数据挖掘 | 您所在的位置:网站首页 › 数据挖掘课程评价 › 数据挖掘 |
课程概述
《数据挖掘》 一、主要目标和主要内容: 本课程以数据挖掘为主要内容,介绍实现大数据挖掘的主要功能、挖掘算法和应用领域,并通过对实际数据的分析更加深入地理解常用数据挖掘模型。掌握数据挖掘常用软件的使用,培养学生数据分析和处理的能力。 本课程主要内容包括数据分析与数据挖掘的概述,关联规则,数据分类,数据聚类,贝叶斯网络和神经网络六大单元,每个单元都从基本概念入手,介绍景点算法,并通过实验完成实际操作。本课程的学习,使学生掌握典型的数据分析和数据挖掘算法,另一方面通过案例让学生能够快速掌握数据分析与挖掘技术,感知大数据技术的应用场景,丰富同学们的学习领域,带来更多的思考。 二、授课教师和授课对象: 2.1 授课教师 沈浩老师为课程主讲人,隶属中国传媒大学新闻学院,调查统计研究所所长,常年从事,长年指导硕士生和博士生科研活动。同时,在学校承担互联网信息研究院大数据挖掘与社会计算研究中心主任;在业界担任中国市场研究协会会长。 长期从事传播效果研究、市场研究,拥有20多年统计和数据分析经验、精通多种统计分析技术和传播研究方法的资深专家,擅长数据挖掘、社会网络分析、多变量分析和建模、数据可视化。近些年,本人及所带团队专注于大数据挖掘、网络科学和可视化研究,特别是在微博、微信等社会化媒体兴起之后,专注于基于微博网络的舆情分析和传播效果研究,也逐渐成为国内具有一定影响力的大数据专家。 2.2 授课对象 (一)相关专业学生对于与本课程相关的专业学生,可设定较高的课程目标,在完成课程学习之后,需要掌握课程中提到的数据获取、数据挖掘以及数据可视化方法,课程考核方式为通过所掌握的方法独立完成一个数据全流程案例,包括获取数据、分析数据、可视化数据,从而让专业学生能够学有所用。 (二)跨专业学生本课程还可设置为选修类课程,满足对大数据领域感兴趣的学生需求。对于跨专业学生,课程目标是让更多的同学们认识到当前大数据的发展,以及今后是否对本专业产生重要影响,开拓学生视野、培养学生兴趣。课程考核方式视具体情况而定,可根据学生专业背景设置不同的考核方式,如撰写本领域大数据应用的发展报告,或团队完成课程中讲述的应用案例等。 三、课程教学特色创新点1:针对媒体领域的大数据挖掘,文理交叉,同时具备技术性和领域实用性。 创新点2:从实用角度出发介绍了目前最流行的大数据技术,帮助学生掌握大数据的分析、挖掘与可视化技能。 创新点3:课程中使用的案例均取自真实世界的数据,学生在学习过程中提前接触实际案例,还可以培养数据敏感性,为日后从事数据相关工作打下良好基础。 四、教学方式(授课形式和考核方式): 授课形式:网络视频教学 考核方式:作业提交 证书要求完成相关课程,进行相关课程的课后练习,并顺利完成课程结课作业。 授课大纲第一讲 绪论 1.1 大数据的概念及发展趋势 1.2 数据挖掘技术与应用场景 1.3融媒体时代下的媒体数据特性 1.4 数据新闻的理解与发展 第二讲 数据挖掘的基本概念 2.1 数据挖掘的基础理论与价值 2.2 数据挖掘的基本概念与方法 2.3 数据挖掘应用于商业主要技术 2.4 推荐系统的基本介绍 2.5 基于深度学习的海报推荐系统 第三讲:网络分析:关系的挖掘 3.1 初识网络分析 3.2 社会关系网络网络挖掘实战1 3.3 微博传播网络挖掘案例1 3.4 网络的基本概念与特征量 3.5 社会网络分析 3.6 社交网络传播 3.7 社交网络营销 3.8 网络传播结构的构建方法 3.9 网络传播结构的解读 第四讲:数据分类 4.1 分类问题及分类过程 4.2 决策树分类 4.3 k近邻分类 4.4 模型评估与选择 4.5 提高分类准确率的技术 第五讲:数据聚类 5.1 聚类分析概述 5.2 相似度计算方法 5.3 k-means聚类算法 5.4 案例分析 第六讲:贝叶斯网络 6.1 贝叶斯概率基础 6.2 贝叶斯分类 6.3 贝叶斯网络 6.4 案例分析 第七讲:神经网络 7.1 神经网络概述 7.2 前馈神经网络 7.3 反向传播算法 7.4 案例分析 第八讲:大数据可视化 8.1 初识大数据可视化 8.2 可视化技术概述 8.3 可视化技术分类 8.4 数据挖掘与可视化 8.5 不同数据类型的可视化技术 8.6 数据新闻可视化 8.7 媒体大数据可视化 |
CopyRight 2018-2019 实验室设备网 版权所有 |