第一章 供应链管理基础理论 ◼ 1.1 供应链的基本概念 ◼ 1.2 供应链管理的产生 ◼ 1.3 供应链管理的概念和内涵 第二章 供应链的规划和设计 ◼ 2.1 供应链的规划 ◼ 2.2 供应链的决策 ◼ 2.3 供应链的设计 第三章 供应链管理策略及应用 ◼ 3.1快速反应策略及其应用 ◼ 3.2有效客户响应策略及其应用 ◼ 3.3联合计划、预测和补货策略及其应用 第四章 供应链采购管理 ◼ 4.1 传统采购与供应链采购 ◼ 4.2 供应链管理下的采购决策 ◼ 4.3 供应链管理下的采购模式 第五章 供应链库存管理 5.1 传统的库存管理 5.2 供应链库存管理模式 5.3供应链库存优化方法 第六章 供应链生产管理 ◼ 6.1传统的生产计划与控制 ◼ 6.2供应链管理下的生产计划与控制 ◼ 6.3供应链管理下的生产计划与控制模型 第七章 供应链合作伙伴关系 ◼ 7.1供应链合作伙伴关系的概述 ◼ 7.2供应链合作伙伴关系的建立及影响因素 ◼ 7.3供应链合作伙伴关系的选择 第八章 供应链信息管理 ◼ 8.1网络经济与供应链管理 ◼ 8.2供应链管理中的信息技术 ◼ 8.3基于供应链的物流信息系统 第九章 供应链绩效管理 ◼ 9.1 供应链绩效评价的基本概念 ◼ 9.2供应链绩效评价的方法和应用 ◼ 9.3供应链管理下的激励机制 第十章 供应链财务管理 ◼ 10.1 供应链财务管理的概述 ◼ 10.2 供应链管理下的财务分析 ◼ 10.3 供应链成本管理 第十一章 供应链组织管理 ◼ 11.1 传统企业的组织结构和业务流程 ◼ 11.2 供应链企业的业务流程重组 ◼ 11.3 基于BPR的供应链企业组织结构

第一章 绪论 •财务管理的概念 •财务管理的目标 •财务管理的基本原则 •财务管理环境 第二章 财务管理的价值观念 •资金时间价值 •投资风险价值 第三章 财务分析 •理解财务报表 •财务分析技术及应用 第四章 债券及其估价 •债券的估价术语 •债券的种类 •债券的信用等级 •债券估价 •与债券估价相关的几个关系 第五章 股票及其估价 •优先股评价 •普通股评价 第六章 长期借款与租赁 第七章 资本预算中现金流的确定及评价方法 第八章 资本成本 第九章 杠杆效应分析 风险的类别 经营杠杆 财务杠杆 联合杠杆 第十章 资本结构 资本结构概述 资本结构理论 资本结构决策方法 第十一章 股利政策 西方股利理论 影响股利政策的因素 股利政策决策

第7章 渠道冲突与合作管理 学习目标：理解和应用下列概念及理论 – 渠道冲突的基本概念和类型； – 渠道冲突的原因； – 解决渠道冲突的策略和方法； – 渠道窜货及其解决对策； – 渠道战略联盟的基本概念、条件和形式。 第8章 渠道管理中的营销组合问题 学习目标：理解和应用下列概念及理论 – 各类产品决策对渠道管理的影响与两者关系； – 定价有关决策对渠道管理的影响与两者之间的关系； – 促销策略对渠道管理的影响与两者之间的关系

应用经济学 计量经济学前沿 数据分析软件应用 Python数据分析 博弈论与信息经济学 产业经济学 产业经济学前沿 产业政策专题 发展经济学 环境经济学 机器学习与深度学习 金融风险管理 金融工程 金融经济学 金融实证研究 金融学前沿 科技金融 量化金融前沿 商业伦理与社会责任 生态经济学 时间序列分析 实验经济学 数量经济研究方法 数字经济发展与治理 数字经济学 数字经济专题 投资学 文献阅读与写作 文献阅读与学术写作实践 新制度经济学 中级宏观经济学 中级计量经济学 中级微观经济学 工商管理学 数字营销与消费者行为学 创新创业研究 大数据分析与挖掘 高级管理会计（双语） 会计前沿研究 领导力与组织沟通 企业文化与跨文化管理 数字企业管理 现代企业管理前沿讲座 应用计量经济学 运营管理专题 战略管理研究 质量管理前沿讲座 高级审计理论与实务 公司治理前沿研究 社会科学研究方法 组织行为学 MBA 新时代中国特色社会主义理论与实践 高级商务英语 数据分析与决策 信息系统与信息资源管理 会计学 运营管理 管理经济学 管理学 战略管理 营销管理 人力资源管理 财务管理 公司治理 MBA管理案例研究 项目管理 数字化运营管理 数字化营销 资本运作 数字化商业模式创新 数据资产与数据治理 企业经营模拟实训 大数据财务决策 专业实践 创新创业管理 MPACCS 宏观经济学 公司战略与风险管理 财务会计理论与实务 管理会计理论与实务 财务管理理论与实务 审计理论与实务 商业伦理与会计职业道德 会计专业英语（双语） RPA财务机器人开发与应用 企业数字化运营沙盘模拟 财务报表分析 会计应用研究方法与学位论文写作 大数据审计 机器学习与财务数据挖掘 ESG理论与实务 会计前沿专题

