还剩1页未读，继续阅读
文本内容:
教学日历（学年第学期）20xx〜20xx x开课学院开课专业讲授学时32课程名称数据分析与数据挖掘授课教师实践/实验学时32授课年级授课班级总学时64《数据分析与数据挖掘》使用教材参考书目《数据分析与数据挖掘》校历周次授课内容分章节题目第1章数据分析与数据挖掘基础（4学时）
1.1数据分析与数据挖掘需求、L2数据分析与数据挖掘的工作过程（1学时）第1周
1.3数据的组织和数据的类型（1学时）
1.4数据的常用描述性统计量（1学时）
1.5数据的基本描述性统计分析（1学时）第2章数据抽样与推断检验（4学时）
1.11随机变量概率分布（1学时）第2周
1.2抽样统计（1学时）
1.3基本抽样分布（1学时）
1.4常用的抽样分布与区间估计、
2.5常用的参数检验（1学时）第2章数据抽样与推断检验（1学时）
2.6常用的单样本非参数检验（1学时）第3章可视化图与分组检（3学时）第3周
3.1数据的常用可视化图分析（1学时）
3.2均值比较和t检验（1学时）
3.3方差齐性检验（1学时）第3章可视化图与分组检（4学时）
3.4两独立样本的非参数检验（2学时）第4周
3.5两配对样本的非参数检验（1学时）
3.6多样本的非参数检验（1学时）第3章可视化图与分组检（1学时）
3.6多样本的非参数检验（1学时）第5周第4章方差分析与相关性分析（3学时）
4.1方差分析（2学时）
4.2Post Hoc检验（1学时）第4章方差分析与相关性分析（2学时）
4.3连续属性数据的相关性分析（1学时）
4.4离散属性相关性分析（1学时）第6周第5章数据的预处理与距离分析（2学时）
5.1数据的预处理、
5.2数据的常用组织方式（1学时）
5.3相似度计算与距离分析（1学时）第5章数据的预处理与距离分析（1学时）
5.4KNN分类模型、
5.5参数的点估计（1学时）第7周第6章回归分析（3学时）
6.1一元线性回归（2学时）
6.2多元线性回归（1学时）第6章回归分析（2学时）
6.3常用的曲线回归、
6.4最小二乘法及其应用（1学时）
6.5Logistic回归（1学时）第8周第7章空间降维技术（2学时）
7.1主成分分析（1学时）
7.2因子分析案例研究（1学时）第7章空间降维技术（1学时）
7.3奇异值分解、
7.4主成分回归与逐步回归（1学时）第8章关联规则与点对相关性（3学时）第9周
8.1频繁模式与关联规则的基本概念、
8.2频繁模式挖掘（1学时）
8.3频繁模式树、
8.4点对相似度的典型度量（1学时）
8.5信息嫡及其应用与点对相关性度量（1学时）第9章决策树（4学时）
9.1分类问题与模型训练（1学时）第10周
9.2决策树及ID3算法、
9.3C
4.5算法与连续属性特征分类树（1学时）
9.4CART决策树（1学时）
9.5决策树剪枝、
9.6R0C曲线与AUC指标（1学时）第10章贝叶斯分类（4学时）
10.1连续属性贝叶斯分类器、
10.2正态概率分布下的贝叶斯分类器（1学时）第11周
10.3离散属性贝叶斯分类器（1学时）
10.4朴素贝叶斯文本分类和TAN贝叶斯模型（1学时）
10.5贝叶斯分类器中的参数估计与非参数估计（1学时）第11章特征空间与判别分析（3学时）
11.1特征空间、
11.2特征提取与特征选择（1学时）
11.3极大似然判别分析、H.4距离判别分析（1学时）第12周
11.5Fisher判别分析（1学时）第12章感知机与支持向量机（1学时）
12.1线性判别函数、函.2感知机分类器（1学时）第12章感知机与支持向量机（4学时）
12.3感知机训练算法扩展（1学时）第13周
12.4最大间隔超平面与结构风险（1学时）
12.5支持向量机（2学时）第13章人工神经网络（4学时）
13.1激活函数与多层感知机（1学时）第14周
13.2BP神经网络（1学时）
13.3BP神经网络应用（1学时）
13.4深度学习（1学时）第13章人工神经网络（1学时）
13.4深度学习（1学时）第14章集成学习（3学时）第15周
14.1机器学习中的若干问题（1学时）
14.2统计量重抽样技术、
14.3分类器重抽样技术与组合分类器（1学时）
14.4随机森林与Adaboost算法（1学时）第14章集成学习（1学时）
14.5分类模型中的若干问题（1学时）第15章聚类分析与离群点分析（3学时）第第周
15.1聚类问题与聚类类型、
15.2基于划分的聚类（1学时）
15.3层次聚类、
15.4基于密度的聚类（1学时）
15.5基于网格的聚类与基于模型的聚类、
15.6离群点分析（1学时）.教研室主任签字教学副院长签字:。
个人认证
优秀文档
获得点赞 0
