大数据分析(A)教学大纲
数据分析教学大纲
数据分析教学大纲一、引言
数据分析的背景和概述
二、数据分析的基础知识
1. 数据分析的定义和目标
2. 数据分析的重要性和应用领域
三、数据分析的基本工具
1. 数据收集和准备
a. 数据收集方法
b. 数据清洗和处理
2. 数据可视化和探索分析
a. 常用的数据可视化工具和技术
b. 数据探索分析的方法和步骤
四、常用的数据分析方法和技术
1. 描述性统计分析
a. 中心趋势度量
b. 变异程度度量
2. 统计推断和假设检验
a. 参数估计和假设检验的基本原理
b. 常用的统计推断方法
3. 相关分析
a. 相关分析的概念和方法
b. 相关系数的计算和解释
4. 预测分析
a. 时间序列预测分析
b. 回归分析和机器学习方法
五、数据分析实践案例
1. 金融领域的数据分析实践
a. 股票市场分析
b. 风险管理和投资组合优化
2. 市场营销领域的数据分析实践
a. 用户行为分析
b. 市场细分和定位分析
六、数据分析教学的案例设计和评估
1. 教学案例的设计原则和步骤
2. 教学案例的评估方法和指标
七、数据分析的挑战和未来发展
1. 数据隐私和安全问题
2. 大数据和人工智能对数据分析的影响
结语
总结数据分析教学大纲的重点内容和意义，为学习者提供一个清晰的学习路线和方向。
参考文献
列举相关的参考文献和学术资源，供学习者进一步深入了解数据分析的相关领域和知识。
大数据教学大纲模板
二、课程代码：XX001三、课程类别：专业基础课/专业选修课四、授课对象：计算机科学与技术专业/相关理工科专业五、课程学分：XX学分六、课程学时：XX学时（理论XX学时，实验XX学时）七、先修课程：程序设计基础、数据结构、计算机网络、操作系统原理等八、课程性质与目标：1. 课程性质：本课程是一门理论与实践相结合的课程，旨在培养学生掌握大数据的基本理论、技术和应用能力。
2. 课程目标：- 掌握大数据的基本概念、技术架构和发展趋势。
- 熟悉大数据处理的基本流程，包括数据采集、存储、处理、分析和可视化。
- 掌握大数据技术栈中的关键工具和平台，如Hadoop、Spark、Flink等。
- 能够运用大数据技术解决实际问题，具备一定的项目实践能力。
九、教学内容与要求：1. 大数据概述- 大数据的概念和特点- 大数据的发展历程和趋势- 大数据的应用领域2. 大数据技术栈- Hadoop生态系统：HDFS、MapReduce、YARN、HBase等- Spark：Spark Core、Spark SQL、Spark Streaming等- Flink：流处理框架- 其他大数据技术：Hive、Pig、Impala等3. 大数据存储技术- 分布式文件系统：HDFS、Ceph等- 分布式数据库：HBase、Cassandra等4. 大数据处理技术- 数据采集与集成- 数据清洗与预处理- 数据挖掘与分析- 数据可视化5. 大数据应用案例分析- 电子商务、金融、医疗、物联网等领域的应用案例十、教学方法与手段：1. 课堂教学：讲解基本概念、技术原理和案例。
2. 实验教学：通过上机实验，让学生动手实践，加深对知识的理解。
3. 案例教学：结合实际应用案例，培养学生解决问题的能力。
4. 研究性学习：鼓励学生进行自主学习和研究，提高创新能力。
十一、考核方式：1. 期末考试：占总评成绩的60%，考察学生对理论知识的掌握程度。
2. 实验报告：占总评成绩的20%，考察学生的实践能力和动手能力。
大数据测试分析教学大纲
大数据测试分析教学大纲大数据测试分析教学大纲随着信息技术的迅猛发展，大数据已经成为当今社会中不可忽视的一部分。
大数据分析作为一门重要的学科，对于培养学生的数据分析能力和解决实际问题的能力具有重要意义。
为了更好地引导学生学习大数据测试分析，制定一份完善的教学大纲是必不可少的。
一、引言大数据测试分析作为一个新兴的学科，本节将对大数据测试分析的基本概念进行介绍，并阐述大数据测试分析在实际应用中的重要性和意义。
二、大数据测试分析的基本原理本节将详细介绍大数据测试分析的基本原理，包括数据收集、数据清洗、数据存储、数据分析和数据可视化等方面。
