1 学科基础课平台必修课 《概率论与数理统计 B》 《机械设计基础 C》 《高等数学 A1》 《高等数学 A2》 《管理学 A》 《会计学基础 B》 《市场营销学 A》 《统计学 A》 《公共关系学》 《供应链与物流管理 A》 《计算机办公自动化 （中高级应用）》 《运筹学 A》 2 学科基础课平台选修课 《财务管理学 B》 《数据库原理与应用》 《数据库原理与应用课程设计》 《画法几何与工程制图》 《计算机网络 A》 《经济法 C》 《经济写作》 《市场调查与分析》 《微机原理及接口技术 B》 《系统工程学 C》 《预测与决策技术 B》 《质量工程 B》 《金工实习 B》 《微观经济学 B》 《宏观经济学 C》 《物流认知实习》 《管理心理学 A》 《物流工程专业导论》 3 专业课平台必修课 《仓储技术与库存管理》 《物流信息系统》 《物流信息系统课程设计》 《物流自动识别技术》 《现代物流信息技术》 《物流设备与应用技术》 《物流工程毕业设计（论文）》 《物流工程毕业实习》 《物流系统建模与仿真》 4 专业课平台选修课 《物流技术经济》 《交通运输学》 《港口物流理论与实务》 《生产运作管理》 《物流成本管理与控制》 适用对象：物流工程专业 《电子商务 C》 《物流专业英语》 《国际物流》 《物流国际标准术语与相关法规》 《物流工程专业社会调查》 《动态网页程序设计（ASPX）》 《人因工程学 A》 《物流系统规划与设计》 《物流系统综合模拟实验》 《数据挖掘与商务智能》 《ERP 沙盘模拟》

1、学科基础课平台必修课 《概率论与数理统计 B》 《高等数学 B1》 《高等数学 B2》 《线性代数》 《市场营销学 A》 《管理统计与 SPSS 应用》 《市场营销专业导论》 《管理学 A》 《基础会计学 B》 《微观经济学 B》 《宏观经济学 C》 ２、 学科基础课平台选修课 《经济写作》 《ERP 沙盘模拟》 《财务管理学 B》 《公共关系学》 《计算机办公自动化 (中高级应用)》 《数据库原理与应用 B》 《管理信息系统》 《国际商法 B》 《跨境电子商务》 《计量经济学 B》 《管理研究方法》 《管理沟通》 《企业伦理学基础》 《网页设计与制作》 《创新创业创意实训》实习大纲 《领导科学与艺术》 《运筹学 B》 《组织行为学 B》 《组织行为学》B 3、专业课平台必修课 《市场调查与分析》 《消费者行为学》 《国际市场营销学》 《数据挖掘与商务智能》 《营销专业英语》 《营销策划》 《营销策划实习》 《供应链与物流管理 A》 《营销认知实习》 《营销专业实习》 《营销毕业设计（论文）1、2》 《营销毕业实习》 4、专业课平台选修课 《产品摄影》 《产品创新与研发设计》 《产品创新与研发》 《电子商务与网络营销 A》 《电子商务网站建设》 《客户关系管理》 《营销渠道管理》 《品牌管理》 《销售管理》 《服务市场营销学》 《广告学》 《广告学》实习 《零售管理》 《商务谈判》 《商务谈判》实践 《营销专题讲座》 《定价管理》 《现代医院营销》 《创业营销》

为了解决基于Apriori的分类关联规则算法挖掘数值型数据时效率和准确率偏低的问题,提出基于定量关联规则树的分类及回归预测算法.采用改进的定量关联规则算法挖掘数值型数据生成关联规则库,并基于关联规则树结构实现分类及回归预测.研究结果表明:改进的Apriori定量关联规则挖掘算法提高了分类预测的准确率并降低了计算复杂度;而采用关联规则树结构可使分类与回归预测时间明显加快,提高了样本匹配学习的速度

KDD*模型是基于双库协同机制的知识发现新模型,是结构化数据挖掘领域研究的一个新的分支.为了进一步提高KDD*的智能性,设计了一个基于Multi-agent技术的智能数据挖掘系统.利用多智能体技术,实现了数据预处理、数据挖掘、知识的自动获取、基础数据库与知识库的同步进化与协调、知识的评价与表示等功能

中国科学技术大学：《信息检索与数据挖掘》课程教学资源（课件讲稿）第10章 文本分类（基于向量空间的文本分类）

中国科学技术大学：《信息检索与数据挖掘》课程教学资源（课件讲稿）第10章 文本分类（文本分类及朴素贝叶斯方法）

多维事务数据库DB的结构为 (ID,AA2,, Anitems),A是DB中的结构化 属性(例如顾客的年龄,职业收入等),而 items是同事务连接的项的集合(例如购物篮 中频繁项集)。每一个 t=(id,aa 2..2 items-t)由两部分信息组成: 维信息(a1,a2man)项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

多维事务数据库DB的结构为 (ID,A,AAn, items),A是DB中的结 构化属性(例如顾客的年龄,职业收入等), 而 items是同事务连接的项的集合(例如购 物篮中频繁项集)。每一个 t=(id,aa2man,items--t)由两部分信息 组成:维信息(a1,a2man)和项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

• 矩阵分解及隐性语义索引 • 关于词项-文档矩阵 • 线性代数基础 • 矩阵分解与低秩逼近 • IR中的隐性语义索引 • 矩阵分解的计算机实现 • 推荐系统 • 推荐系统的兴起 • 推荐系统的基本方法 • 示例：UV分解用于音乐推荐