课程编号：			课程性质：	通识教育选修课
课程名称：	数据科学方法与R语言实践		学时/学分：	32/2
英文名称：	Data Science and R Language Practice		考核方式：	开卷
选用教材：	自编讲义		大纲执笔人：	张五六
先修课程：	高等数学，概率论或统计学原理		大纲审核人：
适用专业：	全校师生

 一、 教学目标

数据科学方法与R语言实践以经典数据科学方法，通过R语言进行实践教学的一门课程。通过该课程的学习，可以极大优化理工科，人文社科类学生知识结构，重构数据科学方法思维。同时通过学习R语言在数据科学方法中的数据处理技术，为学生后续学习提供一项数据处理必备技能。

本课程在注重数据科学方法的基础上，精选国际教材、国外著名高校的案例数据，采用开源软件包的R语言编写程序，而练习案例则尽可能结合中国实际，采用国家、地方统计局、高校数据库的数据进行数据科学建模，R语言程序编写，对实际问题进行探索性发现。

在教学中，根据非统计专业选修课的特点，课程突出数据科学在大数据时代发展趋势，强调案例演示的可视化技术，增强课程的趣味性，可阅读性。

 

二、 教学基本内容

基础篇

 

第一章 数据创建与管理            

[主要内容]

（1）数据结构：数组、向量、矩阵、数据框、因子、列表。

（2）数据管理：R/CSV/EXCEL/TXT数据导入与输出；网络数据抓取；数据排序与合并

数据集取子集。

[重点]数据结构、数据输入与导出（TXT,CSV）。

[难点] 数据集取子集（数据保留、丢弃、抽样）。

要求学生：在R软件上直接进行数据结构的练习；在提供的数据集网页数据上，进行数据管理。

第二章 数据基础性分析    

[主要内容]

（1）基本描述统计：集中趋势--均值、众数、中位数、四分位数；离中趋势—方差、峰度、偏度、变异系数。

（2）简单假设检验：均值检验—N、T检验；方差检验。

[重点] 描述统计量的理解与R语言处理。

[难点] 简单假设检验中统计量、及结果的分析。

要求学生：预先复习概率论或统计学原理中相关章节，理清统计量含义，对本章所讲课程有初步了解。课后在提供练习中，使用R语言进行操作。

第三章 数据可视化探索      

[主要内容]

（1）基本图形：条形图（简单的条形图、堆砌条形图和分组条形图、均值条形图、条形图的微调、棘状图）、饼图、直方图、核密度图、箱线图、小提琴、点图。

（2）中级绘图：散点图（散点图矩阵、高密度散点图、三维散点图、气泡图、相关图、马赛克图）、折线图、相关图、马赛克图。

（3）高级图形进阶：R 中的四种图形系统、lattice 包（条件变量、面板函数、分组变量、图形参数、页面摆放）、ggplot2 包、交互式图形（与图形交互、playwith、latticist、iplots 包的交互图形、rggobi）。

[重点] 基本图形、中级图形的理解与R语言上编程作图。

[难点]高级图形进阶中新的工具使用，特别是ggplot2包在可视化中的应用

要求学生：课前预习一些基本的统计图形，如EXCEL中常见图形。课后使用R语言数据包进行练习，并提交第一次可视化图形作业。

第四章 相关性与列联表

[主要内容]

（1）相关--相关的类型、相关性的显著性检验、相关关系的可视化。

（2）列联表--生成频数表、独立性检验、相关性的度量、结果的可视化。

[重点]相关性概念、相关统计量、列联表卡方检验统计量

[难点] 相关性、独立性的检验结果分析

要求学生：课前复习概率的方差、协方差或统计学相关性概念；课后对提供练习题进行R语言程序的编写，并分析结果。

第五章 回归分析与预测

[主要内容]

（1）一元回归、多元回归模型、简单非线性回归模型。

（2）多元回归模型的变量选择方法—逐步回归方法以及模型预测。

（3）回归模型以及变量选择方法的R语言程序。

[重点]回归模型，回归模型的结果分析

[难点]回归模型的建立，回归模型的变量选择

要求学生：课前预习回归模型的基本概念。课后使用R语言数据包，在国家统计局网站http://www.stats.gov.cn/tjsj/ndsj/收集数据进行练习，并提交第二次（相关与回归分析）作业。

第六章 Cox与logistic回归

[主要内容]

（1）Cox模型的背景，模型建立，相关检验。

（2）logistic回归模型背景，模型建立，以及多变量logistic模型的变量选择。

（3）案例分析以及模型R语言程序。

[重点] Cox，logistic回归的建模以模型分析。

[难点] Cox，logistic模型中一些相关的检验统计量。

要求学生：课前预习Cox模型、logistic回归模型的基本概念，应用背景。课后使用R语言数据包，在提供网页抓取数据进行练习。

第七章 主成分与因子分析

[主要内容]

（1）主成分分析的背景、模型、估计、及案例分析。

（2）因子分析的背景、模型、估计、及案例分析。

（3）案例分析的R语言程序包"PCA"、" FactoMineR" 以及结果的可视化。

[重点] 主成分、因子分析的变量选择以及模型建立。

[难点] 因子分析的因子经济含义解读。

要求学生：课前预习主成分分析、因子分析的基本概念，应用背景。课后使用R语言数据包，在国家统计局网页http://www.stats.gov.cn/tjsj/ndsj/收集数据建模，并使用R语言进行编程，分析结果，撰写分析报告。

提高篇

 

第八章 关联分析

[主要内容]

