課程發展的主要歷史沿革
1）專業沿革:廣東工業大學計算機科學與技術專業（1998年以前為計算機及應用專業）創辦于 1984 年，是廣東省最早創辦該類專業的高校之一。在創辦后的20年來，學校一直給予了極大的政策支持和資金投入，通過20年的建設，本專
業在學科和課程建設及辦學條件等方面有了長足的進展，1993 年“計算機應用技術”學科被評為省級重點扶持學科，1999 年“計算機科學與技術專業”再度
被評為省級重點學科，成為本校 5 個省級重點學科之一，2003 年該專業被評為廣東省名牌專業，該專業學科總體水平在全國地方工科院校中處于前列。
2） 課程發展:隨著計算機科學與技術及互聯網技術的快速發展，大數據時代的到來， 以數據分析和信息提取為基本特征的 《數據挖掘》 技術獲得了極大的發展。
本課程積聚了新方法、新技術，以適應數據挖掘技術的發展及快速增長的應用需求。《數據挖掘》課程的教學內容、教學方法在不斷的改革與創新。我校《數據挖掘》 課程起步于研究生的課程， 從 2003年起，我校在研究生教育階段引入 《數據挖掘》課程，2004年我校完成了本科《數據挖掘》的教學大綱，2006年在工程碩士課程中引入《數據挖掘》課程，經過近 10 年的教學實踐，教學內容上隨著《數據挖掘》技術的進步及應用開展而不斷增加（如，以 SVM、EM 為代表的統計學習方法、以PAGERANK為代表的鏈接挖掘技術、以ADABoost 為代表的袋裝與推進算法、以 K-MEANS 為代表的聚類算法、以 Apriori為代表的管理分析算法、以及以C4.5、KNN、Naive Bayes、CART等為代表的分類算法等），我校的《數據挖掘》課程伴隨廣東經濟建設需要，在教學內容上不斷更新、教學手段上不斷完善，從課堂講授逐漸演變為案例式教學，結合具體應用進行講解。《數據挖掘》課程在加強素質教育、培養創新人才等方面已形成特色。
3) 課程現狀:以案例形式組織教學內容，以應用及項目為背景，建立了集課程
體系、教學內容、考試、實驗、教學方法、課程設計等較全面的教學體系，通過《數據挖掘》專題學習網站，為學生提供網上輔助多媒體教學系統、學生答疑系
統、自動測試、批改作業系統、論壇討論、師生交流等拓展知識，尤其是將數據 挖掘算法轉換為課程學習的練習任務，要求學生設計、實現并在數據集上應用。
由此營造一個主動學習、協同創新的良好育人氛圍，延伸視野、加強素質教育、 培養創新人才的方法和手段。已取得了可喜的成績。
理論課教學內容
一、課程的性質和目的
本課程是計算機專業的專業選修課。本課程的學習目的在于使學生掌握數據倉庫的基本概念、基本原理；掌握OLAP技術；掌握數據挖掘的基本概念、基本方法和基本技術。為從事數據分析工作及參加數據分析工程實踐打下必要的基礎。
二、課程教學內容及學時分配
第一章 緒論(2學時)
掌握數據挖掘的概念、方法，了解數據挖掘任務，了解數據挖掘的發展與展望。
本章知識點為:數據挖掘概念，數據挖掘任務。
第二章 數據處理基礎 (4學時)
掌握數據、數據類型概念，了解和掌握數據預處理過程，掌握數據清理、數據集成和變換數據歸約和數據離散化。掌握數據的相似性及相異性及其計算。
本章知識點為:數據、數據類型概念數據預處理，數據相似性、相異性及其度量。
第三章 分類與回歸（7學時)
掌握數據分類的基本概念，掌握決策樹分類方法、掌握貝葉斯分類方法、掌握k-最近鄰分類方法、掌握回歸分析，了解機器學習的分類方法，了解模型的擬合和過度擬合問題。了解評估分類器性能的方法。
本章知識點為:數據分類概念，決策樹分類、貝葉斯分類、k-最近鄰分類、機器學習、回歸，模型擬合.
