《R语言数据分析》课程教案（全）.docx

《《R语言数据分析》课程教案（全）.docx》由会员分享，可在线阅读，更多相关《《R语言数据分析》课程教案（全）.docx（35页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、R语言数据分析课程教案15.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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。(1)客户价值分析是什么？(2)影响航空公司客户价值的相关因素有哪些？(3)航空公司客户价值分析的意义在哪里？16.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)客户价值分析的使用场景有哪些？(2)航空客户价值分析的步骤与流程有哪些？(3)为何要构建关键特征

2、？17.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)除了 K-Means算法，能否使用其他算法进行客户价值分析？(2)构建K-Means模型时，为何要选取3为聚类数？主要知识点、重点与难点18.主要知识点(1) 了解航空公司现状与客户价值分析。(2)熟悉航空公司客户价值分析的步骤与流程。（3）处理数据的缺失值与异常值。（4）结合RFM模型构建关键特征。（5）标准化构建关键特征后的数据。（6） 了解K-Means算法基本原理。（7）使用K-Means算法对航空客

3、户进行分群。（8）根据分群结果制定营销策略。19 .重点（1）航空公司客户价值分析的步骤与流程。（2）构建关键特征。（3）使用K-Means算法对航空客户进行分群。（4）根据分群结果制定营销策略。20 .难点（1）构建关键特征。（2） K-Means算法的原理与使用。十五、教学过程设计21.理论教学过程（1） 了解航空公司现状。（2） 了解客户价值分析。（3）熟悉航空公司客户价值分析的步骤与流程。（4）处理数据。（5）结合RFM模型构建关键特征。（6） 了解K-Means算法基本原理。（7）使用K-Means算法对航空客户进行分群。（8）根据分群结果制定营销策略。21.理论教学过程（3） 了解

4、航空公司现状。（4） 了解客户价值分析。（3）熟悉航空公司客户价值分析的步骤与流程。（4）处理数据。（5）结合RFM模型构建关键特征。（7） 了解K-Means算法基本原理。（7）使用K-Means算法对航空客户进行分群。（8）根据分群结果制定营销策略。22.实验教学过程(1)处理数据的缺失值与异常值。(2)构建LRFMC五个特征，并进行标准化处理。(3)构建K-Means模型。第4章财政收入预测分析教案十六、材料清单（16）R语言商务数据分析实战教材。（17）配套 PPT。（18）引导性提问。（19）探究性问题。（20）拓展性问题。十七、教学目标与基本要求.教学目标主要介绍原始数据的相关性分

5、析、特征的选取、构建灰色预测和支持向量回归预测模型、 模型的评价四局部内容。在财政收入相关数据的相关性分析中，采用简单相关系数对数据进 行了分析；在特征选取中，运用广泛使用的Lasso回归模型；在模型的构建阶段，针对历史 数据首先构建了灰色预测模型，对所选特征的2014年与2015年的值进行预测，然后根据所 选特征的原始数据与预测值，建立支持向量回归模型，得到财政收入的最终预测值。23 .基本要求了解财政收入预测的背景知识，分析步骤和流程。（6）掌握相关性分析方法与应用。（7）掌握用Lasso模型特征选取方法。（9）掌握灰色预测和支持向量回归算法的原理与应用。十八、问题24 .引导性提问引导性

6、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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。(4)市财政收入的构成是什么？(5)影响财政收入的相关因素有哪些？(6)市财政收入预测的意义在哪里？25 .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。(4)相关性分析的使用场景有哪些？(5) Lasso回归使用场景有哪些？(6)为何要提取关键特征？27 .拓展性问题拓展性问题需要教师深刻理解教材的意义，

7、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。(3)除了 SVR还有很多回归算法，能否使用其他回归算法解决该需求？(4)国家数据网有很多类似数据，能否预测某个省的财政收入呢？十九、主要知识点、重点与难点28 .主要知识点（9）财政收入预测的背景知识，分析步骤和流程。（10）相关性分析方法与应用。（11）用Lass。模型特征选取方法。（12）灰色预测和支持向量回归算法的原理与应用。29 .重点（5）财政收入预测的步骤和流程。（6）相关性分析方法与应用。（7）使用Lasso模型选取特征。（8）灰色预测算法的原理与使用。

