16 L04：培养学生的编程能力 四、教学内容、要求及进度安排 1 MapReduce处理框架 （4课时） 2 分布式内存处理Spark框架 （6课时） 3 数据可视化综合实验 （6课时） 五、先修课要求及教学方法建议 1.先修课要求：大数据导论、Python、概率论、线性代数、高等数学等 2.教学方法建议：无 六、考核方式 必修课：见考试大纲 选修课要求如下： 1.考核目标：应与课程目标一致 2.考核方式与考核要求 考试、考查及具体方式（如为考试，说明闭卷或开卷考试即可；如为考查， 明确“提交论文、调查报告、实验报告、读书报告”等形式。 3.填写《首都师范大学考试（考查）分析表》，与学生考试试卷或考查的论 文、调查报告、实验报告、读书报告等一并保存五年。（从考试当日开始计算） 七、教材、参考文献与其他教学资源 参考教材：大数据采集与处理 第1版，张雪萍 著，电子工业出版社，2021-09 课程目标 支撑毕业要求指标点 支撑程度 支撑培养目标指标点 支撑程度 LO1 基础知识 H、M 强化数据科学与管理 学理论基础 H、M LO2 基础知识、专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M L03 国情与国际知识、专业知 识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M L04 基础知识、专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M 考核方式 考核要求 比重(%) 对应的课程目标 闭卷考试 平时+期末 平时（40%） 期末（60%） L01、L02、L03、L04、L05
17 八、备注 各院系应有教学大纲修订的制度。上课前须按规定完成修订，并经院系专业 负责人、教学院长批准并报教务处备案后公布大纲。教学须按教学大纲实施，不 允许任课教师随意修订教学大纲和离开大纲要求实施教学。 教学日历须按教学大纲编制，任课教师可以在总学时不变的前提下根据具体 情况适当调整某些章节的教学时数；可以调整参考资料（不能调整教材）；在教 学大纲或考试大纲规定的范围内确定考试方式、试卷结构、成绩评定方式。 《多元统计分析与R建模》教学大纲 一、课程信息 二、课程内容简介 本课程以概率统计课程、线性代数课程为基础，结合计算机编程语言（R语 言）对实际资料数据和信息进行收集、整理和分析。因此，它的原理较为抽象， 对学生的数学基础要求也较高。课程中存在着大量的数学公式、数学符号、矩阵 运算和统计计算。本课程首先介绍多元统计分析的基本概念，例如多元数据的数 学表达，多元数据的直观表示，多元相关与回归分析，线性模型，判别分析、聚 类分析，主成分分析、因子分析等，然后利用R语言进行实战编程，加深学生对 多元统计分析的理解，同时加深学生对R语言工作原理的理解，加强学生的编程 建模能力。 三、课程目标 从课程及其与专业人才培养目标的关系阐述教学目的和要求，要求分解、细 化专业人才培养目标，解释清楚课程目标与毕业要求、专业培养目标的支撑关系。 课程目标须体现课程思政要求，应努力体现国际视野。 L01：加深学生对多元统计分析基本概念的理解 课程名称 (中文) 多元统计分析与R建模 (英文) Multivariate statistical analysis and R modeling 课程编码 3290458 课程性质 ☐必修 ☑选修 课程类型 ☐通识课程 ☑专业课程 适用专业 大数据管理应用专业 开课部门 管理学院 课程负责人 郝博文 学时学分 学分：2 总学时：32 理论：20 实验：6 实践：6 授课语言 中文 先修课程 Python基础、程序设计基础、概率论、线性代数
18 L02：加深学生对R语言工作原理的理解，提升学生的编程能力与建模能力 四、教学内容、要求及进度安排 第1章 多元统计分析概述 (1学时) 1.1 引言 1.2 多元统计分析概述 1.3 统计技术及软件应用 第2章 多元数据的数学表达（2学时） 2.1 多元数据的数学表达 2.2 多元数据的R语言使用 第3章 多元数据的直观表示（2学时） 3.1 数据直观分析的思想 3.2 多元数据的R语言图书 第4章 多元相关与回归分析（2学时） 4.1 相关与回归分析概述 4.2 线性回归分析模型 第5章 广义与一般线性模型（2学时） 5.1 模型的选择 5.2 广义线性模型 5.3 一般线性模型 第6章 判别分析及R使用（4学时） 6.1 线性判别分析 6.2 距离判别分析 6.3 Bayes判别 第7章 聚类分析及R使用（4学时） 7.1 聚类分析介绍 7.2 系统聚类法 7.3 快速聚类法 第8章 主成分分析及R使用（4学时） 8.1 主成分的直观解释 课程目标 支撑毕业要求指标点 支撑程度 支撑培养目标指标点 支撑程度 LO1 专业知识 H、M 强化数据科学与管理 学理论基础 H、M LO2 专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M
19 8.2 主成分性质及使用 第9章 因子分析及R使用（3学时） 9.1 因子分析模型介绍 9.2 因子载荷及旋转 9.3 因子得分及评价 第10章 对应分析及R使用（2学时） 10.1 对应分析的基本原理 10.2 对应分析的计算步骤 第11章 典型相关分析及R使用（2学时） 11.1 典型分析的基本框架 11.2 典型相关的检验与计算 第12章 多维标度法及R使用（2学时） 12.1 MDS的基本理论和方法 12.2 MDS的古典解法及计算 第13章 综合评价方法及R使用（2学时） 13.1 综合评价指标体系构建 13.2 指标体系权重的确定 13.3 数据无量纲化方法 五、先修课要求及教学方法建议 1、教学策略：课堂讲授、案例教学、演示结果 2、方法建议：鼓励学生多多动手实践，重在实际练习，在练习中与学科知 识相结合。 3、先修课要求：电子商务导论、程序设计基础、数据库原理 六、考核方式 选修课：课程大作业结课 七、教材、参考文献与其他教学资源 1.教材： 多元统计分析及R语言建模（第5版），王斌会 著，高等教育出版社，2020-01 2.参考资料： 多元统计分析及R语言建模（第4版），王斌会 著，暨南大学出版社，2016-03 计量经济学模型及R语言应用，王斌会 著，北京大学出版社，2015-05 （ISBN 9787121297335） 2、《Python编程快速上手》（人民邮电出版社，Al Sweigart主编） （ISBN 9787115422699） 3、《Flask Web开发入门、进阶与实战》（机械工业出版社，张学建主编）
20 （ISBN 9787111673170） 《机器学习》教学大纲 一、课程信息 二、课程内容简介 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法 复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获 取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 三、课程目标 从课程及其与专业人才培养目标的关系阐述教学目的和要求，要求分解、细 化专业人才培养目标，解释清楚课程目标与毕业要求、专业培养目标的支撑关系。 课程目标须体现课程思政要求，应努力体现国际视野。 L01：通过介绍机器学习相关知识点，使学生全面理解如何设计算法来模拟或实 现人类的学习行为； L02：通过实训提高学生的动手编程能力； L03：通过实训提高学生的逻辑思维能力； 课程名称 (中文) 机器学习 (英文) Machine Learning 课程编码 3290459 课程性质 ☐必修 ☑选修 课程类型 ☐通识课程 ☑专业课程 适用专业 大数据管理应用专业 开课部门 管理学院 课程负责人 郝博文 学时学分 学分：2 总学时：48 理论：32 实验：8 实践：8 授课语言 中文 先修课程 Python基础、程序设计基础、高等数学、线性代数、概率论 课程目标 支撑毕业要求指标点 支撑程度 支撑培养目标指标点 支撑程度 LO1 专业知识 H、M 强化数据科学与管理 学理论基础 H、M LO2 专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M