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。
第一章 绪论
了解什么是数据挖掘；学习数据挖掘的意义；理解数据挖掘的任务；了解数据挖掘在金融领域的应用
课时：
1.1 What is Data Mining？
1.2 How Data Mining Works in Financial Area?
第二章 数据
了解什么是数据；掌握数据类型与数据质量；理解数据预处理的意义；掌握相似性和相异性的度量方法
课时：
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)
第三章 分类——决策树分类器
了解什么是分类；理解决策树分类器的原理；掌握不同决策树分类算法的实现过程
课时：
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
第四章 分类——基于规则的分类器
了解什么是基于规则的分类器；理解基于规则的分类器的原理；掌握基于规则的分类算法的实现过程
课时：
4.1 Introduction to Rule-Based Classifier
4.2 Direct Method for Rule Extraction
4.3 An Example to Build Rule-Based Classifier
第五章 分类——朴素贝叶斯分类器
了解什么是朴素贝叶斯分类器；理解朴素贝叶斯分类器的原理；掌握朴素贝叶斯分类算法的计算过程
课时：
5.1 Introduction to Naive Bayes Classifier
5.2 An Example to Build Naive Bayes Classifier
第六章 分类——贝叶斯信念网络分类器
了解什么是贝叶斯信念网络分类器；理解贝叶斯信念网络分类器的原理；掌握贝叶斯信念网络分类算法的计算过程
课时：
6.1 Introduction to Bayesian Belief Networks
6.2 An Example of Bayesian Belief Networks
第七章 拟合不足和过拟合
了解什么是分类中的拟合不足和过拟合；理解拟合不足和过拟合的产生原因；掌握泛化误差的估计；了解拟合不足和过拟合的解决方法
课时：
7.1 Underfitting and Overfitting (1)
7.2 Underfitting and Overfitting (2)
第八章 分类-模型评估和比较
了解什么是分类模型的评估和比较；掌握分类模型的评估指标及其计算过程；掌握分类模型的比较方法
课时：
8.1 Classification-Model Evaluation
8.2 Classification-Model Comparison
第九章 关联分析-Apriori算法
了解什么是关联分析；了解什么是Apriori算法；理解Apriori算法的原理；掌握Apriori算法的实现过程
课时：
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
第十章 关联分析-FP树增长算法
了解什么是FP树增长算法；理解FP树增长算法的原理；掌握FP树增长算法的实现过程
课时：
10.1 FP Tree Algorithm-Introduction
10.2 FP Tree Algorithm-An Example
第十一章 关联分析-关联模式评估
了解什么是关联模式评估；掌握关联模式的客观度量方法及计算过程；理解关联模式客观度量方法的一致性问题和性质
课时：
11.1 Association Analysis-Evaluation (1)
11.2 Association Analysis-Evaluation (2)
第十二章 聚类分析-k-means算法
了解什么是聚类分析；了解什么是k-means算法；理解k-means算法的原理；掌握k-means算法的实现过程
课时：
12.1 Cluster Analysis-basic concept and idea
12.2 Introduction to K-means Algorithm
第十三章 聚类分析-基本层次聚类算法
了解什么是基本凝聚层次聚类算法；理解基本凝聚层次聚类算法的原理；掌握基本凝聚层次聚类算法的实现过程
课时：
13.1 Introduction to Agglomerative Hierarchical Clustering Algorithm
13.2 An Example of Agglomerative Hierarchical Clustering Algorithm
第十四章 聚类分析-簇评估
了解什么是簇评估；掌握无监督簇评估；掌握有监督簇评估
课时：
14.1 Unsupervised Cluster Evaluation
14.2 Supervised Cluster Evaluation