8、（9）支持向量回归算法的原理与使用。30 .难点（3）使用Lasso模型选取特征。（4）灰色预测算法的原理与使用。（5）支持向量回归算法的原理与使用。二十、教学过程设计31.理论教学过程（9）分析财政收入预测背景。（10） 了解财政收入预测的方法。（11）熟悉财政收入预测的步骤与流程。（12） 了解相关性分析。（13）分析计算结果。（14） 了解Lasso回归方法。（15）分析Lasso回归结果。（16） 了解灰色预测算法。31.理论教学过程（9）分析财政收入预测背景。（10） 了解财政收入预测的方法。（11）熟悉财政收入预测的步骤与流程。（12） 了解相关性分析。（13）分析计算结果。（14

9、） 了解Lasso回归方法。（15）分析Lasso回归结果。（16） 了解灰色预测算法。17 7) 了解SVR算法。(18)分析预测结果。32 .实验教学过程(4)分析财政收入数据特征的相关性。(5)使用Lasso回归选取财政收入预测的关键特征。(6)使用灰色预测和SVR构建财政收入预测模型。(7)评价SVR模型。第5章金融服务机构资金流量预测教案二十一、材料清单(21)R语言商务数据分析实战教材。(22)配套 PPT。(23)引导性提问。(24)探究性问题。(25)拓展性问题。二十二、教学目标与基本要求.教学目标借助国内某金融服务机构资金流入的数据，介绍时间序列分析法中ARIMA模型在实际

10、工程中的应用过程。对时间序列的平稳性检验、纯随机性检验和模型定阶做详细说明。最后 结合模型的误差与得分，选择相对最优模型，详细地描述数据分析的整个过程。33 .基本要求(8)熟悉金融服务机构资金流量预测的步骤与流程。(9)掌握数据平稳性检验和处理方法，以及纯随机性检验。(10)使用ARIMA模型对资金流量进行预测。二十三、问题35 .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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。(7)金融服务机构现状有哪些？(8)预测的算法有哪些？(9)预测资金流量的意义在哪里？36 .探究性问题探究

11、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。(7)金融服务机构资金流量预测的步骤与流程有哪些？(8) ARIMA模型定阶的方法还有哪些？37 .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)除了 ARIMA模型外，能否使用其他方法预测资金流量？二十四、主要知识点、重点与难点38 .主要知识点(13)分析金融服务机构现状与数据

12、的基本情况。(14)熟悉金融服务机构资金流量预测的步骤与流程。(15)对数据进行平稳性检验和处理的方法。(16)对通过平稳性检验的数据进行纯随机性检验。(17) 了解ARIMA模型的原理。(18) 了解定阶的方式，并识别模型的阶数。(19)建立ARIMA模型，并计算误差与得分。39 .重点(10)金融服务机构资金流量预测的步骤与流程。(11)对数据进行平稳性检验和处理，以及纯随机性检验。(12)识别模型的阶数。(13)建立ARIMA模型，并计算误差与得分。40 .难点识别模型的阶数。二十五、教学过程设计4L理论教学过程(19)分析金融服务机构现状。(20) 了解数据的基本情况。(21)认识资金

13、流量预测。(22)熟悉金融服务机构资金流量预测的步骤与流程。(23) 了解平稳性检验的方法。(24) 了解纯随机性检验的原理。(25) 了解定阶的方式，并识别模型的阶数。(26)建立ARIMA模型，并计算误差与得分。42 .实验教学过程(8)对数据进行平稳性检验和处理。(9)对处理后的平稳序列进行纯随机性检验。(10)对处理后的平稳序列进行模型定阶。第1章R语言数据分析概述一、材料清单（1）R语言商务数据分析实战教材。（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.教学目标根据目前数据分析开展状况，将数据分析具象化。而后介绍数据分析的概念，流程

