总结

必修

AMA505 Optimization Methods（优化方法）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA505.pdf

Objectives（教学目标）

使学生能够使用更高级的数学和计算适用于解决实际工程和管理问题的技术。

Intended Learning Outcomes （预期学习结果）

完成本课程后，学生将能够：
(a) 用单纯形法解决线性规划问题。
(b) 在解决实际问题中应用线性规划。
(c) 求解有约束和无约束的优化问题。

Subject Synopsis（教学大纲）

线性优化方法

单纯形法、灵敏度分析、线性规划在产业资源配置、博弈论等实际问题
战略规划和经济学模型。

非线性规划方法

无约束优化：
线搜索方案、最速下降法、牛顿法、共轭法
梯度法、拟牛顿法和置信域法。
约束优化：
Kuhn-Tucker 最优条件，适用于简单解
非线性问题。 二次规划和凸规划
问题。 惩罚和屏障功能。 非线性规划的应用
在参数估计、模型识别等技术问题中。

成绩安排

参考书目

• Bertsekas, D. P. Nonlinear Programming, 3rd Edition Athena Scientific, 2016
• Nocedal, J. and Wright, S.J. Numerical Optimization, 2nd Edition Springer, 2006
• Boyd, S. and Vandenberghe, L. Convex Optimization Cambridge University Press, 2004
• Mangasarian, O.L. Nonlinear Programming SIAM, 1994
• Rockafellar, R.T. Convex Analysis Princeton University Press, 1970

2006 - Numerical Optimization 2ed - Jorge Nocedal.pdf
Numerical_Optimization2答案.pdf

AMA563 Principles of Data Science

https://www.polyu.edu.hk/ama/information/63027/subject/AMA563.pdf

Objectives

为学生提供数据科学的基本介绍以及真实的来自学术和工业来源的示例和案例研究。 到
介绍与计算基础密切相关的基本概念数据科学和分析。 介绍一些软件和语言数据分析。

Intended Learning Outcomes

完成本课程后，学生将能够：
(a) 了解数据科学的基础；
(b) 掌握数据分析的基本技术；
(c) 描述数据科学的一些应用；
(d) 掌握一些与数据科学相关的软件。

Subject Synopsis（教学大纲）

数据分析：（18 小时）

基本概率论、随机变量、高阶矩。
估计理论：矩法，最大似然，充分
统计、指数族、偏差、方差、均方误差、最小值
方差无偏估计。
假设检验：Neyman-Pearson 引理、显着性和功效，
似然比检验和信息标准。

案例研究：（3 小时）

PageRank 和其他当代应用程序。

数值方法：（18小时）

所选编程语言的预备知识，例如 R 或 Python。 数据类型;
线性代数的基本运算； 条件和循环； 功能和
递归； 并行计算； 文件； 对象； 范围界定； 文件
操作； 数据可视化； 统计包。

成绩安排

评估方法在评估中的适当性的说明预期学习成果：
本课程侧重于数据科学的数学基础。 许多这些主题基于统计学和机器学习理论。 基于考试的评估是一种适当的评估方法，包括 20%期中考试和50%的考试。
由于该主题还强调了解数据科学中的各种数值方法，一个重量级的小项目20% 适合评估预期的学习成果 (c) 和 (d)，其中将鼓励学生使用数值分析大型数据集方法并交流他们的发现。 10% 的作业价值是还包括作为持续评估的一个组成部分，以保持学生进行中。持续评估包括作业、小型项目和测试。 一种笔试在学期末举行。

参考书目

Textbooks：

• George Casella, Roger L. Berger Statistical Inference Duxbury / Thomson Learning, 2002
• Trevor Hastier, Robert Tibshirani, Jerome Friedman The Elements of Statistical Learning: Data Mining, Inference, and Prediction Springer 2018, 2nd edition
• Sheldon Ross A First Course in Probability Pearson, 8th edition