通过理论讲解和实例分析，使学生对大数据测试分析的基本流程和方法有一个清晰的认识。
三、大数据测试分析的工具和技术本节将介绍大数据测试分析中常用的工具和技术，包括Hadoop、Spark、Python等。
通过对这些工具和技术的学习和实践，学生可以掌握大数据测试分析的实际操作能力。
四、大数据测试分析的实际应用本节将以实际案例为基础，介绍大数据测试分析在不同领域的应用。
通过对这些案例的分析和讨论，学生可以了解大数据测试分析在解决实际问题中的作用和效果。
五、大数据测试分析的挑战与发展本节将对大数据测试分析面临的挑战进行分析，并展望大数据测试分析的未来发展趋势。
通过对这些问题的思考和讨论，学生可以加深对大数据测试分析的理解，并为未来的学习和研究提供思路和方向。
六、大数据测试分析的实践项目本节将设计一系列的实践项目，要求学生运用所学的大数据测试分析知识和技术，解决实际问题。
通过实践项目的完成，学生可以巩固所学知识，提升实际操作能力，并培养解决问题的能力和团队合作精神。
七、大数据测试分析的评估与考核本节将介绍大数据测试分析的评估与考核方式，包括平时成绩、实践项目成绩、期末考试等。
通过科学合理的评估与考核，可以全面客观地评价学生的学习成果和能力水平。
八、总结与展望本节将对整个教学过程进行总结，并展望大数据测试分析教学的未来发展。
大数据教学大纲
大数据教学大纲随着科技的快速发展和互联网的普及，大数据已经成为当今社会中一个重要的领域。
大数据的涌现对企业、政府和个人都带来了许多机遇和挑战。
为了适应这个时代变化的需求，大数据教育应该成为教育体系的一部分。
本文将就大数据教学大纲进行详细介绍，以期给相关教育机构提供一些建议和灵感。
第一部分：导论1.1 大数据的定义和概念- 介绍大数据的基本概念，包括数据类型、数据来源和数据特征等。
1.2 大数据的应用领域- 介绍大数据在商业、医疗、金融等领域的应用案例。
1.3 大数据的价值和意义- 探讨大数据对决策制定、资源规划和业务发展的重要性。
第二部分：技术基础2.1 数据采集和处理技术- 介绍数据采集的方法，如传感器、网络爬虫和人工采集等，并讨论数据清洗和预处理的技术。
2.2 大数据存储与管理- 探讨分布式文件系统、NoSQL数据库和云存储等技术，以及其在大数据存储与管理方面的应用。
2.3 大数据分析与挖掘- 介绍大数据分析的基本方法，如数据挖掘、机器学习和统计分析等，并重点讨论大数据分析的挑战和解决方案。
第三部分：应用案例3.1 商业智能- 分析大数据在市场营销、销售预测和客户关系管理等方面的应用案例。
3.2 医疗健康- 探讨大数据在疾病预测、个性化治疗和医疗资源分配等方面的应用案例。
3.3 城市规划- 介绍大数据在交通流量控制、垃圾处理和资源配置等方面的应用案例。
第四部分：教学方法与评估4.1 教学方法- 探讨大数据教学的教学方法，如案例研究、实践项目和小组合作等，以培养学生的实际应用能力。
4.2 评估方法- 提出大数据教学评估的准则和标准，包括理论考试、实验报告和项目评估等。
第五部分：资源支持5.1 教材和参考书籍- 推荐一些经典的大数据教材和参考书籍，以供教师和学生备用。
5.2 实验室和设备支持- 提供一些必要的实验室设备和软件工具，以支持学生的大数据实践操作。
结语通过本大纲，希望大数据教学能够引导学生了解大数据的基本概念、技术和应用。
大数据教学大纲
大数据教学大纲
一、前言
随着互联网的快速发展和信息化时代的到来，大数据作为一项新的
技术革新，引起了越来越多的关注。
为了更好地推进大数据教学工作，完善大数据人才培养的体系，本文编写了大数据教学大纲，以期能够
为广大师生提供指导和帮助。
二、大数据教学的概述
1.1 大数据概念
1.2 大数据技术特征
1.3 大数据的应用领域
1.4 大数据行业趋势
三、大数据教学的目标和任务
2.1 培养学生大数据思维方式
2.2 提高学生的大数据技能
2.3 培养学生的团队协作能力
四、大数据教学的课程设置与教学方法
3.1 大数据课程设置
3.2 大数据教学方法