第四章 聚類分析（7學時）
要求理解和掌握常見的聚類分析方法，掌握基于劃分的聚類算法、k-means聚類算法、層次聚類算法、基于密度的聚類算法、一趟聚類算法，了解聚類的評估方法。了解聚類的應用。
本章知識點為:聚類分析，K-means均值、層次聚類、基于密度的聚類、DBSCAN，聚類評估。
第五章 關聯技術（6學時）
掌握Apriori 算法，掌握支持度、置信度、頻繁項集及求頻繁項集的方法，掌握關聯規則及挖掘方法、FP樹及其算法，掌握關聯模式的評估。
本章知識點為:關聯規則、Apriori 算法、FP樹、支持度、置信度、頻繁項集。
第六章 離群點挖掘（6學時）
要求理解和掌握孤立點（離群點）的基本概念，掌握基于統計的方法、基于驅離的方法、基于相對密度的方法、基于聚類的方法，了解異常檢測基本概念，基本方法，了解異常檢測的應用。
本章知識點為:離群點、異常檢測。
三、課程教學的基本要求
本課程是計算機專業的專業選修課程，理論性較強，涉及較多的理論知識及數學知識，是本專業的具有廣闊應用前景的理論課程。在教學方法上，采用課堂講授，課后自學，課堂討論和實踐相結合的教學形式。
(一)課堂講授
本課程屬基礎理論課程，涉及到較多的數學知識，在講述的過程中教師應盡量聯系生產生活實際，注重物理意義，不要陷入到繁復的數學推導之中。在教學中要求同學重點掌握數據模型、OLAP技術、數據挖掘方法等基本概念、基本方法和基本規律，要著重培養學生定性分析、定量估算和模擬實驗研究的能力，在課程內容方面既要保持理論的系統性，又要注意聯系工程實際，并且重視技術科學的一般方法學的培養。
（二）課后自學
為了培養學生整理歸納，綜合分析和處理問題的能力，每章都安排一部分習題內容，課上教師只給出自學提綱，不作詳細講解，課后學生自學。
（三）課堂討論
課堂討論的目的是活躍學習氣氛，開拓思路，。教師應認真組織，安排重點發言，充分調動每一名同學的學習積極性，做好總結。
（四）習題課
習題課以典型例題分析為主，并適當安排開闊思路及綜合性的練習及討論。共2學時（已包括在前述學時分配中）。
（五）課外作業
課外作業的內容選擇基于對基本理論的理解和鞏固，培養綜合計算和分析、判斷能力以及使用計算工具的能力。習題以計算性小題為主，平均每學時１-２道題。
（六）實驗
實驗不占學時，實驗以學習數據挖掘基本方法和訓練實驗能力為主，驗證理論為輔。通過實驗要求學生掌握數據挖掘基本方法。
（七）考試
考試可采用閉卷形式，試題包括基本概念，基本理論，基本方法，題型可采用填空，判斷，計算，簡答等方式。
總評成績:課外作業，平時成績占20％；期末考試占70%；課程類大作業占10%
實踐課教學內容
實驗分三個層次:基礎實驗，綜合實驗，創新性實驗。
1. 基礎實驗
掌握Clementine的基本使用，熟悉Clementine 中文教程中的案例。
實驗一 數據預處理方法
? 熟悉Clementine的基本使用
– 了解數據流操作的基本過程(輸入->處理->輸出)(以drug數據集為例)
– 熟悉數據源節點的使用:可變文件、固定文件、SPSS文件
– 熟悉字段節點的使用:類型、過濾、導出、分箱
– 熟悉圖形節點的使用:點圖，分布圖(條形圖)，柱形圖(直方圖)
– 熟悉輸出節點的使用:表格、數據審核
– 熟悉建模節點:特征選擇
– 考慮以下3個例子
? Clementine 概述
? 篩選預測變量(特征選擇)
? 準備分析數據(數據審核)
實驗二 聚類方法
? 熟悉輸出節點的使用:統計量、矩陣
? 熟悉建模節點:k-means, kohonen聚類, Two step(兩步聚類)
– 采用Clementine自帶的DRUG1n 數據集(可變文件)， 采用k-means， SOM
和兩階段方法三種聚類算法建模，分別進行描述。