References：

• Christopher Bishop Pattern Recognition and Machine Learning Springer 2006, 1st edition
• Jure Leskovec, Anand Rajaraman, Jeff Ullman Mining of Massive Datasets Available online, 2 nd edition
• Amy N. Langville and Carl D. Meyer Google’s PageRank and Beyond: The Science of Search Engine Rankings Princeton University Press, 2012
• Yangchang Zhao R and Data Mining: Examples and Case Studies Academic Press, 2012

AMA564 Deep Learning（深度学习）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA564.pdf

Pre-requisite

AMA563 Principle of Data Science

Objectives

提供机器学习和深度学习的全面介绍学习。 介绍选定的基本概念和算法深度学习的主题，为学生提供必要的将深度学习应用于实际问题的背景，以及为有兴趣从事研究的学生提供一个起点在深度学习或相关领域。

Intended Learning Outcomes

完成本课程后，学生将能够：
(a) 展示对机器学习和深度学习原理的掌握学习
(b) 培养深度学习的量化技能并解释结果
深度学习算法。
(c) 在现实中识别、定义和制定深度学习的问题
应用程序并为问题生成可行的解决方案。

Subject Synopsis

机器学习

正核、支持向量机、LASSO、正则化最少
正方形； 朴素贝叶斯、决策树、逻辑回归、k-最近
邻居，随机森林； K-均值； 凝聚层次聚类；
用于机器学习的 Python

深度学习：

人工神经网络，反向传播； 计算机深度学习
视觉、卷积神经网络、辍学； 文本和深度学习
序列、循环神经网络、词嵌入； Python 深学习

初步统计学习理论：

神经网络的函数空间、范数、通用性； 概括，
偏差-方差权衡； VC维； AUC 分数，数据不平衡。

Teaching Methodology

The subject will mainly be delivered through lectures and tutorials in computer lab. The theoretical background and the real applications of learning algorithms are both emphasized.
貌似有在实验室上课

成绩安排

评估方法在评估中的适当性的说明预期的学习成果：
作业：用于帮助学生复习基础数学和算法的细节。
项目：培养学生组织学习算法的能力问题和表达技巧
期中考试：理论持续评估的一部分。
考试：数学和算法的全面考试学习了整个学期。

参考书目

Textbooks：

• Han, J., Kamber, M., and Pei, J. Data Mining: Concepts and Techniques, 3rd Edition. Morgan Kaufmann, 2011
• Francois Chollet with J. J. Allaire Deep Learning with Python Manning Publications Co. 2018

References：

• Tan, P.N., Steinbach, M., and Kummar, V. Introduction to Data Mining Pearson 2006
• Hastie, T., Tibshirani, R, and Friedman, J. The Elements of Statistical Learning Springer 2009
• Kelleher, J.D., Namee M.B., D’Arcy, A. Fundamentals of Machine Learning for Predictive Data Analysis The MIT Press 2015
• Steinwart, I., Christmann A. Support Vector Machines Springer 2008
• Goodfellow I., Bengio Y., Courville A. Deep Learning The MIT Press 2016

Advanced High Dimensional Data Analysis（高级高维数据分析）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA565.pdf

Pre-requisite

Data Principles of Data Science

Objectives

全面介绍高维数据分析。 介绍数据挖掘中选定主题的基本概念和算法，为学生提供应用到实际问题的必要背景，并为有兴趣从事数据科学或相关领域研究的学生提供一个起点。

Intended Learning Outcomes

完成本课程后，学生将能够：
(a) 展示对高维数据分析原理的掌握
(b) 培养数据分析的定量技能并解释算法的结果。
(c) 识别、定义和制定实际应用中高维数据分析的问题，并生成可行的问题解决方案。

Subject Synopsis

高维统计：

多元正态分布，均值向量和协方差矩阵的估计，多重和偏相关系数； 降维，主成分分析； 估计高维稀疏参数（均值和协方差矩阵）。

数据分析：

高维判别分析、分类和聚类； 期望最大化； 线性支持向量机。 正则化、阈值估计； 高维线性回归：最小绝对收缩和选择算子（LASSO）； 最小角度回归（LARS）； 调整参数的选择