3.3 大数据实验室建设
五、大数据教学的评估与质量保证
4.1 大数据教学评估
4.2 大数据教学质量保证
六、大数据教学的实践与应用
5.1 大数据竞赛与实践
5.2 大数据与企业合作
七、结语
综上所述，大数据教学大纲旨在通过制定更为系统的教学目标、教学内容、教学方法和质量监控制度，来促进大学生的大数据技能与实际应用能力的提升，培养大规模数据处理和分析方面的专业人才，满足现代互联网+时代对高级人才的需求。
大数据分析课程教学大纲
learn the contents through a series of practical data analysis projects. In each project,
the students implement and experience the data analysis operations and process, then the teacher generalizes the knowledge, methods used in the project, and the
专业方向选修 A 组-服务领域
授课对象 （Audience）
授课语言
(Language of Instruction) *开课院系 （School） 先修课程
（Prerequisite） 授课教师
（Instructor）
工业工程 全英文（English）
机动学院 (School of Mechanical Engineering)
Transactions
数据聚类方法
Data clustering
1
基因芯片样本分类
项目 5
Classifying
Microarray Samples
教学方式
作业及要 基 本 要 考查方式
求
求
数据降维方法
Data dimension
1
reduction
大数据分析及商务
智能技术介绍/学 生项目报告
Big data analysis 4
model; time series data analysis and prediction, data classification methods; anomaly detection, data clustering methods, semi-supervised prediction model; data
《大数据分析导论》教学大纲
《大数据分析导论》教学大纲大数据分析导论教学大纲一、课程简介（100字）本课程是介绍大数据分析领域的基本概念、理论和应用的导论课程。
通过本课程，学生将了解大数据分析的基本原理、方法和工具，学会利用大数据进行数据抽取、数据清洗、数据挖掘和数据可视化分析等数据处理和分析技术。
二、教学目标（200字）1.理解大数据分析的基本概念、理论和方法。
2.掌握大数据处理和分析的基本技术和工具。
3.能够运用大数据分析方法解决实际问题。
4.培养学生的数据分析能力和科学研究思维。
5.培养学生的团队合作和创新实践能力。
三、教学内容（600字）1.大数据分析概述-大数据的定义和特点-大数据分析的应用领域和意义-大数据分析的挑战和机遇2.大数据处理和分析基础-大数据收集、存储和处理技术-大数据分析的基本方法和流程-数据可视化和交互式分析技术3.大数据挖掘技术-数据预处理和特征选择-分类和预测分析-聚类分析和关联规则挖掘-基于时序数据的挖掘4.大数据分析工具和平台- Hadoop和MapReduce基础- Spark和Flink的使用-数据库和数据仓库技术-数据挖掘工具和平台的使用5.大数据分析案例研究-大数据分析在电商、金融、医疗等领域的应用-大数据分析在社交网络和互联网上的应用-大数据分析在政府和企业决策中的应用四、教学方法（200字）1.讲授与讨论相结合：通过讲解理论知识，引导学生理解大数据分析的基本概念和方法，并通过案例分析及讨论，加深学生对理论的理解和应用能力的培养。
2.实践与项目结合：结合实际数据和项目，进行数据抽取、清洗、分析和可视化工作，让学生亲身参与大数据分析的实际操作，提升他们的实践能力和团队合作能力。
