Python机器学习编程与实战教学大纲.docx

Python机器学习编程与实战教学大纲课程名称：Python机器学习编程与实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论36学时，实验28学时）总学分：4.0学分一、 课程的性质随着大数据时代的到来，人工智能技术的发展越来越迅速，已经渗透进现代人类的生活与工作中大数据技术作为人工智能技术的支撑，通过数据采集、处理、分析，从各行各业的海量数据中，获得有价值的信息，能够为人工智能算法提供素材机器学习技术作为人工智能技术的一部分，更是与大数据技术息息相关作为一门前沿技术，机器学习已广泛应用于物联网、云计算、移动互联网等战略新兴产业有实践经验的掌握机器学习技术的人才已经成为了各企业争夺的热门为了推动我国大数据，云计算，人工智能行业的发展，满足日益增长的数据分析人才需求，特开设Python机器学习编程与实战课程二、 课程的任务通过本课程的学习，使学生学会使用Python进行数值计算、数据读取与处理、可视化绘图、构建与评价分析模型，并详细拆解一个企业综合分析案例和一个分类预测案例，将理论与实践相结合，为将来从事数据分析挖掘研究、工作奠定基础三、 课程学时分配序号教学内容理论学时实验学时其它1第1章 Python概述212第2章 NumPy数值计算323第3章 pandas基础334第4章 pandas进阶445第5章 Matplotlib基础绘图436第6章 scikit-learn657第7章 餐饮企业综合分析758第8章 通信运营商客户流失分析与预测75总计3628四、 教学内容及学时安排1. 理论教学序号章节名称主要内容教学目标学时1Python概述1. 了解Python语言的特性2. 了解Python机器学习的常用依赖库3. 了解Python的Anaconda发行版4. 在Windows操作系统上安装Anaconda5. 掌握Jupyter Notebook的基础功能6. 熟悉Python的固定语法7. 熟悉Python中的运算符8. 熟悉Python中的数据类型9. 熟悉Python中的I/O操作10. 熟悉Python中的控制语句11. 熟悉Python的内置函数与自定义函数1. 了解Python语言的特性2. 了解Python常用的机器学习库3. 掌握Windows系统下Python环境的配置方法4. 熟悉Python的基本功能22NumPy数值计算1. 创建数组对象2. 生成随机数3. 通过索引访问数组4. 变换数组的形态5. 创建NumPy矩阵6. 掌握ufunc函数1. 掌握NumPy创建多维数组与生成随机数的方法2. 掌握数组的索引与变换3. 掌握NumPy中数组矩阵的运算及通用函数的基本使用方法33pandas基础1. 创建Series对象2. 查看Series的常用属性3. 查改增删Series数据4. 创建DataFrame对象5. 查看DataFrame的常用属性6. 查改增删DataFrame数据7. 创建Index对象8. 查看Index的常用属性9. 查改增删Index数据10. 索引DataFrame中的数据11. 排序DataFrame中的数据12. 合并DataFrame中的数据13. 创建时间对象或转换其他类型为时间类型14. 查看时间对象的常用属性15. 调用文本方法16. 对文本进行索引操作17. 创建与操作category类型数据1. 了解pandas中的常见类2. 掌握Series、DataFrame、Index对象的创建方法、查看常用属性的方法和查改增删的操作方法3. 掌握索引、排序和合并DataFrame中数据的方法4. 掌握时间数据的基本处理方法5. 掌握文本数据的基本操作方法6. 掌握category类型数据的基本处理方法34pandas进阶1. 读写文本文件2. 读写Excel文件3. 读写数据库数据4. 对DataFrame进行描述性统计5. 对DataFrame进行移动窗口操作6. 使用groupby方法拆分数据7. 使用agg方法聚合数据8. 使用apply方法聚合数据9. 使用transform方法聚合数据10. 使用povit_table函数创建透视表11. 使用crosstab函数创建交叉表12. 检测与处理重复值13. 检测与处理缺失值14. 离散化连续型数据15. 哑变量处理类别型数据1. 掌握使用pandas读写数据的方法2. 掌握对DataFrame进行统计分析的方法3. 掌握对DataFrame进行分组计算的方法4. 掌握创建透视表和交叉表的方法5. 掌握连续型数据离散化的方法6. 掌握哑变量处理类别型数据的方法45Matplotlib基础绘图1. 熟悉pyplot的基本绘图流程2. 掌握pyplot的基础语法3. 设置pyplot的动态rc参数4. 绘制散点图5. 绘制折线图6. 绘制直方图7. 绘制饼图8. 绘制箱线图1. 掌握pyplot常用的绘图参数的调节方法2. 掌握子图的绘制方法3. 掌握绘制图形的保存与展示方法4. 掌握散点图和折线图的作用与绘制方法7. 掌握直方图、饼图和箱线图的作用与绘制方法46scikit-learn1. 