14、，目 的以及应用场景。阐述使用R语言进行数据分析的优势。列举说明R语言数据分析重要 Packages的功能。1 .基本要求了解数据分析的概念。（1） 了解数据分析的流程。（2） 了解数据分析在实际中的应用。（3） 了解R语言数据分析中常用的Packages。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(11)对模型进行残差检验，并评估模型。第6章P2P信用贷款风险控制教案二十六、材料清单(26)R语言商务数据分析实战教材。(27)配套 PPT。(28)引导性提问。(29)探究性问题。(30)拓展性问题。二十七、教学目标与基本要求.教学目标通

15、过数据分析的方法构建P2P信贷用户还款逾期率模型。重点介绍数据探索和数据清 洗的内容，并深度分析出影响用户还款逾期的重要因素。根据分析结果，为某P2P信贷企 业提出了后期业务改进意见。43 .基本要求(11)熟悉用户逾期预测的步骤与流程。(12)掌握结构化数据探索，并提取其中有效信息的方法与步骤。(13)掌握常见数据预处理方法。(14)熟悉GBM模型构建与参数调节方法。(15)找出影响用户逾期还款的关键因素。(16)使用GBM算法预测用户逾期还款的概率。二十八、问题45 .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，从而到达理解、掌握知识，

16、开展各种能力和提高思想觉悟的目的。（10） P2P信贷行业现状有哪些？（11）怎么控制P2P信贷风险？46 .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） P2P信贷用户逾期预测的步骤与流程有哪些？（10） P2P信贷用户逾期预测的方法还有哪些？47 .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。（6）除了

17、GBM算法外，能否使用其他算法预测P2P信贷用户逾期？二十九、主要知识点、重点与难点48 .主要知识点（20）分析P2P信贷行业所面临的现状。（21） 了解某P2P信贷平台现阶段数据情况。（22）熟悉P2P信贷用户逾期预测的基本流程与步骤。（23）分析用户信息完善程度、用户信息修改情况、区域经济开展情况、借款月份情 况分别与逾期率之间的关系。（24）使用第三方平台信息构建特征。（25）处理类别型特征，插补数值型特征缺失值与筛选冗余特征。（26） 了解GBM算法的基本原理，优缺点和使用场景。（27）使用ROC曲线评价构建完成的GBM模型。（28）分析构建的GBM模型的计算结果。49 .重点P2P

18、信贷用户逾期预测的步骤与流程。（15）分析户信息完善程度、用户信息修改情况、区域经济开展情况、借款月份情况 分别与逾期率之间的关系。（16）使用第三方平台信息构建特征。（17）处理类别型特征，插补数值型特征缺失值与筛选冗余特征。（18）使用ROC曲线评价构建完成的GBM模型。50 .难点处理类别型特征，插补数值型特征缺失值与筛选冗余特征。三十、教学过程设计5L理论教学过程（27）分析P2P信贷行业所面临现状。（28） 了解数据的基本情况。（29）认识资金流量预测。（30）熟悉P2P信贷用户逾期预测的步骤与流程。（31）分析用户信息完善程度、用户信息修改情况、区域经济开展情况、借款月份情况分别与

19、逾期率之间的关系。（32）使用第三方平台信息构建特征。（33）处理类别型特征，插补数值型特征缺失值与筛选冗余特征。（34） 了解GBM算法的基本原理，优缺点，使用场景与R语言函数。（35）使用ROC曲线评价构建完成的GBM模型。（36）分析构建的GBM模型的计算结果。52 .实验教学过程（12）画图分别展示用户信息完善程度、用户信息修改情况、区域经济开展情况、借 款月份情况分别与逾期率的分布。（13）使用第三方平台信息构建特征。（14）对登录信息表和更新信息表进行长宽表转换。（15）针对类别型特征进行字符串处理和哑变量处理。（16）处理数值型数据的缺失值。（17）筛选冗余特征。（18）构建GB

20、M模型，并绘制特征重要性图。（19）评价GBM模型。第7章电子商务网站智能推荐服务教案三十一、材料清单(31)R语言商务数据分析实战教材。(32)配套 PPT。(33)引导性提问。(34)探究性问题。(35)拓展性问题。三十二、教学目标与基本要求.教学目标主要介绍协同过滤算法在电子商务领域中实现用户个性化推荐的应用。通过对用户访问 网页日志的数据进行分析与处理，采用基于物品的协同过滤算法进行建模分析，最后通过模 型评价与结果分析，得到智能推荐模型。53 .基本要求(17)熟悉网站智能推荐的步骤与流程。(18)掌握简单的统计分析方法，运用于网页流量的统计。(19)对某网站数据进行预处理，包括数据