3.课堂演示与实验：通过课堂演示和实验，向学生展示大数据处理和分析的具体技术和工具使用方法，帮助学生掌握相关技术和工具。
4.个人研究与团队合作：鼓励学生进行个人研究和项目实践，同时注重培养学生的团队合作和创新实践能力。
数据分析教学大纲
数据分析教学大纲一、课程简介本课程旨在介绍数据分析的基本概念、方法和工具，帮助学生掌握数据分析的核心技能和理论知识，提升数据分析能力和解决实际问题的能力。
二、课程目标1. 了解数据分析的定义和意义；2. 掌握数据收集、清洗、分析和可视化的基本方法；3. 学习常用的数据分析工具和编程语言，如Python、R等；4. 能够运用数据分析技术解决实际问题，提高数据处理和决策能力。
三、课程内容1. 数据分析概述- 数据分析的定义；- 数据分析在实际生活和工作中的应用；- 数据分析的步骤和流程。
2. 数据收集与整理- 数据来源及采集方法；- 数据质量评估与清洗；- 数据转换和整合。
3. 数据分析方法- 描述统计分析；- 探索性数据分析；- 假设检验和推断统计。
4. 数据分析工具- Python数据分析库（NumPy、Pandas、Matplotlib等）使用；- R语言在数据分析中的应用；- 数据库查询语言（SQL）基础。
5. 数据可视化- 数据可视化的重要性；- Matplotlib、Seaborn等数据可视化工具的使用；- 制作数据报表和图表。
6. 实践案例分析- 利用所学知识和工具对真实数据案例进行分析；- 解决实际问题，提出合理建议。
四、教学方法1. 理论讲解结合实例分析，理论与实践相结合；2. 课堂互动，鼓励学生提出问题和讨论；3. 编写和分享数据分析报告，培养学生分析和表达能力；4. 作业和实践项目，巩固所学内容，拓展应用领域。
五、考核方式1. 平时表现（包括课堂参与和作业情况）占比30%；2. 期中考试占比30%；3. 期末项目（数据分析报告）占比40%。
六、教材与参考资料1. 《Python数据分析》2. 《R语言实战》3. 相关学术论文和案例分析。
七、教学团队本课程由数据分析领域的专业教师授课，团队成员具有丰富的实践经验和教学经验，致力于为学生提供优质的教学服务。
以上为数据分析教学大纲内容，希望学生在学习过程中能够积极参与，认真学习，掌握数据分析的基本方法和技能，不断提升自身的数据分析能力。
《大数据分析》课程教学大纲
《大数据分析》课程教学大纲一、课程基本信息课程名称：大数据分析课程代码：＿____课程类别：专业必修课总学时：＿____学分：＿____适用专业：＿____二、课程的性质、目标和任务（一）课程性质《大数据分析》是一门涉及多学科知识交叉融合的课程，它融合了统计学、计算机科学、数学等领域的知识和技术，旨在培养学生具备大数据分析和处理的能力，以应对日益增长的数据驱动的决策需求。
（二）课程目标1、使学生了解大数据分析的基本概念、原理和方法，掌握大数据分析的流程和技术。
2、培养学生运用大数据分析工具和技术解决实际问题的能力，能够对大规模数据进行采集、存储、处理、分析和可视化。
3、提高学生的数据分析思维和创新能力，能够从数据中发现有价值的信息和知识，为企业和社会的决策提供支持。
4、培养学生的团队合作精神和沟通能力，能够在大数据分析项目中与团队成员有效地协作和交流。
（三）课程任务1、讲解大数据分析的基本概念，包括大数据的特点、数据类型、数据来源等。
2、介绍大数据存储和管理技术，如分布式文件系统、NoSQL 数据库等。
3、教授数据预处理的方法，包括数据清洗、数据集成、数据变换等。
4、讲解数据分析的方法和技术，如描述性统计分析、回归分析、聚类分析、分类分析等。
5、介绍大数据可视化的技术和工具，培养学生将分析结果以直观、有效的方式展示出来的能力。
6、通过实际案例和项目实践，让学生掌握大数据分析的全过程，提高学生的实际动手能力和解决问题的能力。
三、课程教学内容和要求（一）大数据分析概述1、大数据的概念、特点和应用领域。
2、大数据分析的流程和方法。
3、大数据分析的工具和技术。
（二）大数据存储与管理1、分布式文件系统（如 HDFS）的原理和应用。
2、 NoSQL 数据库（如 MongoDB、Cassandra）的特点和使用。
