数据挖掘课程资源采购项目
· 2022-10-29
数据挖掘课程资源采购项目
竞价公告(JJ22102711292497)
...
说明：各有关当事人对竞价公告内容有异议的，可以在竞价截止时间前通过规定途径提起异议，逾期将视为无异议，不予受理。
采购单位：韶关学院
联系人：张老师
联系电话：0751-8120194
E-mail：[email protected]
传真：无
联系手机：无
邮编：无
质疑电话：0751-8120194
平台联系电话（异议）：020-37619972；[email protected]
项目名称：
数据挖掘课程资源采购项目
竞价编号：
JJ22102711292497
采购类型：货物类
开始时间：2022-10-29 15:42:38
项目预算(元)：30,000.00
结束时间：2022-11-01 16:29:00
一、基本信息
| 竞价编号：JJ22102711292497 | |
| 项目名称：数据挖掘课程资源采购项目 | |
| 项目预算(元)：30,000.00 | 报价方式： 总价报价 |
| 采购单位：韶关学院 | 联系人：张老师 |
| 最少报价家数：3 | 联系电话：0751-8120194 |
| 联系手机：无 | 电子邮箱：[email protected] |
| 异议反馈：020-37619972；[email protected] | |
| 开始时间：2022-10-29 15:42:38 | 截止时间：2022-11-01 16:29:00 |
| 邮编：无 | 平台联系电话（异议）：020-37619972；[email protected] |
| 采购类型：货物类 | 开始时间：2022-10-29 15:42:38 |
| 项目预算(元)：30,000.00 | 结束时间：2022-11-01 16:29:00 |
二、资格条件
| 资格条件：1.国内独立法人,提供法人营业执照的复印件须加盖本单位公章； 2.具有履行合同所必需的设备和专业技术能力 ； 供应商就产品质量和服务承诺作书面承诺 |
三、商务要求
| 付款方式：验收合格后100%付款 | |
| 交付时间： 签订合同后5天送货。 | |
| 交付地址： 广东省韶关市浈江区大学路288号韶关学院 弘德楼605。 | |
| 质保期及售后要求：1.原厂原装全新货物； 2.报价需为一揽子报价，包含安装及耗材等费用。竞价一经确认，供应商不得再向我方收取除合同规定外的任何费用； 3.仪器设备免费送货上门包安装调试，并提供三年免费上门维保服务； 供应商不得变更、调整、减少参数需求，必须对技术参数及服务条款作一一响应，参数要求提供证明材料的必须提供后方能签署合同。 | |
| 其他要求：售后服务：1、免费送货上门包安装调试 2、提供三年免费上门保修服务。出现故障4小时内响应，24小时完成维修。 |
报价人资格条件：1.国内独立法人,提供法人营业执照的复印件须加盖本单位公章； 2.具有履行合同所必需的设备和专业技术能力 ； 供应商就产品质量和服务承诺作书面承诺
备注：
各有关当事人对竞价成交结果有异议的，可以在竞价结果公告发布之日起3天内提起异议，逾期将视为无异议，不予受理。
四、技术要求
项目名称：数据挖掘课程资源采购项目
产品信息 | 序号 | 标的名称 | 数量 | 单位 | 品牌 | 产品类别 | 型号 | 是否限定品牌 | 技术要求 |
|---|---|---|---|---|---|---|---|---|
