金融数据挖掘(双语)
金融数据挖掘(双语)
1万+ 人选课
更新日期:2025/10/08
开课时间2025/09/10 - 2025/12/31
课程周期16 周
开课状态开课中
每周学时-
课程简介


金融数据挖掘是一门融合“金融”加“数据挖掘算法”的前沿交叉课程,关注数据挖掘算法和复杂金融场景、实现数据挖掘技术赋能智能金融、培养具有爱国情怀的金融科技人才。课程对标金融市场、金融机构、政府机构、公司金融等复杂金融场景,挖掘金融实际需求,主要涵盖以下四个主题:金融大数据描述,金融大数据预测,金融大数据复杂关系分析,金融大数据异常检测分析四个主要模块。在深入介绍金融大数据的基础上,课程结合金融大数据预测需求与分类算法,金融大数据复杂关系分析与关联分析算法,金融大数据异常检测需求与聚类算法,探讨数据挖掘算法赋能智能金融的思想、步骤、评估与创新。


课程大纲
第一章导论
1.1什么是数据挖掘?
1.2数据挖掘在金融领域中的应用
第二章数据
2.1什么是数据?
2.2数据预处理
2.3金融数据的相似性与相异性
第三章决策树分类器与金融应用
3.1分类算法与金融应用——基本概念与思想
3.2决策树算法与金融应用——算法介绍
3.3属性测试条件划分方法
3.4决策树分类算法中结点纯度度量方法
3.5决策树分类器的构建案例
第四章基于规则的分类器与金融应用
4.1基于规则的分类器与金融应用——算法介绍
4.2规则提取的直接方法
4.3基于规则的分类器的构建案例
第五章朴素贝叶斯分类器与金融应用
5.1朴素贝叶斯分类器与金融应用——算法介绍
5.2朴素贝叶斯分类器的构建案例
第六章贝叶斯网络分类器与金融应用
6.1贝叶斯信念网络分类器与金融应用——算法介绍
6.2贝叶斯信念网络分类器案例
第七章分类算法在金融应用中的可能问题——拟合不足与过拟合
7.1拟合不足与过拟合(1)
7.2拟合不足与过拟合(2)
第八章分类算法在金融应用中的结果评估——模型评价与对比
8.1分类算法在金融应用中的结果评估——模型结果评价
8.2分类算法在金融应用中的结果评估——模型对比分析
第九章关联分析与金融应用——Apriori算法
9.1关联分析与金融应用——基本概念与思想
9.2Apriori算法与金融应用——算法介绍
9.3Apriori算法与金融应用——候选生成与剪枝
9.4Apriori算法与金融应用——哈希树
9.5Apriori算法与金融应用——规则生成与算法复杂度
第十章关联分析与金融应用——FPTree算法
10.1FPTree算法与金融应用——算法介绍
10.2FPTree算法金融实例
第十一章关联分析在金融应用中的结果评估
11.1关联分析在金融应用中的结果评估(1)
11.2关联分析在金融应用中的结果评估(2)
第十二章聚类分析与金融应用——K-means算法
12.1聚类分析与金融应用——基本概念与思想
12.2K-means算法与金融应用——算法介绍与实例
第十三章聚类分析与金融应用——基本层次聚类算法
13.1基本层次聚类算法算法与金融应用——算法介绍
13.2凝聚层次聚类算法实例
第十四章聚类分析在金融应用中的结果评估
14.1无监督的聚类结果评估
14.2有监督的聚类结果评估