3、数据仓库的概念和构建方法。
（三）数据预处理1、数据清洗的方法和技术，包括缺失值处理、异常值处理、重复值处理等。
《大数据分析》教学大纲
《大数据分析》教学大纲大数据分析教学大纲一、课程简介大数据分析是指通过对庞大、多样、复杂的数据进行挖掘、整理和分析，以获得有价值的信息和洞察，并支持决策和业务优化的过程。
本课程旨在介绍大数据分析的基本理论、方法和工具，培养学生的数据分析思维、数据处理和挖掘能力，从而为未来的数据驱动型工作提供基础。
二、教学目标1.理解大数据分析的基本概念和应用场景；2.掌握大数据分析的基本方法和技术；3.培养数据处理和挖掘的能力，能够针对实际问题进行数据分析；4.掌握常用的大数据分析工具和平台，能够进行实际数据分析项目。
三、教学内容1.大数据分析概述a.大数据概念和特点b.大数据分析的意义和应用场景c.大数据分析的挑战和问题2.数据预处理a.数据清洗和去噪b.数据集成和转换c.数据规范化和归一化d.数据离散化和分类3.数据挖掘a.数据挖掘的基本任务和流程b.关联规则挖掘c.分类和预测d.聚类分析和异常检测e.时间序列分析和预测4.大数据分析工具与平台a. Hadoop和MapReduceb. Spark和Spark MLlibc. Python数据分析库（NumPy、Pandas、Matplotlib等）d. 数据可视化工具（Tableau、Power BI等）5.实际案例分析a.电商网站用户行为分析b.社交媒体文本情感分析c.金融欺诈检测d.健康数据监测与预测四、教学方法1.理论讲授：教师通过课堂讲解，介绍大数据分析的基本理论和方法，引导学生理解相关概念和原理。
2.实践操作：通过实际案例和数据集，进行数据分析和处理实验，培养学生的实际操作能力。
3.学生互动：通过小组讨论、问题解答等形式，引导学生积极参与到课堂中，促进知识的交流和分享。
4.课堂演示：教师通过实际案例演示和工具使用演示，帮助学生掌握大数据分析工具和平台的使用方法。
5.作业和项目：布置编程作业和实际项目，让学生在实践中巩固所学知识，并培养解决实际问题的能力。
《大数据分析技术》课程教学大纲
《大数据分析技术》课程教学大纲一、课程基本信息二、课程教学目标大数据分析技术是分析和处理大数据的手段和方法，当今大数据作为信息的重要载体在信息化社会扮演着重要的角色。
通过研究有关信息获取、信息传输、信息处理与信息控制等核心基础，掌握运用现代计算机工具高效求解科学与工程问题的数学理论与方法。
通过本课程的学习，学生们能够：从大数据中获取有用的信息；提高信息素养；获得驾驭大数据的能力。
三、教学学时分配《大数据分析技术》课程理论教学学时分配表＊理论学时包括讨论、习题课等学时。
《大数据分析技术》课程实验内容设置与教学要求一览表四、教学内容和教学要求第一章大数据挖掘分析概述（3学时）（一）教学要求通过本章内容的学习，使学生了解高维海量数据挖掘技术等。
（二）教学重点与难点教学重点：数据挖掘技术教学难点：大数据降维理论与方法（三）教学内容第一节大数据概述第二节数据降维基本原理第三节数据挖掘的起源与发展第二章数据降维（12学时）（一）教学要求通过本章内容的学习，使学生掌握高维数据降维的基本理论与方法等。
（二）教学重点与难点教学重点：常见的数据降维算法的特点教学难点：常见的数据降维算法的原理以及性能（三）教学内容第一节线性与非线性降维技术第二节监督与非监督式降维算法第三节基于全局与局部方法的数据降维本章习题要点：大数据降维技术。
第三章聚类分析及其应用（9学时）（一）教学要求通过本章内容的学习，使学生掌握常见聚类算法及其在大数据分析中的应用等。
（二）教学重点与难点教学重点：聚类算法基本原理、及其归类教学难点：常见聚类算法的优缺点及适宜的数据集、高维数据的聚类结果的有效性（三）教学内容第一节层次聚类（Hierarchical Clustering）1．合并法2．分解法3．树状图第二节非层次聚类1．划分聚类2．谱聚类本章习题要点：聚类算法及其应用。
