《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》教学大纲" 本教学大纲旨在培养学生掌握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，并应用于金融、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。课程共96学时，6学分，其中讲课学时71学时，实践或实验学时25学时。 通过学习本课程，学生将掌握以下知识点： 1. Python科学计算的基本概念和方法 2. 数据处理的基本概念和方法，包括数据预处理、特征词向量化、训练和测试集划分等 3. 数据可视化的基本概念和方法，包括地理信息数据可视化、图像数据处理和颜色特征提取等 4. 挖掘建模的基本概念和方法，包括主成分分析、神经网络、支持向量机模型等 5. 机器学习与深度学习的基本概念和方法，包括LSTM深度学习模型、卷积神经网络图像识别模型等 6. 实际应用于金融、地理信息、交通、文本、图像、GUI应用开发等领域的知识和技能 课程教学内容包括： 第7章基于财务与交易数据的量化投资分析，包括上市公司综合评价、优质股票选择、量化投资等基本概念，基于总体规模与效率指标的主成分分析综合评价方法，股票技术指标分析及程序计算，数据预处理及训练、测试样本划分，逻辑回归模型应用。 第8章众包任务定价优化方案，包括经纬度坐标数据可视化等基本概念及计算实现方法，指标的设计原理和计算公式，数据获取及指标计算，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，方案评价指标设计及实现。 第9章地铁站点日客流量预测，包括地铁刷卡数据的理解，刷卡数据日期排序及二分法数据处理思想，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，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，构建基于神经网络的地铁日客流量预测模型。 第10章微博文本情感分析，包括文本数据的预处理，包括分词、去掉停用词、特征词向量化、训练和测试集划分，支持向量机分类模型及实现，LSTM深度学习模型及实现。 第11章基于水色图像的水质评价，包括图像的读取、图像数据处理，图像颜色特征提取与计算方法，基于支持向量机的图像识别方法及程序实现，基于卷积神经网络的图像识别方法和程序实现。 课程的教学要求包括： 1. 了解业务数据理解、指标数据的选择、预处理、程序实现的基本原理和原则 2. 掌握指标数据选取、预处理、程序实现的全部流程 3. 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 4. 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 5. 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。 通过学习本课程，学生将具备一定的行业应用背景及就业技能，为学生在大数据时代的职业发展提供了坚实的基础。