Python机器学习编程与实战教学教案38.docx

第1章Python概述教案课程名称：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学分本章学时：3学时一、材料清单(1) (Python机器学习编程与实战教材。(2)配套 PPT。(3)引导性提问。(4)探究性问题。(5)拓展性问题。二、教学目标与基本要求1.教学目标通过阐述Python语言的特性，说明使用Python进行机器学习的优势，并列举说明Python 与机器学习相关的常用依赖库的功能。紧接着阐述Python环境的配置方法，简要介绍Python 集成开发环境-Anaconda,实现在Windows系统下安装Anaconda环境，并同时介绍Jupyter Notebook的使用方法。之后介绍Python的基础知识，包括固定语法、运算符、数据类型、 输入/输出操作与文件I/Oo最后介绍Python中控制语句和函数的使用方法。2 .基本要求16.基本要求(10)掌握Series常用属性与方法。(11)掌握DataFrame常用属性与方法。(12)掌握Index常用属性与方法。(13)掌握DataFrame的常用索引方法。(14)掌握DataFrame的常用排序方法。(15)掌握DataFrame的常用合并方法。(16)掌握基础时间数据处理方法。(17)掌握文本数据的基本操作和索引方法。(18)掌握category分类型数据的基本操作方法。十五、问题17 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(7) DataFrame和数组有什么相似之处？(8) DataFrame的索引方式和Excel有什么相似和不同之处？18 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。(6) Series与Index有什么不同之处？(7)时间数据中存在哪些信息？(8) loc和iloc方法有什么区别？19 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。(5)横向、纵向和主键堆叠分别适合哪些场景使用？(6)为什么索引的时候有loc和iloc,设计者的意何在？十六、主要知识点、重点与难点20 .主要知识点Series常用属性与方法。(9) DataFrame常用属性与方法。(10) Index常用属性与方法。(11) DataFrame的常用索引、排序和合并方法。(13)基础时间数据处理方法。(14)文本数据的基本操作和索引方法。(15) category分类型数据的基本操作方法21.重点Series常用属性与方法。(1) DataFrame常用属性与方法。(2) Index常用属性与方法。(3) DataFrame的常用索引、排序和合并方法。(22) .难点(1)基础时间数据处理方法。(2)文本数据的基本操作和索引方法。十七、教学过程设计(23) .理论教学过程(19)介绍Series常用属性。(20)介绍Series查改增删方法。(21)介绍DataFrame常用属性。(22)介绍DataFrame查改增删方法。(23)介绍Index常用属性。(24)介绍Index查改增删方法。(25)介绍DataFrame的常用索引方法。(26)介绍DataFrame的常用排序方法。(27)介绍DataFrame的常用合并方法。(28)介绍基础时间数据处理方法。(29)介绍文本数据的处理方法。(30)介绍category分类型数据的处理方法。(24) .实验教学过程(12)创建Series对象。(13)查看Series对象的常用属性。(14)查改增删Series对象。(15)仓II建 DataFrame 对象。(16)查看DataFrame对象的常用属性。(17)查改增删DataFrame对象。(18)创建Index对象。(19)查看Index对象的常用属性。(20)查改增删Index对象。(21)访问DataFrame中的单列、单列多行和多列多行数据。(22)使用loc和iloc对DataFrame中的数据进行索引。(23)对DataFrame中的数据进行排序。(24)将DataFrame中的数据横向堆叠、纵向堆叠和主键合并。(25)转换字符串时间为标准时间。(26)提取时间序列数据信息。(27)加减时间数据。(28)替换指定位置的文本内容。(29)创建category并进行查改增删。十八、教材与参考资料25 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.26.参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云，2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战(第2版)M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第4章pandas进阶教案课程名称：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学分本章学时：8学时十九、材料清单Python机器学习编程与实战教材。(21)配套 PPT。(22)数据(23)代码(24)引导性提问。(25)探究性问题。(26)拓展性问题。二十、教学目标与基本要求.教学目标介绍文本文件，Excel数据和数据库数据三种常用的数据读取与写入方式。介绍 DataFrame的常用描述性统计分析方法。介绍时间序列的移动窗口方法。剖析分组聚合方法 groupby的原理，用法和三种分组计算方法。展现透视表与交叉表的制作方法。介绍缺失值 与重复数据的检测和处理方法。介绍连续型数据离散化的方法和类别型数据的哑变量处理方 法。为使用pandas进行机器学习中的数据准备工作打下基础。27 .基本要求(19)掌握常见的数据读写方式。(20)掌握常用的描述性统计分析方法。