| 1 | 数据挖掘课程资源 | 1.00 | 套 | 泰迪 Python机器学习算法实现 | 是 | 一、课程简介 通过学习本课程，可掌握各个算法的应用场景，算法理论基础，编程实现、模型评价体系等，为后续课程的学习及从事数据挖掘的开发和项目业务奠定基础。 课程以任务式为导向，全面介绍了《Python机器学习算法实现》及其知识的应用，是大数据与人工智能Python系列课程的核心课程。首先课程深入讲解了机器学习中的常用算法，内容包括机器学习绪论、模型评估与选择、回归分析、决策树、神经网络、KNN、朴素贝叶斯、聚类分析、支持向量机算法的Python实现，详细阐述了每种算法解决问题时的思路，最后介绍了算法的相关任务的具体操作。 二、课时数 理论教学36学时，实践教学28学时，总计64学时。 三、课程资源 包含实训指导书≥15份、课程视频≥49个、9份课程PPT≥、数据≥7份、代码≥10份。 四、课程内容 第1章机器学习绪论： 1.1引言 1.2基本术语 1.3假设空间&归纳偏好 第2章模型评估与选择 2.1经验误差与过拟合 2.2评估方法 2.3性能度量 2.4性能度量Python实现 第3章回归分析 3.1线性回归基本形式 3.2线性回归模型的Python实现 3.3波士顿房价预测的Python实现 3.4逻辑回归介绍 3.5研究生入学录取预测的Python实现 第4章决策树 4.1从女生相亲到决策树 4.2明天适合打球吗 4.3决策树拆分属性选择 4.4决策树算法家族 4.5泰坦尼克号生还者预测—数据预处理 4.6泰坦尼克号生还者预测—模型构建与预测 4.7决策树可视化 第5章神经网络 5.1单个神经元介绍 5.2经典网络结构介绍 5.3神经网络工作流程演示 5.4如何修正网络参数-梯度下降法 5.5网络工作原理推导 5.6网络搭建准备 5.7样本从输入层到隐层传输的Python实现 5.8网络输出的Python实现 5.9单样本网络训练的Python实现 5.10全样本网络训练的Python实现 5.11网络性能评价 5.12调用sklearn实现神经网络算法 第6章KNN 6.1KNN算法介绍 6.2KNN算法解决鸢尾花分类问题 第7章朴素贝叶斯 7.1非洲人还是北美人 7.2为什么有朴素二字 7.3拉普拉斯修正 7.4用高斯朴素贝叶斯算法解决鸢尾花分类问题 第8章聚类分析 8.1聚类分析概述 8.2相似性度量 8.3K-Means聚类分析算法介绍 8.4利用K-Means算法对鸢尾花进行聚类 8.5聚类结果的性能度量 8.6调用sklearn实现聚类分析 第9章支持向量机 9.1间隔与支持向量 9.2对偶问题 9.3核函数 9.4软间隔与正则化 9.5支持向量机算法的Python实现 第10章小结 10小结 五、实训目录 第1章 回归分析 实训1 完成波士顿房价预测模型 实训2 对研究生是否被录取进行预测 第2章 决策树 实训1 决策树算法自编 实训2 用决策树算法构建鸢尾花分类模型 第3章 神经网络 实训1 自定义sigmoid激活函数 实训2 网络输入到输出 实训3 网络权值和阈值更新 实训4 网络模型训练 实训5 网络模型预测 第4章 KNN与朴素贝叶斯 实训1 求距离矩阵 实训2 找邻居 实训3 归类 实训4 自编KNN算法实现鸢尾花分类 第5章 聚类分析 实训1 对鸢尾花数据进行K-Means聚类 第6章 支持向量机 实训1 用支持向量机解决鸢尾花分类 | ||
| 技术要求：一、课程简介 通过学习本课程，可掌握各个算法的应用场景，算法理论基础，编程实现、模型评价体系等，为后续课程的学习及从事数据挖掘的开发和项目业务奠定基础。 课程以任务式为导向，全面介绍了《Python机器学习算法实现》及其知识的应用，是大数据与人工智能Python系列课程的核心课程。首先课程深入讲解了机器学习中的常用算法，内容包括机器学习绪论、模型评估与选择、回归分析、决策树、神经网络、KNN、朴素贝叶斯、聚类分析、支持向量机算法的Python实现，详细阐述了每种算法解决问题时的思路，最后介绍了算法的相关任务的具体操作。 