– 使用表節點查看聚類性能。
第七章 案例三的數據分析
實驗三 分類方法
? 熟悉分類任務的過程:模型建立(C5.0)、C&R 樹、Bayes網絡、選擇、抽樣、
平衡、模型檢驗
– 利用Clementine自帶的DRUG1n數據集，結合C5.0算法對數據集進行分
類分析，使用分析節點、表節點查看分類性能。
考慮以下3個例子
– 藥物治療(勘察表/C5.0)
– 有線電視服務銷售(C&R 樹)
– 預測貸款拖欠者(貝葉斯網絡)
實驗四 回歸方法
? 熟悉建模節點:回歸，邏輯回歸
? 考慮以下2個例子
– 電信業客戶分類(多項 Logistic 回歸)
– 電信客戶流失(二項 Logistic 回歸)
實驗五 關聯分析
? 熟悉建模節點:Apriori，Anomaly
? 考慮以下3個例子
– 市場購物籃分析(規則歸納/C5.0)
– 欺詐屏蔽(異常檢測/神經網絡)
– 識別促銷的目標客戶(RFM)
? 識別消費額度高的客戶
? 預測促銷目標客戶的響應
第七章 案例四的數據分析
? 熟悉建立項目和報告的過程
2．綜合實驗——實際案例
3．大作業(創新性實驗)——以 2-5人為一項目組
大作業分三大類型，完成后要報告、答辯。
(1) 數據挖掘行業應用現狀調研
數據挖掘在電子商務、財務決策、會計、市場營銷、物流管理、稅務、人力
資源管理、保險、貿易等領域的應用現狀調研分析，最終以調研報告或論文的形
式提交成果。
(2) 實際領域的數據挖掘
數據挖掘在電子商務、財務決策、會計、市場營銷、物流管理、稅務、人力
資源管理、保險、貿易、校園數據挖掘(教學管理、金龍卡消費模式)、上市公司
數據分析、股票數據分析等領域的應用，最終以論文或系統(含設計文檔)的方式
作為成果提交。
(3) 數據挖掘算法研究
改進已有算法或設計新的算法
數據挖掘教學條件
1.教材與使用建設
教學教材
Jiawei Han, M. Kamber 著，范明,孟小峰譯. 數據挖掘:概念與技術，
機械工業出版社，2003.
參考教材
（1）Ian H. Wittan. 數據挖掘:實用機器學習技術（英文版）. 機械
工業出版社, 2005.
（2）毛國君. 數據挖掘原理與算法. 清華大學出版社, 2005.
（3）O. P. Rud. 朱揚勇等譯. 數據挖掘實踐. 機械工業出版社，2003.
2.輔 教學資 助 料
（1）圖片庫:數據挖掘結果的可視化展示；
（2）論文庫:課程組發表的數據挖掘論文；
（3）算法庫:課程組開發完成的各種數據挖掘算法案例庫:課程組 承擔的數據挖掘項目案例解決方案；
（4）試題庫:近年來的試題；
（5）習題庫:課后作業；
（6）資源鏈接:國內外著名數據倉庫及數據挖掘產品提供商的網站
鏈接。
3.實踐 教學環 性 境
（1）智能計算實驗室:能夠容納 100 人同時實驗，PC 機的配置為: Intel Pentium4 530，512M 內存，915GV 主板，80G 硬盤。開發環境: MATLAB 機器學習開發環境，.Net 開發環境，J2EE 開發環境。
（2）多功能數據挖掘器:多功能數據挖掘器是課程組承擔的廣東省 重大科技攻關項目，已經于 2004 年通過了廣東省科技廳鑒定，鑒定 結論為國內領先水平。多功能數據挖掘器提供了應用程序設計接口
API（Application Programming Interface），便于用戶二次開發。學生 既可以利用 MFDM 學習數據挖掘算法，也可以利用其 API 進行算法
設計。
（3）數據倉庫創建工具:課程組購買了數據倉庫創建工具，著名的 數據挖掘產品 Clementine、IBM Intelligent Miner 等，學生可以利用它 學習、熟悉數據倉庫的創建過程。
4.網絡教學環境