Teaching Methodology

The subject will mainly be delivered through lectures and tutorials in computer lab. The theoretical background and the real applications of learning algorithms are both emphasized.
貌似有在实验室上课

成绩安排

评估方法在评估预期学习成果方面的适当性的解释：
作业：用于帮助学生复习基础数学和算法细节。
项目：培养学生针对实际问题组织数据挖掘算法的能力。
期中考试：理论持续评估的一部分。
考试：对整个学期学习的数学和算法的全面考试。

参考书目

Textbooks：

• James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning Springer 2013

References：

• Hastie, T., Tibshirani, R, and Friedman, J. The Elements of Statistical Learning Springer 2009
• Kelleher, J.D., Namee M.B., D’Arcy, A. Fundamentals of Machine Learning for Predictive Data Analysis The MIT Press 2015
• Steinwart, I., Christmann A. Support Vector Machines Springer 2008
• Buhlmann, P., & De Geer, S. Statistics for high-dimensional data: methods, theory, and applications Springer Sciences & Van Business Media 2011

COMP5434 Big Data Computing（大数据计算）

https://www.polyu.edu.hk/ama/information/63027/subject/COMP5434.pdf

Pre-requisite

Knowledge in database systems, machine learning and data analytics is preferred.

Objectives

本主题的目标是：
1. 向学生介绍大数据的概念和挑战；
2. 教学生应用技能和工具来管理和分析大数据。

Intended Learning Outcomes

了解大数据的概念和挑战，以及为什么传统技术不足以分析大数据；
了解如何收集、管理、存储、查询和分析各种形式的大数据；
熟悉大规模分析工具，解决一些开放的大数据问题；
了解大数据对业务决策和战略的影响

Subject Synopsis

1. 大数据简介：不同的 V，它们的挑战和应用领域。
   2. 云计算基础：软件即服务 (SaaS)、平台即服务 (PaaS)、基础设施即服务 (IaaS)、桌面即服务 (DaaS)、公共云、私有云和企业云。
   3. 大数据计算：概念、平台、服务和工具
   4.大规模编程抽象：MapReduce及其Hadoop的开源实现
   5. 大规模数据处理框架：Apache Spark 及其内置模块
   6. 大规模数据库管理：NoSQL 和其他工具，例如 MongoDB、Google BigTable 等。
   7. 大数据机器学习系统：方法和工具
   8、大数据可视化：数据类型和维度； 视觉编码和感知
   9. 大数据案例研究

   Teaching Methodology

   A mix of lectures, discussions and case studies. Class activities include lectures, tutorials, laboratory works and seminars.
   貌似有在实验室上课

   成绩安排

   
   评估方法在评估预期学习成果方面的适当性的解释：持续评估包括项目、作业、实验室练习和测验，旨在帮助学生实现预期的学习成果。 实验室练习旨在鼓励学生充分理解相关知识，练习以丰富他们对各种软件工具的动手经验。 该项目旨在提高学生的理解能力，并通过团队使用不同的知识、原理、技术、工具来解决实际问题。 测验是为了确保学生理解概念。 考试将评估学生对大数据技术的理解和使用。

   参考书目

• Jared Dean, Big Data, Data Mining, and Machine Learning: Value Creation for Business Leaders and Practitioners. Wiley, 2014.
• EMC Education Services (Editor), Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data, Wiley, 2015.
• Stonebraker et al., “MapReduce and Parallel DBMS’s: Friends or Foes?”, Communications of the ACM, January 2010.
• How Vertica Was the Star of the Obama Campaign, and Other Revelations
• Cohen et al.“MAD Skills: New Analysis Practices for Big Data”, 2009
• Dean and Ghemawat, “MapReduce: A Flexible Data Processing Tool”, Communications of the ACM, January 2010.
• Rick Cattell, “Scalable SQL and NoSQL Data Stores”, SIGMOD Record, December 2010 (39:4)
• Leskovec, Rajaraman, Ullman, Mining of Massive Datasets, 2nd Ed., Cambridge University Press, 2014.
• Pedro Domingos, A Few Useful Things to Know about Machine Learning, CACM 55(10), 2012