21、去重、数据变换和特征选取。(20)使用协同过滤算法对某网站进行智能推荐。三十三、问题54 .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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。（12）什么是智能推荐？（13）生活中常见的智能推荐服务有哪些？（14）实现智能推荐的算法有哪些？55 .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。（11）网站的推荐流程是怎么样的？（12）协同过

22、滤算法除了基于物品的算法外，还有哪些？56 .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）除了协同过滤算法外，能否使用其他算法预测实现网站的智能推荐？三十四、主要知识点、重点与难点57 .主要知识点9） 了解智能推荐服务应用场景。58 0） 了解某法律网站现状与数据的基本情况。（31）熟悉网站智能推荐的步骤与流程。（32）分析原始数据用户点击的网页类型，得到统计分析结果。（33）根据原始数据用户浏览网页次数的情况进行统计分析。（34）通过原始数据用户在浏览页面

23、时的情况得到网页排名的统计分析。（35）识别翻页的网址，并对其进行还原，然后对用户访问的页面进行去重操作。（36）将数据探索过程中类型归错的数据进行手动网址分类，对处理后的数据进行特 征选取。（37）基于物品的协同过滤算法，计算出物品之间的相似度。（38）根据物品的相似度和用户的历史行为给用户生成推荐列表。（39）对模型进行评价，判断推荐系统的好坏。59 .重点（19）网站智能推荐的步骤与流程。（20）统计网页整体流量状况。（21）基于物品的协同过滤算法，计算出物品之间的相似度。（22）根据物品的相似度和用户的历史行为给用户生成推荐列表。（23）对模型进行评价，判断推荐系统的好坏。59 .难点

24、（1）基于物品的协同过滤算法，计算出物品之间的相似度。（2）根据物品的相似度和用户的历史行为给用户生成推荐列表。三十五、教学过程设计60 .理论教学过程了解智能推荐服务应用场景。（37） 了解某法律网站的基本情况。（39）分析原始数据用户点击的网页类型，得到统计分析结果。（40）根据原始数据用户浏览网页次数的情况进行统计分析。（41）通过原始数据用户在浏览页面时的情况得到网页排名的统计分析。（42）清除数据探索分析过程中发现与目标无关的数据。（43）识别翻页的网址，并对其进行还原，然后对用户访问的页面进行去重操作。（44）将数据探索过程中类型归错的数据进行手动网址分类，对处理后的数据进行特 征

25、选取。（45）基于物品的协同过滤算法，计算出物品之间的相似度。（46）根据物品的相似度和用户的历史行为给用户生成推荐列表。（47）对模型进行评价，判断推荐系统的好坏。61 .实验教学过程（20）使用RMySQL包中的dbConnect连接数据库。（21）统计101、107和199等网页类型。（22）统计用户在网页的点击次数。（23）分析网页排名。（24）删除不符合规那么的网页。（25）还原翻页网址。（26）划分正确的网页类型。（27）将处理后的数据转换成0-1二元型数据。（28）构建智能推荐模型。（29）评价智能推荐模型。第8章电商产品评论数据情感分析教案三十六、材料清单(36)R语言商务数据

26、分析实战教材。(37)配套 PPT。(38)引导性提问。(39)探究性问题。(40)拓展性问题。三十七、教学目标与基本要求.教学目标主要介绍通过R语言进行工程数据爬取，对文本数据进行预处理，分词，去除停用词 等操作，在知网情感词表上进行优化，进行基于词表的情感分析，最后使用LDA主题模型 对正负面评论进行主题分析。62 .基本要求(21)熟悉电商产品评论数据实现情感分析的步骤与流程。63 2) 了解如何使用R语言对互联网信息进行爬取。(23)掌握文本分析的预处理方法。(24)对预处理后的评论数据进行情感分析。(25)使用LDA模型对正、负面评论数据进行主题分析。三十八、问题题，提问，从而到达理