(21)掌握移动窗口的方法。(22)掌握分组聚合的原理与方法。(23)掌握透视表与交叉表的制作。(24)掌握缺失值与重复数据的检测和处理方法。(25)掌握连续型数据离散化的方法。(26)掌握哑变量处理类别型数据的方法。二十一、问题28 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(9)常见的结构化数据读取方式有哪些？(10)常见的描述性统计分析指标有哪些？(11) Excel透视表如何制作？29 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。(9)读取数据库数据为什么需要别的库？(10)重复值是否一定要处理？(11)以百万级的数据为例，Excel制作透视表和Python制作透视表哪个速度更快？30 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。(7)能否读取word数据，该如何做？(8)除了哑变量处理外，还有那些方法可以处理离散型特征？(9)能否将这些方法写成自定义函数？二十二、主要知识点、重点与难点31 .主要知识点(16)常见的数据读写方式。(17)常用的描述性统计分析方法。(18)时间序列的移动窗口方法。(19)分组聚合的原理与方法。(20)透视表与交叉表的制作。(21)缺失值的检测与处理。(22)重复值的检测与处理。(23)连续型特征离散化。(24)类别型特征哑变量处理。32 .重点(6)常见的数据读写方式。(7)常用的描述性统计分析方法。(8)分组聚合的原理与方法。(9)透视表与交叉表的制作。(10)缺失值的检测与处理。(11)重复值的检测与处理。(12)连续型特征离散化。(13)类别型特征哑变量处理。34 .难点(1)常见的数据读写方式。(2)分组聚合的原理与方法。(3)透视表与交叉表的制作。(4)类别型特征哑变量处理。二十三、教学过程设计35 .理论教学过程(31)读写文本文件。(32)读写Excel文件。(33)读写数据库数据。(34)介绍DataFrame的常用描述性统计分析方法。(35)使用rolling方法移动窗口。(36)使用groupby方法拆分数据。(37)使用agg方法聚合数据。(38)使用apply方法聚合数据。(39)使用transform方法聚合数据。(40)使用povit_table函数创建透视表。(41)使用crosstab函数创建交叉表。(42)检测与处理缺失值。(43)检测与处理重复值。(44)离散化连续型数据。(45)哑变量处理类别型数据。36 .实验教学过程(30)读写文本文件。(31)读写Excel文件。(32)读写数据库数据。(33)描述分析DataFrame数据。(34)移动窗口时间序列。(35)使用groupby方法拆分数据。(36)使用agg、叩ply、transform方法聚合数据。(37)制作透视表。(38)制作交叉表。(39)检测与处理重复值、缺失值。(40)离散化连续型数据。(41)哑变量处理类别型数据。二十四、教材与参考资料37 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.38 .参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云， 2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战(第2版)M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第5章Matplotlib基础绘图教案课程名称：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学分本章学时：7学时二十五、材料清单7) Python机器学习编程与实战教材。(28)配套 PPT。(29)数据。(30)代码。(31)引导性提问。(32)探究性问题。(33)拓展性问题。二十六、教学目标与基本要求.教学目标先介绍pyplot绘图的基本语法，常用参数。介绍分析特征间相关关系的散点图，分析 特征间趋势关系的折线图，分析特征内部数据分布的直方图和饼状图，以及分析特征内部数 据分散情况的箱线图。为后续深入学习Matplotlib数据可视化打下了深厚的基础。39 .基本要求了解Python语言的特性。(1) 了解Python的常用依赖库。(2) 掌握Windows系统下Anaconda的安装。(3) 掌握Jupyter Notebook的使用方法。(4) 熟悉Python的基础知识熟悉Python中的控制语句和函数的使用方法三、问题1 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(1) Python语言有哪些优点与缺点？(2)固定语法有什么作用？2 探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。(1) Jupyter Notebook 有哪些优缺点？(2) Python的固定语法有什么特色？3 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。(1)Python语言用于机器学习有哪些优势？(2) Python运算符优先级与数学中的运算符优先级有哪些不同？（27）掌握pyplot常用绘图参数调节。（28）掌握子图的绘制方法。（29）掌握散点图和折线图的作用与绘制方法。（30）掌握直方图和条形图的作用与绘制方法（31）掌握饼图的作用与绘制方法。（32）掌握箱线图的作用与绘制方法。二十七、问题41.引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。（12）图形和文字哪一种更容易让大脑记住？（13）常见的统计学图形有哪些？（14）不同的图形所表示的意义是否相同？42 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。