掌握标准差标准化数据的方法2. 掌握离差标准化数据的方法3. 掌握归一化数据的方法4. 掌握二值化数据的方法5. 掌握独热编码的方法6. 使用sklearn转换器进行降维7. 使用sklearn估计器构建分类模型8. 使用sklearn估计器构建回归模型9. 使用sklearn估计器构建聚类模型10. 掌握数据集划分的方法11. 掌握自动调参的方法12. 熟悉分类、回归、排序和聚类评价函数1. 掌握使用sklearn标准化、归一化、二值化数据的方法2. 掌握独热编码的方法3. 掌握使用sklearn降维的方法4. 掌握使用sklearn构建分类、回归、聚类模型的方法5. 熟悉使用sklearn评价分类、回归、排序和聚类模型的方法67餐饮企业综合分析1. 了解餐饮公司现状和需求2. 熟悉餐饮企业数据分析的步骤与流程3. 统计每日用餐人数与销售额4. 对原始数据进行预处理5. 构建RFM特征6. 构建聚类模型7. 依据聚类结果进行客户价值分析8. 构建客户流失特征9. 构建客户流失分类模型10. 评价分类模型的结果1. 熟悉餐饮企业数据分析的步骤和流程2. 熟悉RFM模型的特征构建方法3. 掌握K-Means算法的使用方法4. 比较不同类别客户的客户价值5. 了解客户流失特征的构建方法6. 掌握决策树算法的使用方法7. 掌握决策树模型的评价方法78通信运营商客户流失分析与预测1. 了解通信运营商现状与需求2. 熟悉通信运营商客户流失分析与预测的步骤与流程3. 对原始数据进行去重处理4. 对数据进行降维处理5. 检测与处理缺失值6. 检测与处理异常值7. 分组计算特征中位数和方差8. 合并数据9. 对非数值型的数据进行独热编码10. 划分数据集并进行标准化11. 使用MLP算法构建用户流失预测模型12. 评价分类模型的结果1. 熟悉通信运营商客户流失分析与预测的步骤和流程2. 掌握降维方法与应用3. 掌握使用缺失值与异常值的处理方法4. 掌握分组计算与独热编码的方法5. 掌握MLP算法的使用方法6. 掌握分类模型的评价方法7学 时 合 计362. 实验教学序号实验项目名称实验要求学时1Python环境搭建1. 在Windows系统上安装Anaconda2. 掌握Jupyter Notebook的基本功能12NumPy计算1. 创建NumPy数组对象ndarray2. 查看ndarray的常用属性3. 花式索引ndarray4. 变换ndarray的形态5. 创建NumPy矩阵6. 使用常见ufunc23pandas基础1. 创建Series并查看常用属性2. 查改增删Series数据3. 创建DataFrame并查看常用属性4. 查改增删DataFrame数据5. 创建Index并查看常用属性6. 查改增删Index数据7. 索引单列、单列多行、多列多行、基于名称或位置索引数据8. 按索引、值排序数据9. 堆叠、主键、重叠合并数据10. 转换字符串时间为标准时间11. 提取时间序列数据信息12. 加减时间数据13. 索引文本数据14. 创建category类型数据并进行重命名、增删和排序34pandas进阶1. 读写文本文件2. 读写Excel文件3. 读写数据库4. 描述分析DataFrame数据5. 对时间序列使用移动窗口6. 使用groupby方法拆分数据7. 使用agg、apply、transform方法聚合数据8. 制作透视表9. 制作交叉表10. 检测与处理重复值、缺失值、异常值11. 离散化连续型数据12. 哑变量处理类别型数据45Matplotlib数据可视化基础1. 掌握pyplot的基本绘图语法2. 设置pyplot的动态rc参数3. 绘制散点图4. 绘制折线图5. 绘制直方图6. 绘制饼图7. 绘制箱线图36sklearn模型构建1. 离差标准化、标准差标准化2. 归一化、二值化3. 独热编码处理类别数据4. 导入数据集5. 划分数据集6. 使用sklearn转换器进行数据预处理与降维7. 构建与评价聚类模型8. 构建与评价分类模型9. 构建与评价回归模型57餐饮企业综合分析1. 统计每日用餐人数与销售额2. 筛选客户信息表中的订单，选取相关特征3. 构建RFM特征4. 标准化数据5. 构建K-Means聚类模型6. 评价K-Means聚类模型7. 构建客户流失特征8. 构建决策树分类模型9. 评价决策树分类模型58通信运营商客户流失分析与预测1. 查找并删除重复记录2. 数据降维3. 处理缺失值与异常值4. 分组计算特征的中位数和方差5. 聚合数据6. 对非数值型的数据进行独热编码7. 合并数据集8. 划分数据集并标准化9. 构建MLP分类预测模型10. 评价MLP分类预测模型5学 时 合 计28五、 考核方式突出学生解决实际问题的能力，加强过程性考核。

课程考核的成绩构成 = 平时作业（10%）+ 课堂参与（20%）+ 期末考核（70%），期末考试建议采用开卷形式，试题应包括基本概念、绘图、分组聚合、数据合并、数据清洗、数据变换、数据降维、模型构建、模型评价等部分，题型可采用判断题、选择、简答、应用题等方式六、 教材与参考资料1. 教材。