第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 深度学习 第八节 支持向量机 第九节 MATLAB的应用实例

管理学 经济法 新生研讨课 市场营销学 公司战略管理 微观经济学 宏观经济学 人力资源管理 组织行为学 基础会计学 公司治理 财务会计 财务管理学 高级财务管理 管理会计 审计学 运营管理 社会调查理论与方法 会计职业道德 创新能力训练 统计学 税法 成本会计 会计信息系统原理与应用 计算机财务管理 资产评估学 电子商务实务与案例分析 公司金融学 个人理财 财务管理案例分析 财务报表分析 统计分析软件与应用 ERP 沙盘模拟实训 会计-财务-审计一体化实验 保险学 财务管理综合实训实验

➢ 6.1 方差分析引论 方差分析及其有关术语 方差分析的基本思想和原理 方差分析中的基本假定 问题的一般提法 ➢ 6.2 单因素方差分析 数据结构 分析步骤 用Excel进行方差分析 方差分析中的多重比较 ➢ 6.3 方差分析中的多重比较 ➢ 6.4 试验设计初步 完全随机化设计 随机化区组设计 因子设计

9.1 时间数列的基本特征 9.2 移动平均法分析与预测 9.3 回归法分析与预测 9.4 指数平滑法分析与预测 9.5 季节变动的测定与分析

本课程的教学内容力求理论分析与实际案例相结合、定性与定量相结合，并根据学科特点和学科的发展趋势，加强统计分析、统计推断和预测决策的内容。课程以讲授为主，辅以课堂讨论，案例分析、课下作业等形式，要求学生除了课堂听讲之外，应按照要求阅读一定的课外资料，提高学生的动手能、综合分析能力。做到： 1. 使学生能系统地掌握各种统计方法，并理解各种统计方法中所包含的统计思想； 2. 使学生掌握各种统计方法的不同特点、应用条件及适用场合； 3. 培养学生运用统计方法分析和解决实际问题的能力

一、数据收集 二、数据分析和总结 三、概率论回顾 四、统计的抽样分布 五、推断:点估计和置信区间估计,假设检验 六、线性回归 七、方差分析 八、非参数方法 九、专题(数据挖掘?)

（一）理论课程 1《空间解析几何》 2《离散数学》 3《时间序列分析》 4《数值计算方法》 5《运筹与优化》 6《Python 程序设计》 7《常微分方程》 8《大数据技术原理及应用》 9《复变函数论》 10《概率统计》 11《高等代数》 12《面向对象程序设计》 13《数据结构与算法》 14《数据库原理及应用》 15《数据挖掘》 16《数理统计》 17《数学分析（1）》 18《数学分析（2）》 19《数学建模(1)》 20《数学建模(2)》 21《数学软件及应用》 （二）实验课程 22《时间序列分析》 23《数据结构与算法》 24《数学软件及应用》 25《数值计算方法》 26《Python 程序设计》 27《大数据技术原理及应用》实验 28《面向对象程序设计》 29《数据库原理及应用》课程 30《数据挖掘》 31《数理统计》 （三）实践课程 32《专业教育》 33《web 数据挖掘与电子商务项目实训》 34《技能实训》教学大纲 35《客户数据分析项目设计》 36《数学建模(1)》 37《数学建模(2)》 38《中文文本数据挖掘项目实训》 39《综合项目实训》教学大纲 40《毕业设计（论文）》教学大纲 41《毕业实习》教学大纲

第一节 相关和回归 第二节 一元线性回归模型 第三节 多元线性回归模型 第四节 方程的解释能力 第五节 回归方程的检验和回归系数的推断统计 第六节 多重共线性及其解决方案 第七节 虚拟变量的应用 第八节 计算机应用 第九节 研究实例