（12）散点图，折线图的主要功能是什么，有什么异同点？（13）饼图，直方图，条形图的主要功能是什么，有什么异同点？（14）箱型图的主要功能是什么？43 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。(10)能否绘制一个雷达图，该怎么做？(11)如何将本班同学的数据做可视化？二十八、主要知识点、重点与难点44 .主要知识点pyplot常用绘图参数调节。(26)子图的绘制方法。(27)散点图和折线图的作用与绘制方法。(28)直方图和条形图的作用与绘制方法(29)饼图的作用与绘制方法。(30)箱线图的作用与绘制方法。45 .重点pyplot的基础语法。(15)散点图和折线图的作用与绘制方法。(16)直方图、条形图、饼图和箱线图的作用与绘制方法。46 .难点(1)子图的绘制方法。(2)散点图和折线图的作用与绘制方法。(3)直方图、条形图、饼图和箱线图的作用与绘制方法。二十九、教学过程设计47 .理论教学过程pyplot的基础语法。（47）设置pyplot的动态rc参数。（48）绘制散点图。（49）绘制折线图。（50）绘制直方图。（51）绘制条形图。（52）绘制饼图。（53）绘制箱线图。48 .实验教学过程（42）设置pyplot的动态rc参数。（43）绘制散点图；绘制折线图。（44）绘制直方图；绘制条形图。（45）绘制饼图。（46）绘制箱线图。三十、教材与参考资料49 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.50 .参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云， 2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战（第2版）M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第 6 章 scikit-learn教案课程名称：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学分本章学时：11学时三十一、材料清单Python机器学习编程与实战教材。(35)配套 PPT。(36)数据。(37)代码。(38)引导性提问。(39)探究性问题。(40)拓展性问题。三十二、教学目标与基本要求.教学目标介绍数据标准化、归一化和二值化。介绍独热编码和常用降维方法。重点介绍聚类、分 类和回归三类sklearn的基本任务对应的建模方法及实现过程。同时，每一类又有对应的多 种评估方法，能够评价所构建模型的性能优劣。通过这一章的学习，基本能够掌握常用的模 型构建与评估方法，可在以后的实际案例应用过程中采用适当的算法并按所介绍的步骤实现 综合应用。51 .基本要求（33）掌握数据标准化的常用方法。（34）掌握数据归一化的方法。（35）掌握数据二值化的方法。（36）掌握独热编码的方法。（37）使用skleam转换器进行降维。（38）使用sklearn估计器构建分类模型。（39）使用sklearn估计器构建回归模型。（40）使用sklearn估计器构建聚类模型。（41）掌握数据集划分的方法。（42）掌握交叉验证和自动调参的方法。（43）熟悉分类、回归、排序和聚类评价函数。三十三、问题52 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。（15）常见的模型算法使用场景有哪些？（16）不同的场景之间有什么区别？（17） scikit-leam 名字的由来？54 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。（15）聚类和分类的区别是什么？（16）回归和分类的区别又是什么？55 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。（12）不同的算法，可解释性不同，能否挑选一种可解释性强的算法对算法结果进行 解释？（13）除了 PCA降维以外，可以使用RandomForest模型进行特征的筛选，该如何做？三十四、主要知识点、重点与难点56 .主要知识点（31）标准化数据。（32）归一化数据。（33）二值化数据。（34）独热编码处理类别型数据。（35）数据降维。（36）分类模型的构建。（37）回归模型的构建。（38）聚类模型的构建。（39）数据集划分。（40）交叉验证与自动调参。（41）分类、回归、聚类模型的评价方法。57 .重点（17）标准化数据。（18）独热编码处理类别型数据。(19)数据降维。(20)分类模型的构建。(21)回归模型的构建。(22)聚类模型的构建。(23)数据集划分。(24)分类、回归、聚类模型的评价方法。58 .难点(1)独热编码处理类别型数据。(2)数据降维。(3)分类模型的构建。(4)回归模型的构建。(5)聚类模型的构建(6)数据集划分。(7)交叉验证与自动调参。(8)分类、回归、聚类模型的评价方法。三十五、教学过程设计59 .理论教学过程(54)标准差、离差标准化数据。(55)归一化数据。(56)二值化数据。(57)独热编码数据。(58)数据降维。(59)常用分类算法。(60)常用回归算法。(61)常用聚类算法。(62)数据集划分。(63)交叉验证。(64)自动调参。(65)模型评价方法。60 .实验教学过程(47)使用标准差、离差标准化数据。(48)归一化数据。(49)二值化数据。(50)将类别型数据独热编码。(51)将数据集划分为训练集和测试集。(52)使用PCA、ICA、LDA降维数据。(53)构建Logistic回归、SVM、决策树、KNN、朴素贝叶斯和多层感知机模型。(54)使用交叉验证和自动调参构建随机森林模型。(55)评价构建的随机森林模型和其他分类模型。(56)构建最小二乘回归、岭回归、Lasso回归模型。(57)评价构建的回归模型。