27、解、掌握知识，开展各种能力和提高思想觉悟的目的。(1)数据分析能够做什么？(2)现实生活中存在哪些数据分析技术？(3)该如何进行数据分析？(4) R语言有哪些优势？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)数据分析的完整流程是怎样的？(2)数据分析的能够应用在那些场景？3 3) R语言常用的Packages有哪些？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

28、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)数据分析是不是万能的？(2)分析本班人员的基本信息可以从哪些角度入手？四、主要知识点、重点与难点(1) 要知识点(1)数据分析的概念、流程与应用场景。(2) R语言在数据分析中的优势。(3) R语言常用的Packages。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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。(15)哪里有电商产品评论的数据？(16)情感分析的方法有哪些？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

29、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。(13) LDA模型得到的主题是否还能优化？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。(8)除了文中介绍的获取评论数据的方法外，还有哪些方法库获取评论数据？(9)主题分析除了 LDA模型外，还有哪些？三十九、主要知识点、重点与难点68 .主要知识点了解电商企业现状。(41)熟悉电商评论数据情感分析的步骤与基本流程。(42)掌握获取评论

30、数据的方法。(43)对电商产品评论数据进行预处理，包括行分词处理，去除停用词，查看分词效果。(44)基于情感词表进行情感词匹配，并对情感词的倾向进行修正。(45)对情感分析结果进行检验。(46) 了解主题模型，以及LDA模型原理与参数估计方法。(47)掌握寻找最优主题数的方法。(48)建立相应的LDA模型。(49)分析LDA模型的结果。69 .重点(24)获取网络数据。(25)对电商产品评论数据进行预处理。(26) 了解主题模型，以及LDA模型原理与参数估计方法。(27)掌握寻找最优主题数的方法。(28)建立相应的LDA模型。(29)分析LDA模型的结果。70 .难点(3)掌握寻找最优主题数的

31、方法。(4)分析LDA模型的结果。四十、教学过程设计7L理论教学过程(48) 了解电商企业现状。(49) 了解网络上发布内容的技术和Web文档中提取信息的技术，以获取网络数据。(50)对电商产品评论数据进行预处理，包括行分词处理，去除停用词，查看分词效 果。(51)基于情感词表进行情感词匹配，并对情感词的倾向进行修正。(52)对情感分析结果进行检验。(53) 了解主题模型，以及LDA模型原理与参数估计方法。(54)掌握寻找最优主题数的方法。(55)建立相应的LDA模型。(56)进行LDA主题分析。72 .实验教学过程(30)获取评论页面页面网页源码，循环爬取评论数据。(31)去除评论数据的数字

32、、字母。(32)对评论数据进行去重。(33)对评论数据进行分词处理。(34)根据停用词库去除评论文本中的停用词。(35)绘制词云图，查看分词效果。(36)将情感词表与分词结果进行匹配。(37)对情感值的方向进行修正，并计算情感分析的准确率。(38)分别对正面评论和负面评论绘制词云，查看情感分析效果。(39)对正面情感词与负面情感词构建语料库，并建立文档-词条矩阵。(40)使用LDA主题模型，找出不同主题数下的主题词，寻找最优主题数。(41)输入正面情感与负面情感评论求解LDA模型，并分析结果。第9章餐饮企业综合分析教案四十一、材料清单（41）R语言商务数据分析实战教材。（42）配套 PPT。（

33、43）引导性提问。（44）探究性问题。（45）拓展性问题。四十二、教学目标与基本要求.教学目标主要介绍利用多种模型综合分析餐饮企业，先介绍餐饮企业的现状，对数据进行简单的 统计分析。而后利用ARIMA模型、智能推荐、K-Means模型和决策树模型，对某餐饮企业 的菜品和客户进行不同方面的分析，并针对性地提出相关建议，以提高某餐饮企业的经营收 AZ.o.基本要求（26）熟悉餐饮企业数据分析的步骤与流程。（27） 了解简单的统计分析的应用。（28）使用ARIMA预测销售额。（29）使用协同过滤算法对菜品进行智能推荐。（30）使用Apriori算法对菜品进行关联分析。（31）使用K-Means算法进