第四章大规模机器学习（12学时）（一）教学要求通过本章内容的学习，使学生掌握大规模机器学习算法及其在大数据分析中的应用等。
关于大数据的教学大纲
关于大数据的教学大纲大数据的教学大纲随着信息技术的快速发展，大数据已经成为当今社会中一个热门的话题。
大数据的应用已经渗透到各个行业，包括商业、医疗、金融等等。
了解和掌握大数据的知识和技能已经成为现代教育的重要组成部分。
因此，制定一份完善的大数据教学大纲就显得尤为重要。
一、引言在引言部分，我们可以简要介绍大数据的定义和重要性。
大数据是指规模庞大、复杂多样的数据集合，这些数据集合可以被用于提取信息、推断模式和支持决策。
大数据的重要性在于它可以帮助我们发现隐藏在数据中的有价值的信息，从而帮助我们做出更加准确的决策。
二、基础知识在这一部分，我们可以介绍一些关于大数据的基础知识。
首先，我们可以讲解大数据的特点，如数据的规模、速度和多样性。
其次，我们可以介绍一些常见的大数据技术和工具，如Hadoop、Spark等。
最后，我们可以讲解一些基本的数据处理和分析方法，如数据清洗、数据挖掘等。
三、大数据的应用在这一部分，我们可以介绍大数据在不同领域的应用。
例如，在商业领域，大数据可以帮助企业分析市场趋势、预测销售量等，从而制定更加有效的营销策略。
在医疗领域，大数据可以帮助医生分析患者的病历数据，提供更加个性化的治疗方案。
在金融领域，大数据可以帮助银行分析客户的消费习惯和信用记录，从而评估风险和制定贷款政策。
四、大数据的伦理和法律问题在这一部分，我们可以讨论大数据所带来的伦理和法律问题。
例如，大数据的应用可能会侵犯个人隐私，我们应该如何保护个人隐私？另外，大数据的分析结果可能会带来偏见和歧视，我们应该如何避免这些问题的出现？同时，我们还可以介绍一些相关的法律法规，如数据保护法和隐私法。
五、大数据的未来发展趋势在这一部分，我们可以展望大数据的未来发展趋势。
随着技术的进步，大数据的规模和复杂性将会继续增加。
同时，大数据的应用将会涉及更多的领域，如智能交通、智能家居等。
我们可以讨论一些相关的技术和趋势，如人工智能、物联网等。
大数据分析 教学大纲
大数据分析教学大纲大数据分析教学大纲随着信息技术的迅速发展，大数据分析成为了当今社会中一个热门的话题。
大数据分析技术的应用范围广泛，从商业到医疗，从政府到教育，无处不在。
为了培养学生对大数据分析的理解和应用能力，制定一份完整的大数据分析教学大纲是非常重要的。
一、引言在引言部分，我们可以介绍大数据分析的定义、背景以及重要性。
大数据分析是指通过收集、存储和分析大量的数据来发现模式、趋势和洞察力的过程。
随着互联网的普及和技术的进步，我们面临着海量的数据，这些数据蕴含着无限的价值。
因此，掌握大数据分析技术对于个人和组织来说都至关重要。
二、基础知识在基础知识部分，我们可以介绍大数据分析所涉及的基本概念和技术。
包括数据收集、数据存储、数据处理和数据可视化等方面。
学生需要了解不同类型的数据源，如结构化数据和非结构化数据，以及如何有效地收集和处理这些数据。
此外，学生还需要学习数据存储和管理的技术，如关系型数据库和分布式文件系统。
最后，学生需要学习如何使用数据可视化工具，将分析结果以图表、图像等形式展示出来。
三、数据分析方法在数据分析方法部分，我们可以介绍一些常用的数据分析方法和技术。
例如，学生可以学习如何使用统计学方法来分析数据，如描述统计和推断统计。
此外，学生还需要学习一些机器学习算法，如聚类、分类和回归。
这些算法可以帮助学生从数据中发现模式和关联，并进行预测和决策。
四、实践案例在实践案例部分，我们可以引入一些实际的案例来帮助学生将所学知识应用到实际问题中。
例如，学生可以分析某个公司的销售数据，找出销售增长的原因和趋势。
又或者，学生可以分析某个医院的病人数据，预测病人的风险和治疗效果。
通过实践案例的学习，学生可以更好地理解和掌握大数据分析的实际应用。
五、伦理和法律问题在伦理和法律问题部分，我们可以引入一些与大数据分析相关的伦理和法律问题。
例如，学生需要了解数据隐私和安全的重要性，并学习如何保护个人信息。
