《业财数据挖掘与机器学习》课程教学大纲

《业财数据挖掘与机器学习》教学大纲课程编号：06220038英文名称：IndustrialandFinancialDataMiningandMachineLearning学分：2学时：总学时48学时，其中理论16学时，实践32学时先修课程：Python程序设计、数据结构、数据库技术及应用、高等数学、线性代数、概率论课程类别：专业拓展课（选修）授课对象：会计学专业学生教学单位：商学院修读学期：第6学期一、课程描述和目标《业财数据挖掘与机器学习》是我校数字化管理会计师创新班的主干课程之一，也是会计学专业的专业拓展课程之一，是一门综合性、应用性很强的学科。本课程主要以数据挖掘方法与机器学习模型为主线，阐述数据探索、数据预处理、分类与预测、聚类分析、时序预测、关联规则挖掘、智能推荐和偏差检验等基本理论和实现方法，帮助企业在合理时间内攫取、管理、分析和挖掘海量数据，为企业经营决策提供大数据支撑。本课程拟达到的课程目标:课程目标1-3：专业技术知识。通过本课程的学习，使学生了解业财数据处理与挖掘在企业经营决策中的地位和作用，掌握数据挖掘与机器学习的基本理论、基本方法、基本程序。课程目标1-4：理论前沿知识。通过本课程的学习，要求学生能掌握常用的数据挖掘方法与机器学习模型，理解其在专业领域的应用前景，为企事业单位的规划制定、决策优化、运营管理及风险控制等提供支持。课程目标2-2：信息技术应用能力。掌握利用信息技术及相关软件工具进行信息搜集、资料查询、数据分析等专业性信息处理方法；了解会计理论前沿和发展动态，具备多学科交融的知识视野和思维素质。。课程目标2-4：实践拓展适应能力。紧跟时代对专业需求的变化，通过专业实训和社会实践活动，学会独立思考、观察世界和拓展视野的方法，具备根据组织运营管理需求开展业务、财务数据分析的能力；。课程目标3-4.职业素养。通过本课程的学习，使学生具有较好的思想道德素质、培养良好的职业道德素养；通过小组作业和讨论提高沟通协调、团队合作等专业素质。二、课程目标对毕业要求的支撑关系（注：要求课程目标与毕业要求指标点应是一一对应支撑）毕业要求指标点课程目标权重指标点1-3.专业技术知识。具备大数据和人工智能等与经济、会计相关的现代信息技术知识。课程目标1M指标点1-4.理论前沿知识。掌握一门外语；掌握经济管理信息搜集、资料查询等专业性信息处理方法；了解会计理论前沿和发展动态，具备多学科交融的知识视野和思维素质。课程目标1M指标点2-2.信息技术应用能力。熟悉组织运营流程与财务之间的关联关系，适应数智化环境下组织运营管理新需求，具备利用信息技术开展业务、财务数据分析的能力；具备较强的信息技术应用能力。课程目标2M指标点2-4.实践拓展适应能力。紧跟时代对专业需求的变化，通过专业实训和社会实践活动，学会独立思考、观察世界和拓展视野的方法，具有较强的实践拓展和环境适应能力。课程目标2M指标点3-4.职业素养。传承大禹精神，以历代会计名家为榜样，具有良好的职业道德和职业情怀；具有团队合作和创新创业意识；能够适应会计相关工作岗位对从业者的素养需求。课程目标3M三、教学内容、基本要求与学时分配序号教学内容基本要求学时教学方式对应课程目标1（一）数据挖掘与机器学习基础1．数据挖掘与机器学习概述2．数据挖掘基本任务3．数据挖掘建模过程4.数据挖掘与机器学习应用前景3．数据挖掘建模工具了解机器学习的发展历程及应用前景，理解数据挖掘与机器学习的区别于联系及其在企业运营过程中发挥的作用；掌握数据挖掘的基本任务及建模过程；了解基本的数据处理与挖掘建模工具及机器学习技术。3讲授；案例分析课程目标12（二）数据探索与预处理1．数据质量分析2．数据特征分析3．数据的预处理理解数据探索与预处理的基本涵义和目的；掌握数据质量与特征分析的基本方法；掌握数据清洗、集成、变换和规约的基本方法。3讲授；案例分析课程目标1课程目标23（三）挖掘建模1．分析与预测2．聚类分析3．