第一章 基本概念Core Concepts 一、需要、欲望与需求 二、市场 三、产品和服务 四、价值、费用及满意 五、交换、交易与关系 六、营销及营销者 第二章 营销管理哲学 一、含义及核心 二、市场营销观念演变 三、不同营销观念的比较 第三章 营销管理 一、市场营销过程的简单模型 二、营销分析框架 三、营销过程完整模型 四、市场营销计划 第四章 环境分析 一、营销环境的含义 二、微观营销环境构成 三、宏观营销环境构成 四、环境分析 第五章 消费者市场分析 一、消费者市场及特点 二、消费者购买行为 三、消费者购买决策中的五个角色 四、消费者购买行为模型 五、影响消费者购买行为的主要因素 六、消费者购买决策过程 第六章 组织市场分析 一、基本概念 二、产业市场分析 三、中间商市场分析 四、政府市场分析 第七章 营销调研 一、营销信息系统 二、营销调研 三、调研方法 第八章 市场营销战略 一、市场细分 二、市场选择 三、市场定位 第九章 产品策略 一、整体产品概念 二、产品组合策略 三、品牌策略 四、产品生命周期战略 五、新产品开发策略 六、服务营销 第十章 定价策略 一、影响定价的因素 二、定价的程序 三、定价方法 四、定价策略 五、 价格变动与企业对策 第十一章 渠道策略 一、渠道概念 二、渠道结构 三、渠道设计 四、渠道管理 第十二章 促销策略 第一节 促销及促销组合 第二节 人员推销 第三节 广告 第四节 销售促进 第五节 公共关系 第十三章 营销管理过程 一、管理营销努力 二、营销计划的内容 三、营销执行 四、营销控制

模糊隶属度无统一算法,定义存在分歧.根据模糊概念\内涵明确,外延不明确\的特点,定义隶属度为不同外延对内涵的从属程度.在信息系统中,概念的外延用对象表示,内涵由属性表示,由此提出了求解隶属度的新算法:由原始统计数据组成初始信息系统,用粗糙集理论求得其商集并构建集值信息系统;该集值信息系统对应的条件概率空间中的条件概率即为隶属度.广义上信息系统可分为信息系统(无决策属性)和目标信息系统(有决策属性)两类.隶属度也可分为两类:第一类外延对象为内涵属性本身值,如年龄对青年人的隶属度(信息系统);第二类外延对象为不同于内涵属性的另一属性值,如边坡工程安全系数对稳定状态的隶属度(目标信息系统).计算以上两个实例,前者与已有结论作对比验证,后者与函数选择、经典统计方法及贝叶斯公理作对比验证,可知结果可靠,算法可行

订单接受与不相关并行机调度是订单接受与订单调度的联合决策, 广泛存在于面向定制的多品种混合生产环境中. 针对这一问题, 考虑了顺序与机器依赖的安装时间以及可加工机器限制, 并以最小化总成本为优化目标. 其中, 总成本由被接受订单的总拖期成本和被拒绝订单的总拒绝成本构成. 通过分析订单拒绝对目标的影响, 提出了列表拒绝方法和订单拒绝规则, 进而设计了协同进化遗传算法. 算法将染色体编码分解为订单列表和订单指派两个个体, 提出了基于列表拒绝方法的解码方案来进行订单拒绝决策. 由于两个个体相互独立, 且二者的进化约束不同, 因而引入协同进化策略, 并根据个体的编码特征, 分别采用单亲遗传算子和传统遗传算子进行遗传操作. 数据实验验证了算法的有效性和求解效率, 并对问题规模和订单拒绝成本对算法性能的影响进行了分析

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

宏观经济模型在宏观总量水平上把握和反映经济运行的全面特征，研究宏观经济主要指 标间的相互依存关系，描述国民经济和社会再生产过程各环节之间的联系。可用来进行宏观 经济的结构分析、政策评价、决策研究和发展预测。本章主要讨论了宏观计量经济模型的设 定理论，并对中西方宏观计量经济模型进行了综述。 本章学习的一个重点是宏观计量经济模型的设定理论。首先是宏观经济模型的分类，可 以按建模方法分类，分为计量经济学模型、投入产出模型、优化模型、经济控制论模型、系 统动力学模型等；可以按建模目的分类，分为预测模型、决策模型、专门模型；可以建模范 围分类，分为国家模型、地区模型、国家间模型等；可以按时间长度分类，分为季度模型、 年度模型和中长期模型等

机器学习是计算机科学的重要分支领域，本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面.全书共16章，大致分为3个部分：第1部分（第1~3章）介绍机器学习的基础知识：第2部分（第4~10章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习)：第3部分（第11~16章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索