機器學習原理與實戰教學教案

第1章機器學習概述教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：2學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標根據目前機器學習發展狀況，將機器學習具象化。而后介紹機器學習的概念、應用場景以及通用的流程。列舉說明Python機器重要工具庫的功能。基本要求了解機器學習的概念。了解機器學習的應用領域。熟悉機器學習的通用流程。了解常用的Python機器學習相關工具庫問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。機器學習能夠做什么？現實生活中存在哪些應用了機器學習的技術？該如何進行機器學習？Python語言有哪些優勢？哪些庫是Python中常用于機器學習的庫？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。機器學習的完整流程是怎樣的？機器學習的能夠應用在那些場景？scikit-learn有哪些優缺點？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。機器學習是不是萬能的？Python語言用于做機器學習有哪些優勢？預測明天的天氣可以從哪些角度入手？主要知識點、重點與難點主要知識點機器學習的概念、流程與應用場景。Python常用的機器學習相關庫。重點機器學習的概念、應用場景。機器學習的通用流程。難點機器學習的通用流程。教學過程設計理論教學過程機器學習的概念。機器學習的應用場景。機器學習的流程。數據分析的常用工具。數據準備相關工具庫。數據可視化相關工具庫。模型訓練與評估相關工具庫。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第2章數據準備教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：4學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標根據機器學習的通用流程，將數據準備的作用具象化。而后介紹數據準備的具體內容，介紹如何校驗數據質量，檢測數據是否存在缺失值和異常值。列舉說明常用的探查數據分布與趨勢的方法。然后介紹如何對數據進行清洗的方法。最后講述合并數據的常見手段。基本要求了解數據準備的概念。了解數據不一致的概念。掌握一致性校驗的常用方法掌握缺失值校驗和異常值分析的常用方法。掌握常用的數據分布與趨勢探查方法。掌握常見的缺失值與異常值處理方法。掌握常用的數據合并方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。數據準備需要做什么？該如何進行數據質量校驗?分析數據分布和趨勢有哪些思路？發現的缺失值和異常值要如何處理？怎么樣才能把數據合并到一起？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。為什么要做數據質量校驗？不同的數據分布和趨勢該使用什么指標對應？不同的缺失值處理方法有哪些優缺點？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。異常值是不是一定要處理？Python語言用于做機器學習有哪些優勢？預測明天的天氣可以從哪些角度入手？主要知識點、重點與難點主要知識點數據不一致的概念。一致性校驗的常用方法。缺失值校驗和異常值分析的常用方法。常用的數據分布與趨勢探查方法。常見的缺失值與異常值處理方法。常用的數據合并方法。重點缺失值校驗和異常值分析的常用方法。常用的數據分布與趨勢探查方法。常見的缺失值與異常值處理方法。難點常用的數據分布與趨勢探查方法。常見的缺失值與異常值處理方法。教學過程設計理論教學過程數據不一致的概念。一致性校驗的常用方法。缺失值校驗和異常值分析的常用方法。常用的數據分布與趨勢探查方法。常見的缺失值與異常值處理方法。常用的數據合并方法。實驗教學過程檢驗數據中是否存在缺失值。分析數據中是否存在異常值。分析數據的分布與趨勢。處理數據中的缺失值和異常值。合并不同的數據。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第3章特征工程教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：4學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標根據機器學習的通用流程，將特征工程的作用具象化。而后介紹特征工程的具體內容，介紹如何進行特征變換，將數據的特征進行縮放，對類別型數據進行獨熱編碼，或是將連續型數據離散化。列舉說明常用的特征選擇的方法，分別介紹過濾式、包裹式和嵌入式特征選擇，最后講述字典學習的概念極其實現方法。基本要求了解常用的特征縮放方法。熟悉獨熱編碼的原理和實現過程。掌握常用的離散化方法。了解過濾式選擇、包裹式選擇和嵌入式選擇的原理。了解字典學習的概念和原理。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。特征工程需要做什么？特征變換有什么作用?為何要將連續性數據離散化？特征選擇有哪些標準？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。不同的數據標準化方法有什么差異？獨熱編碼有什么好處？字典學習能夠用在哪些類型是數據上？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。數據是不是一定要標準化？獨熱編碼有什么缺點？怎么樣才能高效的進行特征篩選？主要知識點、重點與難點主要知識點常用的特征縮放方法。獨熱編碼的原理和實現過程。常用的離散化方法。過濾式選擇、包裹式選擇和嵌入式選擇的原理。字典學習的概念和原理。重點常用的特征縮放方法。獨熱編碼的原理和實現過程。常用的離散化方法。難點過濾式選擇、包裹式選擇和嵌入式選擇的原理。字典學習的概念和原理。教學過程設計理論教學過程特征縮放的概念。常用的特征縮放方法。獨熱編碼的原理。獨熱編碼的實現過程。常用的離散化方法。過濾式選擇、包裹式選擇和嵌入式選擇的原理。字典學習的概念和原理。實驗教學過程使用不同的方法進行數據標準化。對類別型數據進行獨熱編碼。對連續型數據進行離散化。分別使用過濾式選擇、包裹式選擇和嵌入式選擇進行特征篩選。對圖片數據進行字典學習。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第4章有監督學習教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：12學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標首先介紹有監督學習的概念、常見的算法和應用領域。而后介紹有監督算法的性能度量指標，分別介紹分類任務和回歸任務的性能度量指標。而后依次介紹線型模型、k近鄰分類、決策樹、支持向量機、樸素貝葉斯、神經網絡、集成學習等常用算法，并分別舉例說明算法對應的常用實現方法。基本要求了解有監督學習的概念、常見算法和應用場景。掌握常用的有監督學習性能度量方法。了解線性模型的原理。掌握線性回歸和邏輯回歸的實現方法。了解k近鄰分類的原理。掌握k近鄰分類的實現方法。了解決策樹的原理。掌握決策樹的實現方法。了解支持向量機的原理。掌握支持向量機的實現方法。了解樸素貝葉斯的原理。掌握樸素貝葉斯的實現方法。了解神經網絡的原理。掌握神經網絡的實現方法。了解集成學習的原理。掌握集成學習的實現方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。性能度量有什么作用?什么預測目標屬于回歸？如何進行分類？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。不同的性能度量方法有什么差異？K最近鄰怎么判斷最近的是哪個？決策樹如何決策？集成學習有什么優缺點？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。什么情況下精確率和召回率更有意義？神經網絡還有哪些種類？如何判斷模型是否過擬合？主要知識點、重點與難點主要知識點常用的性能度量方法。線型模型的原理和實現過程。k近鄰分類的原理和實現過程。決策樹的原理和實現過程。支持向量機的原理和實現過程。樸素貝葉斯的原理和實現過程。神經網絡的原理和實現過程。集成學習的原理和實現過程。重點常用的性能度量方法。線型模型的原理和實現過程。決策樹的原理和實現過程。支持向量機的原理和實現過程。神經網絡的原理和實現過程。集成學習的原理和實現過程。難點決策樹的原理和實現過程。支持向量機的原理和實現過程。神經網絡的原理和實現過程。集成學習的原理和實現過程。教學過程設計理論教學過程有監督學習的概念、常見算法和應用場景。常用的性能度量方法。線型模型的原理。k近鄰分類的原理。決策樹的原理。支持向量機的原理。樸素貝葉斯的原理。神經網絡的原理。集成學習的原理。實驗教學過程線型模型的實現過程。常用的性能度量方法的實現過程。k近鄰分類的實現過程。決策樹的實現過程。支持向量機的實現過程。樸素貝葉斯的實現過程。神經網絡的實現過程。集成學習的實現過程。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第5章無監督學習教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：8學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標首先介紹無監督學習的概念。而后介紹降維的概念，分別介紹PCA和核化線性降維的原理和實現方法。之后介紹常見的無監督算法，包括性能度量指標、距離計算的原理、原型聚類、密度聚類和層次聚類，并分別舉例說明算法對應的常用實現方法。基本要求了解無監督學習的概念。了解降維的概念和原理。掌握PCA和核化線性降維的實現方法。掌握常用的無監督學習性能度量方法。了解距離計算的原理。了解原型聚類的原理。掌握K均值、學習向量量化和高斯混合聚類的實現方法。了解密度聚類的原理。掌握密度聚類的實現方法。了解層次聚類的原理。掌握層次聚類的實現方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。