(58)构建K-Means、层次聚类、DBSCAN和GMM聚类模型。(59)评价构建的聚类模型。三十六、教材与参考资料61 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.62 .参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云, 2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战（第2版）M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第7章餐饮企业综合分析教案课程名称：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学分本章学时：12学时三十七、材料清单(41) Python机器学习编程与实战教材。(42)配套 PPT。(43)数据。(44)代码。(45)引导性提问。(46)探究性问题。(47)拓展性问题。三十八、教学目标与基本要求.教学目标结合餐饮企业综合分析案例，介绍针对原始数据使用折线图进行统计分析，进行特征选 择筛选掉原始数据中相关性不强的特征、通过特征构建构造RFM特征和客户流失特征，并 重点介绍K-Means聚类算法在客户价值分析中的应用和决策树算法在客户流失预测中的应 用。针对聚类结果，通过雷达图对不同客户群进行价值分析。针对分类预测模型，通过混淆 矩阵等评价方法评价其预测效果。四、主要知识点、重点与难点1 .主要知识点Python的语言特性、基础知识、控制语句与函数。(1) Python常用的机器学习库。(2) Windows 系统下 Anaconda 安装。(3) Jupyter Notebook的基本使用方法。2 .重点Python的语言特性、基础知识、控制语句与函数。(1) Jupyter Notebook 的常用功能。3 .难点Python的控制语句。(1) Python 的函数。五、教学过程设计1 .理论教学过程Python的语言特性。(1) Python机器学习的常用依赖库。(2) Python 的 Anaconda 发行版。(3) 在 Windows操作系统上安装Anaconda。(4) Jupyter Notebook 的基础功能。(5) Python的固定语法。(6) Python的运算符。(7) Python中的数据类型。64 .基本要求了解餐饮企业综合分析的背景知识，分析步骤和流程。（45）掌握使用折线图分析趋势。（46）掌握特征选择和特征构造的方法。（47）掌握使用K-Means算法构建聚类模型的方法。（48）掌握使用决策树算法构建分类模型的方法。（49）掌握进行客户价值分析的方法。（50）掌握评价分类模型效果的方法。三十九、问题65 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。（18）什么样的客户是餐饮企业的高价值客户？（19）餐饮企业能提供什么样的数据？（20）餐饮企'也为什么要做客户价值分析与客户流失预测？66 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。（17） RFM模型对应的特征在本案例中是什么？（18）为什么K-Means可以用作客户分类？（19）应该依据哪些条件判断客户是否会流失？67 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。（14）除了 RFM模型外还有什么用于客户分类的模型?（15）除了 K-Means还有什么算法能够用于客户分类？（16）除了决策树还有什么算法能用于预测客户流失？四十、主要知识点、重点与难点68 .主要知识点（42）餐饮企业综合分析的背景知识，分析步骤和流程。（43）特征选择与特征构造。（44） K-Means算法的使用方法。（45）决策树算法的使用方法。（46）客户价值分析的方法。（47）分类模型的评价方法。69 .重点（25）餐饮企业综合分析的步骤和流程。（26）特征选择与特征构造。（27） K-Means算法的使用方法。（28）决策树算法的使用方法。（29）客户价值分析的方法。70 .难点K-Means算法的使用方法。（2）决策树算法的使用方法。（3）客户价值分析的方法。四十一、教学过程设计7L理论教学过程6） 了解餐饮企业综合分析的背景。（67）熟悉餐饮企业综合分析的流程。（68）掌握分析变化趋势的方法。（69）掌握筛选相关性不强特征的方法。（70）掌握构建RFM特征的方法。（71）掌握构建客户流失特征的方法。（72）掌握K-Means算法的使用方法。（73）掌握决策树算法的使用方法。（74）掌握客户价值分析的方法。（75）掌握评价分类模型的方法。72 .实验教学过程（60）绘制折线图分析变化趋势。（61）筛选掉原始数据中部分相关性不强的特征。（62）构建RFM特征。（63）构建客户流失特征。（64）使用K-Means算法构建聚类模型。（65）使用决策树算法构建分类预测模型。（66）针对聚类结果进行客户价值分析。（67）评价分类预测模型的效果。四十二、教材与参考资料73 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.74 .参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云， 2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战（第2版）M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第8章通信运营商客户流失分析与预测教案课程名称：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学分本章学时：12学时四十三、材料清单(48) Python机器学习编程与实战教材。(49)配套 PPT。(50)数据。(51)代码。