(1)培养目标

本课程介绍数据仓库和数据挖掘技术，主要包括数据概念、数据仓库模型、知识类型，数据预处理、数据分类、数据回归、关联挖掘、数据聚类、异常检测、数据可视化等方法，以及大数据挖掘平台的设计与实现。

课程旨在使学生掌握海量数据仓库存储与挖掘的基本原理，利用数据预处理、关联规则挖掘、聚类分析、分类挖掘、异常检测等算法，研制软件工具，解决实际工程中海量数据的高效管理与深度利用问题。

(2)内容设置

[1] 概述

数据挖掘的社会需求、数据挖掘的定义、数据挖掘的分类、数据挖掘的步骤；

[2] 数据仓库与联机分析处理

数据仓库与数据库的区别、数据仓库定义、数据仓库的系统结构、数据仓库的数据组织形式、数据仓库的数据模型、什么是联机分析处理、OLAP的多维数据存储、OLAP的分类；

[3] 数据预处理

为什么要数据预处理、数据清理、数据集成与数据变换、数据归约、数据压缩与数值归约、数据离散化；

[4] 关联规则挖掘

什么是关联规则挖掘、关联规则挖掘示例、Apriori算法、频繁项集生成规则、Apriori算法分析与改进、FP-Growth算法；

[5] 多值关联规则与多层关联规则

什么是多值关联规则、多值关联规则挖掘中的连续属性划分、多值关联规则合并、从下向上的频繁项集搜索方式、自上向下的频繁项集搜索方式、多层关联规则的社会需求、同层关联规则挖掘算法；

[6] 项约束型关联规则

什么是项约束性关联规则挖掘、项约束性关联规则挖掘算法Direct、项约束性关联规则挖掘Direct+；

[7] 分类算法

分类分析的基本思路、决策树分类模型、最近邻KNN、支持向量机SVM、贝叶斯分类；

[8] 聚类分析

距离与相似性度量、划分聚类Kmeans算法、K中心点算法思想、K中心点PAM算法示例、层次聚类分析、密度聚类分析；

[9] 序列模式挖掘

序列模式挖掘的基本原理、序列模式挖掘AprioriAll算法的实现过程、序列模式挖掘AprioriSome算法、序列模式挖掘DynamicSome算法、有时间约束的序列模式挖掘GSP算法原理、有时间约束的序列模式挖掘GSP算法示例。

(3)主要教学方式

本课程教学采用课堂教学和实验相结合、辅以小组讨论和综述报告的教学方式，加强实例教学，以增强学生的学习兴趣，培养学生发现问题并解决问题的能力。

(4)先修课要求

程序设计基础、数据库系统原理、数据结构。