降維有什么作用?如何進行無監督聚類？如何評價無監督學習模型的效果？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。不同的性能度量方法有什么差異？K均值聚類怎么判斷的對象屬于哪個類？密度聚類有什么優勢？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。如何確定K均值聚類的聚類數？如何優化聚類模型？主要知識點、重點與難點主要知識點PCA和核化線性降維的原理和實現過程。常用的無監督算法性能度量方法。原型聚類的原理和實現過程。密度聚類的原理和實現過程。層次聚類的原理和實現過程。重點PCA和核化線性降維的原理和實現過程。常用的無監督算法性能度量方法。原型聚類的原理和實現過程。密度聚類的原理和實現過程。難點PCA和核化線性降維的原理和實現過程。常用的無監督算法性能度量方法。教學過程設計理論教學過程無監督學習的概念。降維的概念。PCA和核化線性降維的原理。常用的性能度量方法。原型聚類的原理。密度聚類的原理。層次聚類的原理。實驗教學過程PCA和核化線性降維的實現過程。原型聚類的實現過程常用的性能度量方法的實現過程。密度聚類的實現過程。層次聚類的實現過程。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第6章智能推薦教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：6學時材料清單《機器學習原理與實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標首先介紹推薦系統的概念和應用領域。而后介紹智能推薦的性能度量方法，分別離線實驗評價指標、用戶調查評價指標和在線實驗評價指標。之后介紹常見的關聯規則算法的原理和實現方法，包括Apriori算法和FP-Growth算法。最后介紹基于用戶和基于物品的協同過濾算法，并分別舉例說明算法對應的實現方法。基本要求了解推薦系統的概念和應用領域。了解常用的智能推薦性能度量方法。了解關聯規則的原理。了解Apriori算法和FP-Growth算法的原理。掌握Apriori算法和FP-Growth算法的實現方法。了解基于用戶和基于物品的協同過濾算法的原理。掌握基于用戶和基于物品的協同過濾算法的實現方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。日常生活中什么地方可以見到推薦系統?如何評價推薦的效果？啤酒與尿布有關聯么？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。不同的性能度量方法有什么差異？怎么判斷兩個對象之間的關聯關系？基于用戶和基于物品的協同過濾的區別在哪？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。如何確定關聯規則的置信度的閾值？如何解決推薦的冷啟動問題？主要知識點、重點與難點主要知識點推薦系統的概念和應用領域。常用的智能推薦性能度量方法。關聯規則的原理。Apriori算法和FP-Growth算法的原理和實現方法。基于用戶和基于物品的協同過濾算法的原理和實現方法。重點常用的智能推薦性能度量方法。Apriori算法和FP-Growth算法的原理和實現方法。基于用戶和基于物品的協同過濾算法的原理和實現方法。難點Apriori算法和FP-Growth算法的原理和實現方法。基于用戶和基于物品的協同過濾算法的原理和實現方法。教學過程設計理論教學過程推薦系統的概念和應用領域。常用的智能推薦性能度量方法。關聯規則的原理。Apriori算法和FP-Growth算法的原理。基于用戶和基于物品的協同過濾算法的原理。實驗教學過程Apriori算法和FP-Growth算法的實現方法。基于用戶和基于物品的協同過濾算法的實現方法。常用的智能推薦性能度量的實現。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第7章市財政收入分析教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：6學時材料清單《機器學習原理與實戰》教材。配套PPT。數據。代碼。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標主要介紹原始數據的相關性分析、特征的選取、構建灰色預測和支持向量回歸預測模型、模型的評價四部分內容。在財政收入相關數據的相關性分析中，采用簡單相關系數對數據進行了分析；在特征選取中，運用廣泛使用的Lasso回歸模型；在模型的構建階段，針對歷史數據首先構建了灰色預測模型，對所選特征的2014年與2015年的值進行預測，然后根據所選特征的原始數據與預測值，建立支持向量回歸模型，得到財政收入的最終預測值。基本要求了解財政收入預測的背景知識，分析步驟和流程。掌握相關性分析方法與應用。掌握用Lasso模型特征選取方法。掌握灰色預測和支持向量回歸算法的原理與應用。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。市財政收入的構成是什么？影響財政收入的相關因素有哪些？市財政收入預測的意義在哪里？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。相關性分析的使用場景有哪些？Lasso回歸使用場景有哪些？為何要提取關鍵特征？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。除了SVR還有很多回歸算法，能否使用其他回歸算法解決該需求？國家數據網有很多類似數據，能否預測某個省的財政收入呢？主要知識點、重點與難點主要知識點財政收入預測的背景知識，分析步驟和流程。相關性分析方法與應用。用Lasso模型特征選取方法。灰色預測和支持向量回歸算法的原理與應用。重點財政收入預測的步驟和流程。相關性分析方法與應用。使用Lasso模型選取特征。灰色預測算法的原理與使用。支持向量回歸算法的原理與使用。難點使用Lasso模型選取特征。灰色預測算法的原理與使用。支持向量回歸算法的原理與使用。教學過程設計理論教學過程分析財政收入預測背景。了解財政收入預測的方法。熟悉財政收入預測的步驟與流程。了解相關性分析。分析計算結果。了解Lasso回歸方法。分析Lasso回歸結果。了解灰色預測算法。了解SVR算法。分析預測結果。實驗教學過程分析財政收入數據特征的相關性。使用Lasso回歸選取財政收入預測的關鍵特征。使用灰色預測和SVR構建財政收入預測模型。評價SVR模型。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第8章基于非侵入式電力負荷監測與分解的電力分析教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：6學時材料清單《機器學習原理與實戰》教材。配套PPT。數據。代碼。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標主要介紹電力分項計量的背景知識、原始數據的可視化分析與缺失值的處理、特征的篩選和構建、構建k近鄰模型分類預測模型、模型的性能度量5部分內容。在原始數據的可視化分析，采用折線圖對特征的變化規律進行了分析；在特征篩選與構建中，依據可視化分析的結果進行特征的篩選與構建；在模型的構建階段，利用特征工程所建立的特征庫訓練模型，得到最終的分類預測結果。基本要求了解基于非侵入式負荷監測與分解的電力分析的背景知識，分析步驟和流程。掌握折線圖的應用。掌握特征篩選與構建特征的方法。掌握k近鄰分類算法的原理與應用。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。電力分析計量是什么？不同設備的用電區別有哪些？預測設備種類的意義在哪里？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。折線圖的使用場景有哪些？處理缺失值有哪些方法？為何要建立特征庫？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。除了K近鄰還有很多分類算法，能否使用其他分類算法解決該需求？用電設備有很多類似的地方，能否預測某品牌的設備呢？主要知識點、重點與難點主要知識點基于非侵入式負荷監測與分解的電力分析的背景知識，分析步驟和流程。折線圖應用。缺失值的處理方法。特征選取和構建的方法。K近鄰分類算法的原理與應用。重點基于非侵入式負荷監測與分解的電力分析的步驟和流程。特征選取和構建的方法。K近鄰分類算法的原理與應用。難點特征選取和構建的方法。K近鄰分類算法的原理與應用。教學過程設計理論教學過程了解電力分項計量的背景知識。熟悉基于非侵入式負荷監測與分解的電力分析的步驟與流程。分析繪制的折線圖。了解處理缺失值的思路。了解判別特征庫的構建思路。了解K近鄰分類算法。分析預測結果。實驗教學過程分析不同數據特征的變化規律。結合折線圖和背景知識構建判別特征庫。使用k近鄰分類算法構建設備分類預測模型。評價k近鄰分類模型。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第7章航空公司客戶價值分析教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：6學時材料清單《機器學習原理與實戰》教材。配套PPT。數據。代碼。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標重點結合航空公司客戶價值分析的案例介紹K-Means聚類算法在客戶價值分析中的應用。此外，介紹基于RFM客戶價值分析模型的不足，使用K-Means算法構建航空客戶價值分析LRFMC模型，詳細的描述數據分析的整個過程。基本要求了解RFM模型的基本原理。掌握K-Means算法的基本原理與使用方法。比較不同類別客戶的客戶價值，制定相應的營銷策略。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。什么樣的客戶是航空公司的高價值客戶？航空公司能夠提供什么樣的數據？為什么航空公司要做客戶價值分析？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。RFM模型對應的特征在本案例中是什么？