34、行客户分群。（32）使用决策树算法进行客户流失预测。四十三、问题75 .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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。（17）目前一般餐饮企业会面临哪些问题？（18）餐饮企业产生的数据有哪些，能做什么分析？76 .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。（14）客户价值分析构建的模型是否还能优化？（15）客户流失预测模型是否还能优

35、化？77 .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）客户流失预测的方法，除了决策树之外，还有哪些方法？四十四、主要知识点、重点与难点78 .主要知识点（50） 了解餐饮企业的数据情况。（51）明确餐饮企业数据分析的流程。（52）使用统计分析方法分析餐饮企业的菜品数据。（53）绘制原序列的时序图，查看序列周期性。（54）检验原序列的平稳性和纯随机性。（55）使用BIC图进行定阶。（56）构建ARIMA模型，并分析预测结果。（57）对订单表特征选取，构建客户

36、ID和菜品名称的二元矩阵。（58）基于物品的协同过滤算法，计算菜品与菜品之间的相似度，并结合客户的历史 行为给目标客户生成推荐列表。（59）基于用户的协同过滤算法，计算客户与客户之间的相似度，并结合客户对菜品 的兴趣给目标客户生成推荐列表。（60）对推荐结果进行评价。（61）根据特征选取后的数据，构建购物篮数据，构建二元矩阵，及关联规那么模型。（62）根据关联规那么模型的置信度，统计得到的热销度和毛利率，及菜品详情表的主推度，计算推荐的综合评分。（63）对原始数据进行处理，提取餐饮客户的3个特征数据。（64）使用K-Means聚类算法对客户进行分群。（65）结合业务对每个客户群进行客户价值分析

37、。（66）合并客户信息表和订单表，构建相关客户流失特征。（67）划分训练集和测试集，构建决策树模型。（68）分析决策树模型的结果。79 .重点（30）使用统计分析方法分析餐饮企业的菜品数据。（31）使用BIC图进行定阶，构建ARIMA模型，并分析预测结果。（32）基于物品的协同过滤算法，计算菜品与菜品之间的相似度，并结合客户的历史 行为给目标客户生成推荐列表。（33）基于用户的协同过滤算法，计算客户与客户之间的相似度，并结合客户对菜品的兴趣给目标客户生成推荐列表o（34）根据特征选取后的数据，构建购物篮数据，构建二元矩阵，及关联规那么模型。（35）使用K-Means聚类算法对客户进行分群，并结

38、合业务对每个客户群进行客户价 值分析。（36）合并客户信息表和订单表，构建相关客户流失特征。（37）划分训练集和测试集，构建决策树模型，并分析决策树模型的结果。80 .难点（5）使用K-Means聚类算法对客户进行分群，并结合业务对每个客户群进行客户价 值分析。（6）合并客户信息表和订单表，构建相关客户流失特征。四十五、教学过程设计8L理论教学过程7） 了解餐饮企业的现状和数据情况。（58）明确餐饮企业数据分析的流程。（59）使用统计分析方法分析餐饮企业的菜品数据。（60）检验原序列的平稳性和纯随机性。（61）使用BIC图进行定阶，构建ARIMA模型，并分析预测结果。（62）基于物品的协同过滤

39、算法，计算菜品与菜品之间的相似度，并结合客户的历史 行为给目标客户生成推荐列表。（63）基于用户的协同过滤算法，计算客户与客户之间的相似度，并结合客户对菜品 的兴趣给目标客户生成推荐列表。（64）根据特征选取后的数据，构建购物篮数据，构建二元矩阵，及关联规那么模型。（65）使用K-Means聚类算法对客户进行分群，并结合业务对每个客户群进行客户价 值分析。（66）合并客户信息表和订单表，构建相关客户流失特征。（67）划分训练集和测试集，构建决策树模型，并分析决策树模型的结果。82.实验教学过程（42）统计每日用餐人数和销售额，计算菜品热销度和毛利率。（43）对原序列进行平稳性检验和纯随机性检验