(52)引导性提问。(53)探究性问题。(54)拓展性问题。四十四、教学目标与基本要求.教学目标结合通信运营商提供的数据，介绍通信运营商客户流失分析与预测的背景、分析步骤和 流程。介绍对原始数据进行去重和降维的方法。介绍原始数据中缺失值与异常值的检测与处 理。介绍独热编码处理数据的方法。介绍合并处理后的数据和划分数据集的方法。重点介绍 使用MLP算法构建用户流失预测模型。最后介绍预测模型的评价方法。75 .基本要求了解通信运营商客户流失分析与预测的背景、分析步骤和流程。（52）掌握数据去重的方法。（53）掌握数据降维的方法。（54）掌握缺失值与异常值的检测与处理方法。（55）掌握独热编码的使用方法。（56）掌握数据合并的方法。（57）掌握数据集划分的方法。（58）掌握MLP算法的使用方法。（59）掌握分类模型的评价方法。四十五、问题76 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问 题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。（21）为什么通信运营商的客户会发生流失？（22）将要流失的客户会有什么行为？77 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的 基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课 文中又是重要的问题加以设问。（20）数据中的缺失值是否都需要进行处理？（21）对数据进行降维有什么影响？78 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提 出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问 题。（17）采取哪些措施能够挽留即将流失的用户？（18）除了 MLP选用其他分类算法是否会有更好的效果？四十六、主要知识点、重点与难点79 .主要知识点（48）通信运营商客户流失分析与预测的背景、分析步骤和流程。（49）数据去重的方法。（50）数据降维的方法。（51）缺失值与异常值的检测与处理方法。（52）独热编码的使用方法。（53）数据合并的方法。（54）数据集划分的方法。（55） MLP算法的使用方法。（56）分类模型的评价方法。80 .重点（30）数据去重的方法。（31）数据降维的方法。（32）缺失值与异常值的检测与处理方法。（33）独热编码的使用方法。81 4） MLP算法的使用方法。（35）分类模型的评价方法。82 .难点（1）独热编码的使用方法。（1） MLP算法的使用方法。四十七、教学过程设计83 .理论教学过程（76）介绍通信运营商客户流失分析与预测的背景。（77）熟悉分析步骤与流程。（78）掌握原始数据的去重方法。（79）掌握原始数据的降维方法。（80）掌握原始数据中缺失值与异常值的处理方法。（81）掌握合并处理后数据的方法。（82）掌握独立编码的使用方法。（83）掌握数据集划分的方法。（84）掌握使用MLP构建分类预测模型的方法。（85）掌握评价分类模型效果的方法。84 .实验教学过程（68）对原始数据进行去重。（69）对数据进行降维。（70）检测数据中的缺失值和异常值并进行处理。（71）合并处理后的数据。（72）对数据进行独热编码。（73）将数据划分为训练集和测试集。（74）使用MLP构建分类模型。（75）对模型效果进行评价。四十八、教材与参考资料85 .教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.86.参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云， 2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战（第2版）M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.(9) Python I/OoPython的控制语句。(10) Python 的函数。2.实验教学过程在 Windows/Linux 系统上安装 Anaconda。(1) Jupyter Notebook 的常用功能。(2) Python的基础知识。(3) Python的控制语句。(4) Python 的函数。六、教材与参考资料1.教材林耀进，张良均.Python机器学习编程与实战M.北京：人民邮电出版社.2020.2.参考资料1张健，张良均.Python编程基础M.北京：人民邮电出版社.2018.谭立云，2黄红梅，张良均.Python数据分析与应用M.北京：人民邮电出版社.2018.3张良均.Python数据分析与挖掘实战(第2版)M.北京：机械工业出版社.2019.4李明江，张良均，周东平，张尚佳.Python3智能数据分析快速入门M.北京: 机械工业出版社.2016.5张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第2章NumPy数值计算教案课程名称：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学分本章学时：5学时七、材料清单(6)Python机器学习编程与实战教材。(7)配套 PPT。(8)数据。(9)代码。(10)引导性提问。(11)探究性问题。(12)拓展性问题。八、教学目标与基本要求.教学目标主要介绍NumPy重要的基础内容，包括NumPy的“心脏” ndarray及其索引，生成随 机数，创建矩阵，使用通用函数计算，以及NumPy的常用函数，为后面学习其他库(如pandas) 打下坚实的基础。3 .基本要求(7)掌握NumPy创建多维数组与生成随机数的方法。(8)掌握数组的索引与转换。(9) 了解NumPy中数组矩阵的运算及通用函数的基本使用方法。九、问题5.引导性提问引导性提问需要教师根据教材内容和