企業數據倉庫與數據挖掘課程教學大綱

一、課程基本信息

課程編號: 08191610

課程英文名稱:Enterprise data warehouse and data mining

授課對象:計算機專業軟件工程方向全日制本科學生

課程類型: 職教任選課

建議學時:總學時56，其中講授40學時，實驗16學時

學分: 3

與相關課程的銜接:先導課程《程序設計》、《數據結構》、《數據庫原理》、《人工智能》、《數理統計》

考核方式: 考查

二、教學目標和要求

信息技術的迅速發展已從簡單的批處理、聯機事務處理的信息處理時代，進入了聯機分析處理、數據倉庫和數據挖掘的信息分析時代。數據倉庫以數據庫技術作為存儲數據和資源管理的手段，以聯機分析處理技術和方法作為提取信息的有效手段，以數據挖掘和人工智能的模型、算法作為發現知識和規律的途徑。數據挖掘是數據庫研究、開發和應用最活躍的分支之一。本課程從數據庫和數據倉庫的角度全面、系統地介紹數據挖掘的基本概念、基本方法和基本技術，以及數據挖掘的最新進展。要求學生通過本課程的學習，認識數據倉庫和數據挖掘在當今計算機應用中的重要作用，深入了解數據挖掘的整體結構，掌握數據預處理技術（包括數據清理、數據集成和轉換、數據歸約等方法）和數據挖掘技術（包括分類、預測、關聯和聚類的概念與技術），并且熟悉數據挖掘的基本原理和發展方向。

三、教學內容、教學方式與課時分配

（一） 第一章:緒論（3學時）

教學基本內容:

數據挖掘產生的背景；數據挖掘任務及過程；數據挖掘應用；數據挖掘技術的前景、研究熱點。

教學要求:

掌握:數據挖掘任務及挖掘過程、數據挖掘定義、數據挖掘常用軟件、數據挖掘的研究熱點。

了解:數據挖掘產生背景；數據挖掘的價值和前景。

教學方式:課堂講授3學時

（二）第二章:數據處理基礎（6學時）

教學基本內容:

數據定義及類型；數據統計特性；數據預處理；相似性度量。

教學要求:

掌握:數據屬性類型、數據的中心度量標準、數據預處理過程、屬性和對象之間的相似性度量。

了解:數據定義及數據類型。

教學方式:課堂講授6學時

（三）第三章:分類與回歸（9學時）

教學基本內容:

分類與回歸概述；決策樹分類方法；貝葉斯分類方法；k-最近鄰分類方法；神經網絡分類方法；支持向量機；集成學習法；不平衡數據分類；分類模型的評估；回歸。

教學要求:

掌握:分類與回歸定義、決策樹分類方法、貝葉斯分類方法、k-最近鄰分類方法、分類模型的評估。

了解:神經網絡分類方法；支持向量機；集成學習法。

教學方式:課堂講授9學時

（四）第四章:聚類分析（6學時）

教學基本內容:

聚類分析概述；基于劃分的聚類算法；層次聚類算法；基于密度的聚類算法；一趟聚類算法；聚類算法評價。

教學要求:

掌握:聚類分析定義、k-means聚類算法、k-medoids算法、DBSCAN算法、聚類方法評價。

了解:二分k-means算法；一趟聚類算法。

教學方式:課堂講授6學時

（五）第五章:關聯分析（9學時）

教學基本內容:

關聯分析概述；頻繁項集發現算法；關聯規則的生成；非二元屬性的關聯規則挖掘；關聯規則的評價；序列模式。

教學要求:

掌握:Apriori算法、FP-growth算法、關聯規則的生成、支持度和置信度的計算。

了解:非二元屬性的關聯規則挖掘；序列模式及發現算法。

教學方式:課堂講授9學時

（六）第六章:離群點挖掘（3學時）

教學基本內容:

離群點概述；基于統計的方法；基于距離的方法；基于相對密度的方法。

教學要求:

掌握:基于統計的方法；基于距離的方法。

了解:其他離群點挖掘算法。

教學方式:課堂講授3學時

（七）第七章:數據挖掘的應用（4學時）

教學基本內容:

數據挖掘在電信業中的應用；文本挖掘與Web數據挖掘。

教學要求:

掌握:數據挖掘主要研究方向在電信業中的應用。

了解:文本挖掘與Web數據挖掘。

教學方式:課堂講授4學時

四、實踐環節

具體安排見“企業數據倉庫與數據挖掘實驗教學大綱”

五、教材

蔣盛益等《數據挖掘原理與實踐》電子工業出版社 2013年2月第二版

六、參考資料

1. (美)譚,(美)斯坦巴赫著,范明等譯《數據挖掘導論——圖靈計算機科學叢書》人民郵電出版社2006年第一版

2. 韓家煒著,范明等譯《數據挖掘概念與技術》機械工業出版社2007年第二版

七、必要的說明

無

執筆人:

審核: