Py數據基礎及實戰4

打造基于產教融合的就業育人綜合服務平臺打造基于產教融合的就業育人綜合服務平臺第9章O2O優惠券使用預測教案課程名稱：Python數據分析與挖掘實戰課程類別：必修（專業核心課）適用專業：數據科學與大數據技術、人工智能、計算機科學與技術、統計學、信息管理與信息系統等相關專業總學時：64學時（其中理論28學時，實驗36學時）總學分：4.0學分本章學時：8學時（理論3學時，實驗5學時）材料清單《Python數據分析與挖掘實戰（第2版）（微課版）》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標本章以O2O優惠券使用預測為案例，講解分類算法在精準營銷中的完整應用流程。涵蓋案例背景與目標分析、描述性統計與多維度探索性分析、數據清洗與指標構造、決策樹、梯度提升和XGBoost分類模型的構建與評價。使學生掌握從業務問題出發，通過數據探索、特征工程到多模型對比與評價的全流程實戰能力。基本要求了解案例的背景、數據說明與目標。掌握描述性統計分析與優惠形式信息的分析方法。掌握數據清洗與數據變換的方法。掌握構建決策樹、梯度提升和XGBoost分類模型的方法。掌握準確率、精確率、AUC值和ROC曲線的模型評價方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題、理解并掌握知識、發展各種能力和提高思想覺悟。O2O優惠券使用預測為什么被定義為一個分類問題？分類標簽是如何劃分的？數據探索階段從哪幾個維度展開分析？各自發現了哪些有價值的規律？數據變換中為什么要構造用戶、商戶、優惠券和交互關系四個維度的指標？決策樹、梯度提升和XGBoost三種分類算法各自有什么特點和適用場景？模型評價中，準確率、精確率、AUC值和ROC曲線分別側重衡量什么？探究性問題探究性問題需教師在深入鉆研教材的基礎上精心設計，從重點、難點問題切入進行插入式提問，或對引導性提問中尚未涉及但重要的內容加以設問。XGBoost算法相比傳統的梯度提升算法有哪些改進？為什么在很多競賽中表現優異？案例中構造的特征多達20余個，如何判斷哪些特征對模型預測更重要？可以采用什么方法進行特征選擇？如果要將本案例的模型部署到實際的O2O平臺中，還需要考慮哪些工程化和業務方面的因素？拓展性問題拓展性問題需教師深刻理解教材意義、掌握學生學習動態后，根據不同學習層次提出切實可行的、關乎實際應用的操作問題，亦可提供拓展資料供學生研習探討。在實際的優惠券投放業務中，除了預測用戶是否會使用優惠券，還可以從哪些角度優化優惠券策略？請調研一個使用機器學習進行精準營銷的實際案例，分析其建模流程和業務效果。深度學習模型在用戶行為預測中有哪些應用？與傳統機器學習模型相比有什么優勢和挑戰？主要知識點、重點與難點主要知識點案例的背景、數據說明與目標。數據探索與可視化分析的方法。數據預處理與指標構造的方法。分類模型的構建與訓練方法。模型評價的方法。重點數據預處理與指標構造的方法。分類模型的構建與訓練方法。模型評價的方法。難點數據預處理與指標構造的方法。分類模型的構建與訓練方法。教學過程設計理論教學過程背景與目標。數據探索。數據預處理。分析與建模。模型評價。實驗教學過程運營商客戶流失預測。教材與參考資料教材翟世臣，張良均．Python數據分析與挖掘實戰（第2版）（微課版）[M]．北京：人民郵電出版社，2026．參考資料張良均，王路，譚立云，蘇