓库与数据挖掘实验教学大纲”

五、教材

蒋盛益等《数据挖掘原理与实践》电子工业出版社 2013年2月第二版

六、参考资料

1. (美)谭,(美)斯坦巴赫著,范明等译《数据挖掘导论——图灵计算机科学丛书》人民邮电出版社2006年第一版

2. 韩家炜著,范明等译《数据挖掘概念与技术》机械工业出版社2007年第二版

七、必要的说明

无

执笔人:

审核: