金融数据挖掘(双语)
金融数据挖掘(双语)
1000+人选课
更新日期:2022/10/07
开课平台 爱课程(中国大学MOOC)
开课高校 合肥工业大学
开课教师 操玮
学科专业 经济学 金融学类
开课时间 2022/09/28 - 2022/11/26
课程周期 9 周
开课状态 开课中
每周学时 -
课程简介

金融科技引领全球金融业新格局,在金融领域里,随着金融电子化建设的稳步开展数据收集技术的不断进步金融数据资源得到了巨量增长,因此,为了充分利用数据,在最大程度上发挥出数据作用, 从而实现科学决策, 做好金融领域的数据挖掘工作是必不可少的,数据挖掘的先进技术和算法的产生给实际金融问题的解决提供了新的解法和思路,由此进一步扩大了对数据挖掘人才的需求。本课程面向金融工程类、管理科学与工程相关专业高年级本科生或低年级研究生课程采用双语教学,紧跟数据科学前沿,并将数据挖掘算法与金融案例结合讲解,使得学生既能掌握数据挖掘算法的基本原理和核心思想,又能使学生理解算法在金融数据中的应用场景和计算流程。

课程大纲
绪论
1.1 What is Data Mining?
1.2 How Data Mining Works in Financial Area?
数据
2.1 What is data(1)?
2.2 What is data(2)?
2.3 Data pre-processing(1)
2.4 Data pre-processing(2)
2.5 Similarity and Dissimilarity of data(1)
2.6 Similarity and Dissimilarity of data(2)
2.7 Similarity and Dissimilarity of data(3)
分类——决策树分类器
3.1 Classification-basic concept and idea
3.2 Introduction to Decision Tree Classifier
3.3 Methods for Expressing Attribute Test Conditions
3.4 Measures of Impurity
3.5 An Example to Compute a Decision Tree
分类——基于规则的分类器
4.1 Introduction to Rule-Based Classifier
4.2 Direct Method for Rule Extraction
4.3 An Example to Build Rule-Based Classifier
分类——朴素贝叶斯分类器
5.1 Introduction to Naive Bayes Classifier
5.2 An Example to Build Naive Bayes Classifier
分类——贝叶斯信念网络分类器
6.1 Introduction to Bayesian Belief Networks
6.2 An Example of Bayesian Belief Networks
拟合不足和过拟合
7.1 Underfitting and Overfitting (1)
7.2 Underfitting and Overfitting (2)
分类-模型评估和比较
8.1 Classification-Model Evaluation
8.2 Classification-Model Comparison
关联分析-Apriori算法
9.1 Association Analysis-basic concept and idea
9.2 Apriori Algorithm (1)-Introduction
9.3 Apriori Algorithm (2)-Candidate Generation & Pruning
9.4 Apriori Algorithm (3)-Hash Tree
9.5 Apriori Algorithm (4)-Rule Generation and Complexity
关联分析-FP树增长算法
10.1 FP Tree Algorithm-Introduction
10.2 FP Tree Algorithm-An Example
关联分析-关联模式评估
11.1 Association Analysis-Evaluation (1)
11.2 Association Analysis-Evaluation (2)
聚类分析-k-means算法
12.1 Cluster Analysis-basic concept and idea
12.2 Introduction to K-means Algorithm
聚类分析-基本层次聚类算法
13.1 Introduction to Agglomerative Hierarchical Clustering Algorithm
13.2 An Example of Agglomerative Hierarchical Clustering Algorithm
聚类分析-簇评估
14.1 Unsupervised Cluster Evaluation
14.2 Supervised Cluster Evaluation