一、问题的引入 二、中心极限定理 三、例题分析 四、小结

《专业导论》课程大纲. 1 《管理学》课程大纲. 10 《人力资源管理概论》课程大纲. 28 《微观经济学》课程大纲. 42 《宏观经济学》课程大纲. 55 《会计学基础》课程大纲. 67 《统计学》课程大纲. 81 《社会调查理论与实务》课程大纲. 95 《财务管理》课程大纲. 114 《经济法》课程大纲. 126 《金融学》课程大纲. 140 《战略管理》课程大纲. 162 《组织行为学》课程大纲. 173 《劳动经济学》课程大纲. 188 《社会保障概论》课程大纲. 202 《组织设计与工作分析》课程大纲. 220 《招聘与测评》课程大纲. 236 《招聘与测评实训》课程大纲. 249 《员工培训与开发》课程大纲. 259 《员工培训与开发实训》课程大纲. 275 《薪酬与福利管理》课程大纲. 284 《薪酬与福利管理实训》课程大纲. 298 《绩效管理》课程大纲. 306 《绩效管理实训》课程大纲. 318 《劳动关系》课程大纲. 327 《社会心理学》课程大纲. 339 《文献检索与利用》课程大纲. 353 《管理沟通》课程大纲. 365 《市场营销》课程大纲. 379 《电子商务》课程大纲. 392 《Python 语言程序设计基础》课程大纲.405 《运营管理》课程大纲. 419 《公司治理》课程大纲. 437 《消费者行为学》课程大纲. 447 《计量经济学》课程大纲. 464 《团队建设与管理》课程大纲. 474 《管理信息系统》课程大纲. 489 《ERP 沙盘模拟实训》课程大纲. 502 《评价中心技术应用》课程大纲. 509 《劳动合同管理实务》课程大纲. 526 《集体协商与集体合同》课程大纲. 536 《劳动争议处理》课程大纲. 546 《职业安全与健康》课程大纲. 554 《社会保险》课程大纲. 561 《劳动和社会保障法》课程大纲. 578 《社会福利与社会救助》课程大纲. 590 《社会保险基金管理》课程大纲. 603 《数字经济学》课程大纲. 616 《大数据与人工智能》课程大纲. 625 《人力资源量化管理与数据分析》课程大纲.636 《管理运筹学》课程大纲. 646 《专业实习》课程大纲. 656 《毕业实习》课程大纲. 662 《毕业论文（设计）》课程大纲. 667

中央财经大学：《大数据金融》课程教学课件（PPT讲稿）第6章 树类分析及其在金融运用

中央财经大学：《大数据金融》课程教学课件（PPT讲稿）第9章 金融数据的爬虫

1.1 什么是数据挖掘. 2 1.2 数据挖掘的步骤. 2 1.3 数据挖掘的主要功能. 4 1.3.1 预测性.4 1.3.2 描述性.5 1.4 在何种数据上进行数据挖掘. 7 1.4.1 数据库数据.7 1.4.2 数据仓库.8 1.4.3 事务数据.8 1.5 数据挖掘的工具. 8 1.6 数据挖掘研究的主要方向. 9 1.6.1 数据挖掘的方法.9 1.6.2 用户交互技术.9 1.6.3 数据挖掘的性能和可扩展性.9 1.6.4 针对不同数据或数据源的数据挖掘技术 .9 1.7 数据挖掘的应用领域. 10 1.8 SPSS Modeler 软件使用概述. 10 1.8.1 软件简介.10 1.8.2 软件窗口.12 1.8.3 数据流的基本操作.13

3.1 相关概念. 3 3.1.1 购物篮分析.3 3.1.2 支持度、置信度与关联规则.4 3.1.3 关联规则挖掘.4 3.2 频繁项集的产生. 5 3.2.1 格结构.5 3.2.2 Apriori 性质.6 3.2.2 Apriori 算法.6 3.3 规则的产生. 7 3.3.1 由频繁项集产生关联规则.7 3.3.2 基于置信度的剪枝.8 3.3.2 提高 Apriori 方法的有效性.8 3.4 关联规则挖掘在图情领域中的应用. 10 3.4.1 在信息检索中的应用.10 3.4.2 在图书馆服务中的应用.11 3.4.3 在学科关系中的应用.11 3.5 关联规则挖掘的案例与软件操作. 12 3.5.1 关联规则挖掘（SPSS Modeler） .12 3.5.2 关联规则挖掘（R 语言）.18

5.1 概述. 2 5.1.1 什么是分类.2 5.1.2 分类的一般步骤.3 5.2 Rocchio 方法. 4 5.3 k-近邻法. 5 5.4 决策树方法. 6 5.4.1 决策树的概念.6 5.4.2 属性选择度量.6 5.4.3 决策树的常用算法.10 5.5 贝叶斯方法. 11 5.5.1 贝叶斯原理.11 5.5.2 朴素贝叶斯分类.11 5.6 分类结果评估. 13 5.6.1 常用评估度量.13 5.6.2 文本分类的评估.14 5.7 自动分类的案例与软件操作. 15 5.7.1 决策树案例（SPSS Modeler） .15 5.7.2 决策树案例（R 语言）.19

4.1 概述. 1 4.1.1 什么是聚类分析.1 4.1.2 基本聚类方法概述.2 4.1.3 文本聚类.3 4.2 数据间的相似性度量. 4 4.2.1 数据对象间的距离.4 4.2.2 数据对象间的相似系数.5 4.2.3 数据类间的距离.5 4.2.4 数据标准化.7 4.3 基本聚类方法. 7 4.3.1 k-均值聚类方法 .7 4.3.2 层次聚类方法.8 4.3.3 聚类要注意的问题.10 4.4 基于密度的聚类（待更新）. 10 4.5 聚类结果的评估. 10 4.5.1 基于用户验证的评估方法.11 4.5.2 基于真实数据的聚类结果评估.11 4.6 聚类分析的案例与软件操作. 11 4.6.1 K-MEANS 聚类案例(SPSS Modeler).11 4.6.2 K-MEANS 聚类案例(R 语言) .15 4.6.3 层次聚类案例（SPSS）.20 4.6.4 层次聚类案例（R 语言）.23

2.1 数据类型. 2 2.1.1 离散型数据.2 2.1.2 连续型数据.2 2.2 数据预处理. 2 2.2.1 数据预处理的原因.2 2.2.2 数据预处理的主要步骤.3 2.3 数据清理. 5 2.3.1 空缺值.5 2.3.2 噪声数据.5 2.4 数据集成. 7 2.4.1 实体识别问题.7 2.4.2 数据冗余.7 2.4.3 元组重复.8 2.5 数据归约. 8 2.5.1 数据立方体聚集.9 2.5.2 维归约.10 2.5.3 数量归约.11 2.5.4 数据压缩.12 2.6 数据变换. 12 2.6.1 数据规范化.12 2.6.2 数据离散化与概念分层.13 2.7 数据预处理的软件操作（SPSS Modeler）. 16 2.7.1 数据类型.16 2.7.2 数据清理.17 （1）缺失值与无效值.17 （2）孤立值和极值.22 2.7.3 数据集成.25 （1）纵向追加.25 （2）横向合并.26 （3）元组重复.28 2.7.4 数据归约.29 （1）抽样.29 （2）分箱.32 （3）特征选择.36 （4）因子分析.37 2.7.5 数据变换.40

中央财经大学：《大数据金融》课程教学课件（PPT讲稿）第10章 其他机器学习理论