教学目标：
本课程的教学目的是系统介绍数据挖掘过程、技术（如数据预处理技术、）、经典的数据挖掘技术算法（描述性数据挖掘、预测性数据挖掘算中的分类算法、聚类算法、时间序列分析、关联规则挖掘）等；使得学生掌握数据挖掘的整体框架、概念和技术，了解当前的研究热点和未来的发展方向，通过实现一些经典的算法并应用于特定场景，提升实践能力。

课程内容：
教学内容由课堂教学和实践教学构成，其中课堂教学内容，24学时；实践教学内容，8学时。具体内容安排如下：
第1章数据挖掘概述（4学时）
1.1数据挖掘概述
1.2概念和定义
1.3数据挖掘分类、功能
第2章认识数据（3学时）
2.1数据对象与属性类型
2.2数据的基本统计描述
2.3数据可视化
2.4度量数据的相似性和相异性
第3章数据预处理（2学时）
3.1数据清理
3.2数据集成
3.3数据规约
3.4数据变换与离散化
第4章数据仓库与联机分析处理（4学时）
4.1数据仓库：基本概念
4.2数据仓库建模
4.3数据泛化：面向属性的归纳
第5章关联规则挖掘（3学时）
5.1基本概念
5.2频繁项集挖掘方法
5.3模式评估方法
第6章分类（4学时）
6.1基本概念
6.2决策树归纳
6.3贝叶斯分类方法
6.4基于规则的分类
6.5模型评估与选择
第7章聚类（4学时）
7.1基本概念
7.2划分方法
7.3层次方法
7.4基于密度的方法
7.5聚类评估

实践教学内容：
实验一、熟悉weka数据挖掘平台，掌握添加算法的方法，weka数据格式等内容。（2学时）
实验二、利用ＵＣＩ机器学习数据库http://www.ics.uci.edu/~mlearn/MLRepository.html提供的用于的５组数据源，针对特定的数据集，在weka平台上设计并实现指定的分类或聚类算法，完成相应的挖掘任务，提交实验程序、实验结果及其分析报告。(6学时)

适用学生：
全日制硕士    非全日制硕士    留学硕士    进修硕士    硕博连读    本科直博    全日制博士    留学博士    进修博士    在职专硕    其他    

预修课程：
预修课程:
概率与统计，线性代数

参考书目：
教材：
1. 数据挖掘-概念与技术（加）（原书第三版），韩家炜 (作者), Micheline Kamber (作者), 裴健 (作者), 范明 (译者), 孟小峰 (译者), 机械工业出版社，2014年11月
参考书：
2. 李航. 统计学习方法. 清华大学出版社， 2012.
3. 数据挖掘的应用与实践:大数据时代的案例分析 李涛 厦门大学出版社 2013年10月1日

备注：