二、课时数 理论教学36学时，实践教学28学时，总计64学时。 三、课程资源 包含实训指导书≥15份、课程视频≥49个、9份课程PPT≥、数据≥7份、代码≥10份。 四、课程内容 第1章机器学习绪论： 1.1引言 1.2基本术语 1.3假设空间&归纳偏好 第2章模型评估与选择 2.1经验误差与过拟合 2.2评估方法 2.3性能度量 2.4性能度量Python实现 第3章回归分析 3.1线性回归基本形式 3.2线性回归模型的Python实现 3.3波士顿房价预测的Python实现 3.4逻辑回归介绍 3.5研究生入学录取预测的Python实现 第4章决策树 4.1从女生相亲到决策树 4.2明天适合打球吗 4.3决策树拆分属性选择 4.4决策树算法家族 4.5泰坦尼克号生还者预测—数据预处理 4.6泰坦尼克号生还者预测—模型构建与预测 4.7决策树可视化 第5章神经网络 5.1单个神经元介绍 5.2经典网络结构介绍 5.3神经网络工作流程演示 5.4如何修正网络参数-梯度下降法 5.5网络工作原理推导 5.6网络搭建准备 5.7样本从输入层到隐层传输的Python实现 5.8网络输出的Python实现 5.9单样本网络训练的Python实现 5.10全样本网络训练的Python实现 5.11网络性能评价 5.12调用sklearn实现神经网络算法 第6章KNN 6.1KNN算法介绍 6.2KNN算法解决鸢尾花分类问题 第7章朴素贝叶斯 7.1非洲人还是北美人 7.2为什么有朴素二字 7.3拉普拉斯修正 7.4用高斯朴素贝叶斯算法解决鸢尾花分类问题 第8章聚类分析 8.1聚类分析概述 8.2相似性度量 8.3K-Means聚类分析算法介绍 8.4利用K-Means算法对鸢尾花进行聚类 8.5聚类结果的性能度量 8.6调用sklearn实现聚类分析 第9章支持向量机 9.1间隔与支持向量 9.2对偶问题 9.3核函数 9.4软间隔与正则化 9.5支持向量机算法的Python实现 第10章小结 10小结 五、实训目录 第1章 回归分析 实训1 完成波士顿房价预测模型 实训2 对研究生是否被录取进行预测 第2章 决策树 实训1 决策树算法自编 实训2 用决策树算法构建鸢尾花分类模型 第3章 神经网络 实训1 自定义sigmoid激活函数 实训2 网络输入到输出 实训3 网络权值和阈值更新 实训4 网络模型训练 实训5 网络模型预测 第4章 KNN与朴素贝叶斯 实训1 求距离矩阵 实训2 找邻居 实训3 归类 实训4 自编KNN算法实现鸢尾花分类 第5章 聚类分析 实训1 对鸢尾花数据进行K-Means聚类 第6章 支持向量机 实训1 用支持向量机解决鸢尾花分类 | ||||||||
| 售后服务： | ||||||||
| 2 | 数据挖掘课程资源 | 1.00 | 套 | 泰迪 Python文本挖掘实战 | 是 | 一、课程简介 通过学习本课程，可掌握文本挖掘的原理，利用文本挖掘绘制词云图具体流程，熟悉模型的构建方法，并为后续相关课程学习及将来从事数据挖掘，数据挖掘开发奠定基础。 课程以任务式为导向，全面介绍了文本信息转化为数据，进行建模分析，提炼出核心内容、分析文本数据之间的关系等内容，是学习文本挖掘的首选课程，开始介绍了文本挖掘的原理、常见文本分类器、文本向量化表示、垃圾信息分类模型构建等内容。 二、课时数 理论教学16学时，实践教学16学时，总计32学时。 三、课程资源 包含实训指导书≥9份、课程视频≥18个、课程PPT≥2份、数据≥7份、代码≥12份。 