《Python大数据分析与挖掘案例实战》教学大纲.pdf

点：卷积神经网络模型的理解和程序实现。3.课程教学要求：（1）了解图像数据处理的基础知识，包括图像读取、颜色特征提取；（2）理解图像处理的算法和程序实现，以及支持向量机在图像识别中的应用；（3）掌握卷积神经网络的原理和程序实现，能应用于水色图像的水质评价。 这门《Python大数据分析与挖掘案例实战》课程主要针对信息与计算科学专业的学生，旨在通过96个学时的教学，使学生具备Python在大数据分析与挖掘领域的实际应用能力。课程分为多个章节，涵盖了金融量化投资分析、地理信息数据处理、地铁客流量预测、文本情感分析和图像识别等多个实际应用场景。 在金融量化投资分析部分，学生将学习如何利用Python对上市公司进行综合评价，运用主成分分析、逻辑回归等方法进行股票选择和量化投资策略设计。此章节强调业务理解和数据预处理，同时要求学生能够实现相应的编程任务。 在众包任务定价优化方案中，课程涉及地理信息数据的处理和可视化，通过主成分分析、神经网络和支持向量机模型解决实际问题。学生需要理解指标设计原理并能编程实现计算。 地铁站点日客流量预测章节则引导学生利用二分法处理地铁刷卡数据，结合天气、星期等因素构建神经网络预测模型。这部分课程要求学生掌握数据处理技巧和预测模型的构建。 微博文本情感分析章节介绍了文本数据的预处理，如分词、去除停用词，以及使用支持向量机和LSTM模型进行情感分析。学生需掌握文本预处理和深度学习模型的编程实现。 基于水色图像的水质评价部分，学生将学习图像处理和颜色特征提取，并使用支持向量机和卷积神经网络进行图像识别。这部分强调了深度学习模型的理解和应用。 这门课程旨在培养学生的Python编程技能，结合大数据分析理论与实践，使他们能够处理和分析不同领域的复杂数据，解决实际问题。通过学习，学生不仅能够理解各个领域的业务背景，还能掌握数据预处理、机器学习模型建立、深度学习模型实现等关键技术，提升其在大数据行业的竞争力。