通過多年的建設，課程組建立了良好的網絡教學環境: 《數據挖掘
網絡教學平臺》—能夠進行數據挖掘的網絡教學；《多功能數據挖掘
器算法庫》—對于常見的數據挖掘功能，如分類、關聯規則、聚類分 析等，提供了相應的算法，學生可以下載
教學方法和手段
1) 以案例講授數據挖掘算法與知識
圍繞算法，以案例的形式進行知識傳授，將每個《數據挖掘》算法通過數據 分析案例來討論、介紹與學習，并結合具體應用，引導學生選擇合適的算法挖掘 數據。
2) 主動學習、學生作品庫建設
按自愿組合與分派結合，將學生分組。學習數據挖掘算法時，教師介紹算法 的基本情況后，由學生動手實現，設計了一系列檢查機制與監督方法，指導、檢
查并監督學生實現挖掘算法。 要求學生編程實現數據挖掘算法， 做成一個個作品， 并應用于具體數據集或開源數據集，根據學生的各類算法，可比較不同算法在某
個數據集上的效果。讓學生通過算法實現、算法比較學到更多的算法，并體會各 算法的差異。在此過程中，教師起指導、檢查作用。 學生已完成部分數據挖掘算法的實現（增加部分學生的作品）。
3) 堅持科研融入教學
向學生展示、說明教師現有數據挖掘方面的科研項目，鼓勵并吸納學生參加 教師的科研項目。推動學生學以致用，在科研中學習。如吸納部分本科生參加國 家、省市各類科研項目，在項目實踐中鍛煉學生。 堅持科研、教學、教改三結合，課程組教師積極開展科研、教研和教學改革
工作，并跟蹤新技術，將科研、教研融入教學中，將科研成果應用到數據挖掘的 具體教學實踐。 將一些數據挖掘的項目以案例的形式進行組織，并傳授給學生，啟發學生開
展類似的項目開發。 部分學生參加的項目如下:
教育部重點實驗室項目《基于SVM和決策樹的協同入侵檢測》、廣東省自 然科學基金項目《協同入侵檢測的數據整合與負載均衡技術研究》、廣東省科技 計劃項目《面向SLA 的移動網絡用戶體驗服務平臺》與《電信客戶服務的數據
分析關鍵技術研究》、廣州市科技計劃項目《基于信令挖掘的寬帶移動通信網絡 用戶體驗(QOE)平臺》等
4) 多層次、多渠道的開放型、自主性和創新型實踐教學
多層次是指實踐教學分為基本實驗、選做實驗、課程設計等多個層次。多渠 道是指課堂實踐教學、課外科研訓練實踐、大學生電子設計競賽、高校杯、挑戰 杯科技競賽等多種渠道。通過多層次、多渠道的形式實現真正的開放型、自主性和創新型實踐教學，提高學生創新能力和實踐能力，成績顯著。（近年來指導的 學生獲得省“高校杯” ， “挑戰杯” ， “電子設計競賽”等
課程評價
廣東工業大學計算機學院程良倫教授對本課程教學效果評價
為: “ 《數據挖掘》 課程是我院的廣東省重點課程， 我院一直非常重視， 從資金、人力和資源都給予了相當的支持。課程組是一支團結協作、 結構合理的師資隊伍。該課程組的教師愛崗敬業、有奉獻精神，教師 隊伍學術和教學水平高， 教學經驗豐富。 在教學過程中， 注意將科研、 教研與教學相結合、理論與實踐相結合，堅持把教書育人放在首位，注意素質教育。嚴格要求，把好課堂教學關，教學效果優秀，實踐性 教學環節和多媒體特色明顯，深受學生歡迎和同事們的好評。在省內 同類課程教學中處于領先地位。 對我院其他課程組起到了示范作用。 ”計算機科學與技術是省名牌專業， 本課程是計算機專業選修主干 課程，省名牌專業評審專家組對計算機專業（包括本課程）課程建設 和教學條件評價高。 校外同行對本課程的建設和教學成果及學生創新 能力等方面也都給予很高的評價:
華南師范大學計算機系湯庸教授
說: “ 《數據挖掘》課程建設從上個世紀 90 年**始，課程組就非常 重視，歷時 20 多年，先后有兩代人的投入，做了許多卓有成效的工 作。該課程在 1993 年獲廣東省重點課程，并一脈相承地承擔了國家