40、，对ARIMA模型进行定阶，并进行 残差检验，计算平均误差。（44）对订单表和订单详情表进行特征选取，分别使用ItemCF算法和UserCF算法构 建模型，进行离线测试评价。（45）基于特征选取后的数据构建购物篮数据，构建Apriori模型，计算综合评分；再 构建客户价值分析的关键特征，确定聚类数后构建K-Means模型。（46）合并客户信息表和订单表，构建客户流失特征，构建决策树模型，并对模型进行评价。2.重点(1)数据分析的概念、流程与应用场景。2 2) R语言常用的Packages。3 .难点数据分析的概念与流程。五、教学过程设计1 .理论教学过程(1)数据分析的概念。(2)数据分析的流

41、程。(3)数据分析的应用场景。(4)数据分析的常用工具。(5) R语言数据分析的优势。(6) R语言常用的Packageso2 .实验教学过程在Windows系统上安装R语言。第2章商品零售购物篮分析教案六、材料清单（6）R语言商务数据分析实战教材。（7）配套 PPT。（8）引导性提问。（9）探究性问题。（10）拓展性问题。七、教学目标与基本要求.教学目标结合商品零售购物篮的工程，重点介绍关联规那么算法中的Apriori算法在商品零售购物 篮分析案例中的应用。过程中详细分析商品零售的现状与问题，根据某商场的商品零售数据 分析商品的热销程度，通过Apriori算法构建相应模型，并根据模型结果制定

42、销售策略。3 .基本要求5）熟悉购物篮分析的实现流程与步骤。4 6）掌握Apriori算法的基本原理与使用方法。5 7）分析商品销售状况与商品结构合理性。6 8）分析零售商品间的关联关系。八、问题7 .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，从而到达理解、掌握知识，开展各种能力和提高思想觉悟的目的。（5）什么是购物篮分析？（6）零售商品会出现哪些销售状况？（7）购物篮分析的意义是什么？6 .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

43、提问中尚未涉及但在课 文中又是重要的问题加以设问。（4）购物篮分析用到哪些算法？（5）实现购物篮分析的基本流程是什么？（6） Apriori算法的基本原理是什么？7 .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。（3）实现本案例的目标还能使用什么方法？（4）购物篮分析模型中，最小支持度和最小置信度设为其他值，模型的效果会如何？九、主要知识点、重点与难点8 .主要知识点（4）分析某零售企业商品销售现状、基本数据情况。（5）熟悉购物篮分析的基本流程与步骤。(6)使用统计

44、学知识分析热销商品。(7)使用商品结构图分析售出商品的结构。(8) 了解Apriori算法的基本原理与使用方法。(9)构建零售商品的Apriori模型。(10)根据模型结果提出商品销售策略。9 .重点(3)购物篮分析的基本流程与步骤。(4)零售商品的Apriori模型。10 .难点Apriori算法的基本原理与使用方法。十、教学过程设计1L理论教学过程(7)分析零售企业商品销售现状。(8) 了解某商品零售企业的基本数据情况。(9)熟悉购物篮分析的基本流程与步骤。(10)分析热销商品。(11)分析售出商品的结构。(12) T解Apriori算法的基本原理与使用方法。(13)构建零售商品的Apri

45、ori模型。(14)根据模型结果提出商品销售策略。12 .实验教学过程(1)使用统计学知识分析热销商品。(2)使用商品结构图分析售出商品的结构。(3)使用apriori函数构建零售商品的Apriori模型。第3章航空公司客户价值分析教案十一、材料清单(ID R语言商务数据分析实战教材。(12)配套 PPT。(13)引导性提问。(14)探究性问题。(15)拓展性问题。十二、教学目标与基本要求.教学目标结合航空公司客户价值分析的案例，重点介绍数据分析算法中K-Means聚类算法在客 户价值分析中的应用。针对RFM客户价值分析模型的缺乏，使用K-Means算法构建航空客 户价值分析LRFMC模型，详细描述数据分析的整个过程。13 .基本要求(1)熟悉航空公司客户价值分析的步骤与流程。(2) 了解RFM模型的基本原理，以及K-Means算法的基本原理。(3)构建航空客户价值分析的关键特征。(4)比拟不同类别客户的客户价值，制定相应的营销策略。十三、问题