（1）关联规则的定义、Apriori算法。

（2）关联规则R语言软件包"arulesViz"、"arules"。

（3）购物篮子案例分析，R语言程序以及关联规则结果的可视化。

[重点] 公式理解，R语言程序。

[难点] 案例分析结果以及结果的可视化分析。

要求学生：课前预习关联分析的概念及定义。课后使用R语言数据包，在"arules"软件包里data目录下调用数据集，用R语言进行关联规则分析，撰写分析报告。

第九章 聚类分析

[主要内容]

（1）理解聚类分析方法——K-均值聚类、K-中心点聚类、系谱聚类、密度聚类、期望最大聚类。

（2）聚类分析R语言软件包"stats"、"cluster"、"fpc"、"cluster"。

（3）国家婴儿出生率案例分析，R语言程序以及聚类分析结果的可视化。

[重点] 聚类分析类型思想的理解，R语言程序。

[难点] 案例分析结果以及结果的可视化分析。

要求学生：课前预习聚类分析的概念及定义。课后使用R语言数据包，在国家统计局网页http://www.stats.gov.cn/tjsj/ndsj/收集数据建模，并使用R语言进行编程，分析结果，撰写分析报告。

第十章 判别分析

[主要内容]

（1）理解判别分析方法——费希尔判别、贝叶斯判别、距离判别。

（2）判别分析R语言软件包"MASS"、"klaR"、"class"、"kknn"。

（3）鸢尾花数据 案例分析，R语言程序以及聚类分析结果的可视化。

[重点] 判别分析类型思想的理解，R语言程序。

[难点] 案例分析结果以及结果的可视化分析。

要求学生：课前预习判别分析的概念及定义。课后使用R语言数据包，在国家统计局网页http://www.stats.gov.cn/tjsj/ndsj/收集数据建模，并使用R语言进行编程，分析结果，撰写分析报告，并提交第三次（关联、聚类、判别分析其中一个）作业。

第十一章 决策树

[主要内容]

（1）理解决策树CART、C4.5算法。

（2）决策树分析R语言软件包"rpart"、"rpart.plot"、"maptree"、"RWeka"。

（3）汽车测试数据、葡萄酒数据案例分析，R语言程序以及决策树分析结果的可视化。

[重点] 决策树的基本思想，R语言程序。

[难点] 决策树两种算法以及结果的可视化分析。

要求学生：课前预习决策树分析的概念及定义。课后使用R语言数据包，机器学习数据库抓取网络数据fullData<-read.csv("http://archive.ics.uci.edu/ml/machine- learning

-databases/adult/adult.data", header=F)，并使用R语言进行编程，分析结果。

第十二章 随机森林

[主要内容]

（1）理解随机森林的建模、算法。

（2）随机森林分类的R语言软件包install.packages("randomForest)。

（3）机器学习汽车car数据 案例分析，R语言程序以及随机森林分类结果的可视化。

[重点] 随机森林分类型思想的理解，R语言程序。

[难点] 随机森林案例分析结果以及结果的可视化分析。

要求学生：课前预习随机森林分类的概念及定义。课后使用R语言party软件包，调用数据集readingSkills进行建模，并使用R语言进行编程，分析结果。

第十三章 神经网络

[主要内容]

（1）理解神经网络过程的数据处理、建模、预测、预测误差调整四个步骤。

（2）神经网络预测的R语言软件包install.packages("nnet")。

（3）机器学习汽车car数据 案例分析，R语言程序以及随机森林分类结果的可视化。

[重点] 随机森林分类型思想的理解，R语言程序。

[难点] 随机森林案例分析结果以及结果的可视化分析。

要求学生：课前神经网络的概念及定义。课后安装install.packages("datasets")，其软件包中含有数据集：“education” 、“age”  、“parity”、“induced”、“case” 、“spontaneous”、“stratum” 、“pooled.stratum”使用R语言神经网络软件包nnet建模，并使用R语言进行编程，分析结果，撰写分析报告，并提交第四次（决策树、随机森林、神经网络其中一个）作业。

 

三、建议教学进度

 

四、教学方法

1、数据科学课程以案例设疑的方式导入课程，引出问题，再介绍所涉及的数据科学方法，最后使用R语言进行分析。注重案例的选择，突出趣味性、问题的普遍性。理论方面尽量简明扼要，方法方面尽量逻辑清晰。

2、R语言实践方面，按照循序渐进方式进行教学，编程方面提倡从模仿到创新的学习路径。坚持课堂案例学习与课外练习相结合、国外案例与中国实际问题相结合的理念，提高学生的实践、应用、创新能力。

3、小组团队案例分析，完成课程教学大的模块后，布置开放式练习：即给出主题，学生课下自主收集数据，进行建模，数据分析。每次练习抽取做的好的团队在课堂进行简短的PPT演示，其他小组进行点评与建议。

4、通过课内、课外沟通方式，如QQ群、邮箱等及时发现问题、解决问题，提高答疑解惑的效率。

 

五、考核方式

开卷考试

 

六、成绩评定方法

笔试成绩50%，平时成绩50%（课堂表现+案例分析报告）

 

七、教学参考书

1．《Practical Data Science with R》 Nina Zumel /John Mount

2．《R for Data Science》 Dan Toomey

3. 《Practical Data Science Cookbook，R+Python》 Tony Ojeda

4．《Machine Learning with R》Brett  Lantz

5．《Python金融大数据分析》Yves Hilpisch

6. 《R for everyone : advanced analytics and graphics》Jared P. Lander

7. 《ggplot2: Elegant Graphics for Data Analysis》Hadley Wickham

8. 《Python数据分析与挖掘实战》张良均，王路，谭立云，苏剑林，云伟标

9.《数据分析：R语言实战》黄文，王正林

10.《数据挖掘：R语言实战》黄文，王正林

11.《R语言实战――机器学习与数据分析》左飞