四、课程内容 第1章文本预处理技术： 1.1 文本挖掘概述 第2章常见文本分类器及评估： 2.1 文本预处理_正则表达式 2.2 中文分词概述 2.2.1 机械分词法 2.2.2 马尔科夫链分词法 2.2.3 隐马尔可夫模型（HMM） 2.2.4 viterbi算法 2.2.5 隐马尔可夫与viterbi算法应用 2.2.6 jieba库_jieba分词 2.3 绘制词云 第3章文本向量化表示： 3.1 文本向量化表示 第4章垃圾短信分类模型构建： 4.1 案例：垃圾短信识别_数据抽取 4.2 案例：垃圾短信识别_文本清洗 4.3 案例：垃圾短信识别_分词与去除停用词 4.4 案例：垃圾短息识别_绘制词云 4.5 案例：垃圾短信识别_文本向量化表示 4.6 案例：垃圾短信识别_文本分类器 4.7 案例：垃圾短信识别_分类模型评估 五、实训目录 第1章 文本预处理技术： 实训1 正则表达式 实训2 中文分词：匹配法 实训3 中文分词：HMM 实训4 中文分词：HMM的维特比算法实现分词 实训5 绘制词云 第2章 垃圾短信分类模型构建： 实训1 文本分类：数据探索 实训2 文本分类：数据预处理 实训3 文本分类：绘制词云图 实训4 文本分类：识别垃圾短信 | ||
| 技术要求：一、课程简介 通过学习本课程，可掌握文本挖掘的原理，利用文本挖掘绘制词云图具体流程，熟悉模型的构建方法，并为后续相关课程学习及将来从事数据挖掘，数据挖掘开发奠定基础。 课程以任务式为导向，全面介绍了文本信息转化为数据，进行建模分析，提炼出核心内容、分析文本数据之间的关系等内容，是学习文本挖掘的首选课程，开始介绍了文本挖掘的原理、常见文本分类器、文本向量化表示、垃圾信息分类模型构建等内容。 二、课时数 理论教学16学时，实践教学16学时，总计32学时。 三、课程资源 包含实训指导书≥9份、课程视频≥18个、课程PPT≥2份、数据≥7份、代码≥12份。 四、课程内容 第1章文本预处理技术： 1.1 文本挖掘概述 第2章常见文本分类器及评估： 2.1 文本预处理_正则表达式 2.2 中文分词概述 2.2.1 机械分词法 2.2.2 马尔科夫链分词法 2.2.3 隐马尔可夫模型（HMM） 2.2.4 viterbi算法 2.2.5 隐马尔可夫与viterbi算法应用 2.2.6 jieba库_jieba分词 2.3 绘制词云 第3章文本向量化表示： 3.1 文本向量化表示 第4章垃圾短信分类模型构建： 4.1 案例：垃圾短信识别_数据抽取 4.2 案例：垃圾短信识别_文本清洗 4.3 案例：垃圾短信识别_分词与去除停用词 4.4 案例：垃圾短息识别_绘制词云 4.5 案例：垃圾短信识别_文本向量化表示 4.6 案例：垃圾短信识别_文本分类器 4.7 案例：垃圾短信识别_分类模型评估 五、实训目录 第1章 文本预处理技术： 实训1 正则表达式 实训2 中文分词：匹配法 实训3 中文分词：HMM 实训4 中文分词：HMM的维特比算法实现分词 实训5 绘制词云 第2章 垃圾短信分类模型构建： 实训1 文本分类：数据探索 实训2 文本分类：数据预处理 实训3 文本分类：绘制词云图 实训4 文本分类：识别垃圾短信 | ||||||||
| 售后服务： | ||||||||
| 3 | 数据挖掘课程资源 | 1.00 | 套 | 泰迪 家用热水器用户行为分析 | 是 | 一、案例资源 包含实训指导书≥3份、案例视频≥9个、案例PPT≥1份、数据≥5份、代码≥3份。 二、概要 通过学习本案例，可掌握冗余特征处理、划分事件、确定阈值、特征构建、BP神经网络模型构建的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。 居民在使用家用热水器的过程中，会因为地区气候、区域不同和用户年龄性别差异等原因，形成不同的使用习惯。本案例以从国内某热水器生产厂商处抽取用户的用水数据为数据源，并对获取的数据进行了预处理和模型构建分析等。本案例的主要分析目标如下。 （1）对用户的洗浴事件进行识别，根据识别结果比较不同客户群的客户使用习惯，加深对客户的理解。 （2）对不同的客户群提供最适合的个性化产品，改进新产品的智能化的研发和制定相应的营销策略。 三、课时数 理论教学4学时，实践教学8学时，总计12学时。 四、目标 根据热水器采集到的数据，划分一次完整用水事件并识别出洗浴事件。 五、流程 1)数据抽取：从国内某热水器生产厂商处抽取用户的用水数据。 2)数据预处理：删除冗余特征；划分用水事件；确定单次用水事件时长阈值；构建用水时长与频率特征、用水量与波动特征；筛选候选洗浴事件。 3)模型构建：将数据划分为训练集和测试集，构建神经网络模型，评价神经网络模型。 4)模型解读：计算在洗浴事件识别上精确率（precision）和召回率（recall）并判断此模型的效果和适用情况。 六、技术点 冗余特征处理；划分事件；确定阈值；特征构建；神经网络模型。 七、案例内容 1)案例背景 2)删除冗余特征 3)划分用水事件 4)确定单次用水事件时长阈值 5)构建用水时长与频率特征 6)构建停顿特征 7)构建用水量与波动特征 8)筛选候选洗浴事件 9)模型构建 八、实训目录 实训1 预处理热水器用户用水数据 实训2 构建用水行为特征并筛选用水事件 实训3 构建BP神经网络模型 | ||
| 技术要求：一、案例资源 包含实训指导书≥3份、案例视频≥9个、案例PPT≥1份、数据≥5份、代码≥3份。 二、概要 通过学习本案例，可掌握冗余特征处理、划分事件、确定阈值、特征构建、BP神经网络模型构建的主要方法和技能，并为后续相关课程学习及将来从事数据分析工作奠定基础。 居民在使用家用热水器的过程中，会因为地区气候、区域不同和用户年龄性别差异等原因，形成不同的使用习惯。本案例以从国内某热水器生产厂商处抽取用户的用水数据为数据源，并对获取的数据进行了预处理和模型构建分析等。本案例的主要分析目标如下。 （1）对用户的洗浴事件进行识别，根据识别结果比较不同客户群的客户使用习惯，加深对客户的理解。 （2）对不同的客户群提供最适合的个性化产品，改进新产品的智能化的研发和制定相应的营销策略。 三、课时数 理论教学4学时，实践教学8学时，总计12学时。 四、目标 根据热水器采集到的数据，划分一次完整用水事件并识别出洗浴事件。 五、流程 1)数据抽取：从国内某热水器生产厂商处抽取用户的用水数据。 2)数据预处理：删除冗余特征；划分用水事件；确定单次用水事件时长阈值；构建用水时长与频率特征、用水量与波动特征；筛选候选洗浴事件。 3)模型构建：将数据划分为训练集和测试集，构建神经网络模型，评价神经网络模型。 4)模型解读：计算在洗浴事件识别上精确率（precision）和召回率（recall）并判断此模型的效果和适用情况。 六、技术点 冗余特征处理；划分事件；确定阈值；特征构建；神经网络模型。 七、案例内容 1)案例背景 2)删除冗余特征 3)划分用水事件 4)确定单次用水事件时长阈值 5)构建用水时长与频率特征 6)构建停顿特征 7)构建用水量与波动特征 8)筛选候选洗浴事件 9)模型构建 八、实训目录 实训1 预处理热水器用户用水数据 实训2 构建用水行为特征并筛选用水事件 实训3 构建BP神经网络模型 | ||||||||
| 售后服务： | ||||||||
五、附件
附件信息
附件信息end
| 序号 | 附件名称 | 上传时间 | 大小 | 操作 |
|---|
免责声明
本页面提供的内容由采购人发布，广东省教育部门零散采购竞价系统及其运营单位对其内容概不负责，亦不承担任何法律责任。未经本平台授权，严禁以任何形式转载或使用本平台数据，一经发现，依法追究法律责任。
文章推荐：
惠仲土挂告【2023】022号国有建设用地使用权网上挂牌出让公告
更多商机查看，下载保标APP
扫码关注小程序，获取商机更容易