為什么RFM模型不能夠很好區分用戶？為何KMeans可以用作客戶分類？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。除了RFM模型外還有什么用于客戶分類的模型？除了KMeans還有什么算法能夠用于客戶分類？主要知識點、重點與難點主要知識點RFM模型的基本原理。K-Means算法的基本原理與使用方法。比較不同類別客戶的客戶價值，制定相應的營銷策略。重點航空客戶價值分析的步驟和流程。RFM模型的基本原理。K-Means算法的基本原理與使用方法。比較不同類別客戶的客戶價值。難點RFM模型的基本原理。KMeans算法的基本原理與使用方法。教學過程設計理論教學過程分析航空公司現狀。認識客戶價值分析。熟悉航空客戶價值分析的步驟與流程。處理缺失值與異常值。構建愛你航空客戶價值分析關鍵特征。標準化LRFMC5個特征。了解K-Means聚類算法。分析聚類結果。模型應用。實驗教學過程處理數據缺失值與異常值。構建航空客戶價值分析的關鍵特征。標準化LRFMC5個特征。構建K-Means聚類模型。評價K-Means聚類模型。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械工業出版社．2015．[2] 張良均．Python與數據挖掘[M]．北京：機械工業出版社．2016．[3] 黃紅梅，張良均．Python數據分析與應用[M]．北京：人民郵電出版社．2018．[4] 林耀進，張良均．Python機器學習編程與實戰[M]．北京：人民郵電出版社．2020．

第10章廣電大數據營銷推薦教案課程名稱：機器學習原理與實戰課程類別：必修適用專業：大數據技術類相關專業總學時：64學時（其中理論34學時，實驗30學時）總學分：4.0學分本章學時：6學時材料清單《機器學習原理與實戰》教材。配套PPT。數據。代碼。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標重點結合廣電大數據營銷推薦的案例介紹協同過濾推薦算法在營銷中的應用。主要分為5個部分進行介紹，包括廣播電視營銷推薦的背景、對原始數據的清洗和探索分析、構建用戶畫像的標簽特征和爬取節目信息、構建推薦模型。為了實現較好的推薦效果，采用了并行的組合方法進行推薦，包括基于物品的協同過濾算法的推薦模型、基于SimpleTagBasedTF-IDF算法的標簽推薦模型和Popular流行度推薦模型。最后對模型性能進行度量，對結果進行分析。基本要求了解廣電大數據營銷案例的背景、數據說明和分析目標。掌握常用的數據清洗方法，對收視行為、賬單、收費、訂單和用戶狀態數據進行數據清洗。掌握常用的數據探索方法，對數據進行分布分析、對比分析和貢獻度分析。掌握常用的特征構造方法，構建用戶畫像標簽。掌握聚類算法的應用方法，對客戶進行價值分析，構建用戶忠誠度標簽。熟悉基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法，構建推薦模型。掌握推薦系統的評價方法，對構建的推薦模型進行性能度量。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。不同的人看電視時都有哪些偏好？廣播電視運營公司能夠提供什么樣的數據？為什么要給用戶推薦電視節目？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。如何建立用戶畫像？為什么單一模型的推薦效果不好？如何解決推薦系統的冷啟動問題？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。還有什么用于推薦的模型？如何測試推薦系統的實際效用？主要知識點、重點與難點主要知識點廣電大數據營銷案例的背景、數據說明和分析目標。常用的數據清洗方法。分布分析、對比分析和貢獻度分析。構建用戶畫像標簽的方法。基于聚類算法的客戶價值分析。基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法。推薦系統的評價方法。重點構建用戶畫像標簽的方法。基于聚類算法的客戶價值分析。基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法。難點構建用戶畫像標簽的方法。基于聚類算法的客戶價值分析。基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法。教學過程設計理論教學過程分析廣播電視行業現狀。了解數據概況。熟悉廣電大數據營銷推薦的步驟與流程。數據清洗。構建用戶畫像標簽特征。基于聚類算法進行客戶價值分析。了解基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法。分析推薦模型的性能和結果。實驗教學過程數據清洗。構建用戶畫像標簽特征。基于聚類算法進行客戶價值分析。分別構建基于物品的協同過濾算法、TF-IDF算法和Popular流行度算法的推薦模型。分析推薦模型的性能和結果。教材與參考資料教材何偉，張良均．機器學習原理與實戰[M]．北京：人民郵電出版社．2021．參考資料[1] 張良均．Python數據分析與挖掘實戰[M]．北京：機械