《Python大数据分析与挖掘案例实战》教学大纲.pdf

《python大数据分析与挖掘案例实战》课程教学大纲课程代码：学分：6学时：96（其中：讲课学时：71实践或实验学时：25）先修课程：数学分析、高等代数、概率统计、金融基础知识、Python程序设计基础、Python大数据分析与挖掘基础适用专业：信息与计算科学建议教材：黄恒秋主编.Python大数据分析与挖掘实战(微课版)[M].北京：人民邮电出版社.2019.开课系部：数学与计算机科学学院一、课程的性质与任务课程性质：专业方向选修课。课程任务：大数据时代，数据成为决策最为重要的参考之一，数据分析行业迈入了一个全新的阶段。通过学习本课程，使得学生在掌握Python科学计算、数据处理、数据可视化、挖掘建模、机器学习与深度学习等基本技能基础上，进一步地扩展应用到金融、地理信息、交通、文本、图像、GUI应用开发等实际问题或具体领域。本课程为Python在大数据常见领域的具体应用，也是Python在职业技能的重要组成部分，从而使得学生具备一定的行业应用背景及就业技能。二、课程的基本内容及要求本课程教学时数为96学时，6学分；实验25学时,1.56学分。第7章基于财务与交易数据的量化投资分析1.课程教学内容：（1）上市公司综合评价、优质股票选择、量化投资等基本概念；（2）基于总体规模与效率指标的主成分分析综合评价方法；（3）股票技术指标分析及程序计算（4）数据预处理及训练、测试样本划分、逻辑回归模型应用（5）量化投资策略设计实现及结果分析。2.课程的重点、难点：（1）重点：业务数据理解、指标数据的选择、预处理、程序实现；（2）难点：业务数据理解、模型的理解、场景应用。3.课程教学要求：（1）了解上市公司综合评价的基本概念及模型、股票技术分析指标概念及计算方法；（2）理解业务数据、指标数据选取、预处理、量化投资设计的基本原理、原则及流程；（3）掌握指标数据选取、预处理、程序实现、量化投资策略设计实现的全部流程。第8章众包任务定价优化方案1.课程教学内容：（1）经纬度坐标数据可视化等基本概念及计算实现方法；（2）指标的设计原理和计算公式；（3）数据获取及指标计算；（4）主成分分析、神经网络、支持向量机模型的具体应用场景及程序实现；（5）方案评价指标设计及实现。2.课程的重点、难点：（1）重点：地理信息数据可视化，指标设计原理、公式和程序实现，主成分分析、神经网络和支持向量机模型的具体应用场景；（2）难点：指标设计原理、公式和程序实现。3.课程教学要求：（1）了解地理信息数据处理的基本概念、方法和可视化；（2）根据具体业务场景，设计指标及程序实现；（3）掌握众包任务定价特征指标的设计、计算、程序实现及模型应用。第9章地铁站点日客流量预测1.课程教学内容：（1）地铁刷卡数据的理解；（2）刷卡数据日期排序及二分法数据处理思想；（3）基于二分法思想快速查找出每日的刷卡数据，并汇总统计进站和出站客流。（4）设计影响地铁客流量的天气、星期、节假日等因素指标，并进行计算及特征分析；（5）构建基于神经网络的地铁日客流量预测模型。2.课程的重点、难点：（1）重点：二分法思想及数据快速查找，日进站和出站客流统计，天气、星期、节假日影响因素指标设计和计算，神经网络预测模型构建及程序实现。（2）难点：二分法思想及数据快速查找程序代码，日进、出站客流计算。3.课程教学要求：（1）了解地铁刷卡数据及数据处理、二分法快速查找数据的方法；（2）理解二分法快速查找数据并进行数据处理的程序实现思路；（3）掌握基于二分法思想的数据处理方法、程序实现及汇总统计进站和出站客流，天气、星期、节假日影响因素指标设计和程序计算方法，神经网络预测模型构建及程序实现。第10章微博文本情感分析1.课程教学内容：（1）文本数据的预处理，包括分词、去掉停用词、特征词向量化、训练和测试集划分；（2）支持向量机分类模型及实现；（3）LSTM深度学习模型及实现；2.课程的重点、难点：（1）重点：数据预处理、LSTM深度实习模型及程序实现；（2）难点：LSTM深度学习模型原理及程序实现。3.课程教学要求：（1）了解文本数据预处理的基本技能，包括分词、去停用词、特征词向量化；（2）理解文本数据预处理的程序实现思路和训练、测试集划分；（3）掌握文本数据预处理基本技能及支持向量机、LSTM深度学习模型程序实现。第11章基于水色图像的水质评价1.课程教学内容：（1）图像的读取、图像数据处理，图像颜色特征提取与计算方法；（2）基于支持向量机的图像识别方法及程序实现；（3）基于卷积神经网络的图像识别方法和程序实现；2.课程的重点、难点：（1）重点：图像数据处理和颜色特征提取、计算和程序实现，针对灰图和彩图的卷积神经网络图像识别模型与程序实现；（2）难点：卷积神经网络模型原理及程序实现。3.课程教学要求：（1）了解图像