关联分析了解主流机器学习模型及数据挖掘建模的基本方法；掌握使用逻辑回归、决策树、朴素贝叶斯以及神经网络完成业财数据的分析与预测；掌握K-Means、K-中心点以及系统聚类分析算法；掌握Apriori、FP-Tree等常用关联规则算法；10讲授；案例分析课程目标1课程目标2合计16如有实验，则实验学时需再按以下格式继续填写序号实验项目实验内容与要求学时类型对应课程目标1Python数据探索与预处理实验内容：掌握通过绘制图表、计算特征量等手段的数据特征分析方法；熟练使用Python的Pandas和Matplotlib功能库进行数据探索；能够熟练使用Python完成数据预处理。4验证课程目标1课程目标22Python分类预测实验内容：理解逻辑回归、决策树、朴素贝叶斯以及神经网络等分析与预测方法的基本原理；熟练使用Python的scikit-learn和Keras功能库进行数据分类与预测。6验证课程目标1课程目标23Python聚类分析实验内容：掌握K-Means、K-中心点以及系统聚类分析算法的基本原理与关键决策问题；熟练使用Python的scikit-learn和Keras功能库进行数据聚类分析。4验证课程目标1课程目标24Python关联分析实验内容：掌握Apriori、FP-Tree等常用关联规则算法的基本原理与关键决策问题；熟练使用Python的Pandas、scikit-learn和Keras功能库进行数据关联分析。4验证课程目标1课程目标25业财数据处理与挖掘实战之营销数据分析应用实验内容：完成市场预测模型、价格模型、促销广告模型等的数据处理和挖掘；6综合课程目标1课程目标2课程目标36业财数据处理与挖掘实战之投资数据分析应用实验内容：完成量化投资概念和特点、实业投资技术选择方法、数据编制与估算、收益与风险数据分析；6综合课程目标1课程目标2课程目标37总结与机动2合计32注：实验要求包括必修、选修；实验类型包括演示、验证、综合、设计等。四、课程教学方法如集中讲授、小组讨论等教学方式五、学业评价和课程考核推行多元评价，对本课程所采用的评价和考核方式作具体说明，若采用多种考核方法请分别列出考核评价的方法、内容、考核标准、成绩占比等，考核方法、内容应突出“学生中心、产出导向”。考核方式及具体要求1.课程成绩构成与要求课程考核注重形成性和终结性评价相结合，考核内容主要由平时考勤、平时作业、验证实验报告、综合实验分析报告、期末课程论文组成，均按百分制计分，其中期末课程考核成绩占40%、平时作业成绩占20%、验证实验报告成绩占15%、综合实验分析报告成绩占25%。2.课程目标达成考核与评价序号教学环节课程目标1（分值）课程目标2（分值）课程目标3（分值）课程目标4（分值）课程目标5（分值）合计1平时作业105500202验证实验报告510000153综合实验报告5101000254期末考试1515100040课程目标对应分值35402500100（二）考核与评价标准1.平时作业分值观测点90-100分70-89分60-69分0-59分平时作业按时完成，90%以上的作业内容齐全，基本知识点理解、掌握到位。按时完成，70%以上的作业内容齐全，基本知识点理解、掌握较到位。延时完成，60%以上的作业内容齐全，基本知识点理解、掌握基本到位。不交和补交，50%以下的作业内容齐全，基本知识点理解、掌握有偏差。2.验证实验报告根据课程目标及教学内容，设计实验内容，检验学生对课程相关知识的掌握情况；完成3次实验报告，按A+、A、B+、B、C+、C、D+、D、E+、E赋分，对应分数为0~100，间隔为10分。3.综合实验分析报告成绩考核与评价标准根据课程目标及教学内容，选择实验课题，综合检验学生对课程相关知识的掌握、综合应用及解决复杂问题的能力，根据实验表现、实验报告、实验结果设计相应评分标准。4.期末试卷考核与评价标准根据课程目标及教学内容，设计期末考核试题，综合检验学生对课程相关知识的掌握、综合应用及解决复杂问题的能力，根据考试题目设计相应评分标准。六、教材与参考书（一）推荐教材1．《Python数据分析与挖掘实战》，张良均等著，机械工业出版社，2017年12月；