級項目、省教育廳“五個 100 工程”項目、省教育廳“151 工程”項 目等多項教學研究與教學改革項目。該課程從教學大綱編寫、教材選 用、實驗開設、課件制作到網上教學資源的運用，都體現出課程組的 優良傳統和高效工作成果。這充分反映本課程師資、教學條件和學習環境優越，實踐性教學環節特色明顯，課程建設成績突出。在現代教 育技術的利用和多媒體課件的開發和學生的綜合設計能力培養方面 處于國內同類院校的領先地位”………。
下面摘錄計算機專業學生的部分評價:
獲得全國“挑戰杯”三等獎和省“高校杯”一等獎的 2009 屆學生陳東銳說“借助極其方便的校園網，課下我們可隨時學習數據挖掘 技術以加深對課程的印象及重點、難點的理解，尤其是數據挖掘的綜合課程設計使我們對知識的結構化、系統化有了進一步的認識。我們 的學習再也不受時間（課堂 50 分鐘）與空間（教室）的限制，這充 分調動了我們學習的主動性和積極性。另外，它使我們能夠將自己所 理解的用設計的形式表現出來，給了我們一個可以舒展自己的空間， 加強了我們的動手能力和綜合設計能力， 培養了我們分析與解決問題 的能力， 為我們在歷次的高校杯等競賽中具有明顯優勢打下了堅實的基礎。
許龍同學說: “通過這種方式學習數據挖掘課程知識，我覺得效 果特別好。彌補了老師課堂上授課內容太多過快，學生不能很好吸收 的缺陷，我們學生可以通過網絡課程，根據自己的學習情況適度地學 習！ ” 。羅聰同學說: “利用網絡多媒體進行教學，可以使平時一些比較 枯燥的學習內容變得十分生動有趣，增加了我們的學習興趣，使新的
知識很容易被接受，而且能啟發我們的思維和創造性，培養我們發現問題、分析問題和解決問題的能力”
劉捷同學說: “我懷著極大的興趣學習《數據挖掘》這門課程， 我學到了很多東西， 加深了我對先前課程的認識， 開闊了自己的視野， 最重要的是培養了自己的學習興趣和綜合能力， 學到了很多以前沒學 到的東西，它能夠發揮同學們的空間思維能力和綜合能力，《數據挖 掘》課程的學習使我覺得大學這三年來沒有白學。真希望以后再有這 樣的機會。 ” 陳玲同學說: “利用多媒體將教學內容以圖、動畫、三維方式展 示出來，能將抽象的理論具體化，避免了枯燥無味的理論學習，加深 了對新學內容的印象，領會快且深刻。它使新學知識更容易理解和接 受。對難點重點可反復學習，明顯地提高了學習和記憶的效果，拓展
了我們的視野，加大了信息量。提高了學習效率和學習質量。
”有同 學說: “用設計型教數據挖掘課，使我們從被動的學習、聽講變為主 動的思考問題，并學以致用。 ”
陳建雄同學說: “一方面采用這種網絡多媒體和教學的相結合方 式教學，本身就能讓我們實實在在的感受到數據挖掘在實際中應用，從這一點就能激發我們學生的上課興趣。另一方面，課程的內容安排 也非常合理，從數據挖掘系統模型的整體認識，到模型各個層次的系 統講解，同時還涉及了一些近幾年快速發展起來的數據挖掘技術（如 HADOOP、GFS 等），使我們在掌握數據挖掘基本原理的基礎上，對未來技術的發展有一定的認識，也為以后的工作和技術開發打下基礎。數據挖掘課程組有多人次獲得全國獎項五項（《數據挖掘》獲全 國網絡與多媒體教育軟件3等獎， 2次獲全國多媒體教育軟件優秀獎，
1 次學生獲全國“挑戰杯”3 等獎）；
多人 5 次獲得省級獎項（2 人次獲廣東省科技進步 2 等獎，1 次獲省級優秀教學成果 2 等獎，3 次獲省級多媒體教育軟件 1、2 等獎）；
學生多次獲得省級獎項；2 次獲校優秀教學成果獎，14 人次獲校教學優秀獎，1 人次獲校實驗教學優秀獎。獲得優秀指導教師 10 余人次， 11 人次獲年度
課程簡介
Course Introduction
教學大綱
Teaching Syllabus
友情鏈接Links
相關課程Correlative
Courses