此外，学生还需要了解数据使用的合法性和道德性，并遵守相关的法律和规定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
清华大学大数据方向硕士学位
公共必修课课程
数据分析学（I）
Data Analytics (I)
开课单位：数据分析学（I）课程组
授课教师: 黎波、张楠、郑路、庞珣、苏毓淞、罗昊、王程韡（暂定）
教学目的：
本课是针对社会科学和管理类研究学开设的数据分析基本课程。
通过本课的学习，学生将对（大）数据分析的价值、意义和基本原理建立清晰和比较全面的认识，掌握有关数据发掘、处理、建模和解释的基本原理和方法，了解和熟悉数据分析在社会科学研究、商业分析和公共管理等领域的实际案例。
Data Analytics (I) is a graduate level course mainly designed for students with social sciences and management background. The objective of the course to give students a broad overview of the basic principles and applications of data analytics. Students will also be familiar with the various aspects of data analytics such as exploring, managing, modeling and interpreting data. Students’ learning will also be enhanced by their exposure to real life applications of data analytics in social science research, business analysis and public management.
主要教材：
<Data Mining and Business Analytics with R> by Johannes Ledolter, 2013, Wiley
<An Introduction to Statistical Learning: with Applications in R> by Gareth James et al, 2013, Springer
<Analyzing Social Networks> by Stephen Borgatti et al, 2013, SAGE
<Multilevel and Longitudinal Modeling using Stata> by Sophia Rabe-Hesketh and Anders Skrondal, 2008, Stata
教学软件：R, Stata, UCINET
教学内容：
一、统计分析
1.数据分析简介
2.概率论基础
3.数理统计基础
4.R软件简介，使用R进行探索性数据分析
5.线性回归模型
6.多层次、纵贯性数据分析(Multilevel and Longitudinal Modeling)
7.非参数回归
二、机器学习
8.正则化监督学习（Supervised learning with regularization）
9.在抽样统计学(Resampling methods)
10.树状模型方法、支持向量机（Tree-based methods, Support vector machines）
11.非监督学习：聚类、降维（Unsupervised learning: clustering, dimension reduction）
三、综合应用
12.文本挖掘和情感分析（Text Mining and Sentiment Analysis）
13.社会网络分析（Social Network Analysis）
14.政策信息学简介（Policy Informatics）
成绩构成：
平时作业20%
期中考试20%
期末考试30%
学期论文30%。