COMP5112 Data Structures and Database System（数据结构和数据库系统）

https://www.polyu.edu.hk/ama/information/63027/subject/COMP5112.pdf

Objectives

本课题的目标是：
1. 应用数据结构、排序和搜索算法开发计算机程序；
2.正确使用和管理数据库系统。

Intended Learning Outcomes

1. 了解不同数据结构的属性、优势和劣势；
2. 具备排序和搜索算法的知识；
3. 能够使用数据库系统的相关工具和技术；
4. 理解并应用良好的数据库设计和分析的原则和实践。

   Subject Synopsis

   数据结构：

   线性结构：链表、栈、队列；
   树结构：二叉树、平衡树、树遍历；
   其他常见数据结构：优先级队列、堆。

   排序和搜索算法：

   常用排序算法：冒泡排序、插入排序、选择排序、快速排序、归并排序、堆排序。

   数据库系统的基本概念：

   数据库及其应用； DBMS 设计目标及其组成部分；数据独立。

   关系数据模型：

   关系结构； 关系代数；
   SQL; 关系约束

   数据库设计：

   实体关系模型； 函数依赖； 正常化。

   数据存储和查询：

   档案组织； 索引和散列； 查询处理。

Teaching Methodology

This subject emphasizes the technical aspects of data structures and practical aspects of database systems. It is intended to equip the student with knowledge and experience on solving real-life problems by using data structures and database systems.
The lectures will be used to deliver course material.
Labs and tutorials will be used to practice exercises.
本科目强调数据结构的技术方面和数据库系统的实际方面。 它旨在让学生掌握使用数据结构和数据库系统解决现实生活问题的知识和经验。
讲座将用于提供课程材料。实验室和教程将用于练习练习。

成绩安排

参考书目

• Frank M. Carrano, Data Abstraction & Problem Solving with C++: Walls & Mirrors, 7 th Edition, Pearson, 2017.
• Goodrich, M.T. and Tamassia, R., Data Structures and Algorithms in Java, 6 th Edition, John Wiley, 2014.
• A Silberschatz, H.F. Korth, S. Sudarshan. Database System Concepts 6th Edition. McGraw Hill, 2011.
• Hector Garcia-Molina, Jeffrey D. Ullman & Jennifer Widom. Database System Implementation, Prentice Hall, 3rd Edition, 2008.

选修

AMA502 Operations Research Methods (运筹学方法）（张鉴昊）

Exclusion

MGT 532 “Deterministic Operations Research” or its equivalent

Objectives

使学生能够体会数学、计算和统计技术在解决实际工程管理问题中的应用。

预期学习成果

1. 综合运筹学模型制定所需的数学和统计的知识技术
2. 执行和评估解决运筹学问题的主要算法
3. 解释这些运筹学算法的结果

4. 批判性地评价解决方案的改进

   Subject Synopsis

   回归、预测、显著性检验、拟合优度、贝叶斯方法；网络、PERT/CPM（项目评估和审查技术/关键路径方法）、调度；库存管理、线性规划、决策。

5. 基本统计

   1. 最小二乘法和回归；模型参数检验；简单变换；相关系数
   2. 统计假设；z、t和卡方检验的应用；拟合优度
   3. 贝叶斯定理，先验和后验分布
6. 项目管理

网络图；项目成本分析；项目工期概率考虑；资源调度

1. 库存管理
   1. 指定库存政策；EOQ（经济订货批量）公式的推导和使用；调整EOQ公式来统一补货；对需求和交货期缺乏确定性的影响
   2. 计划短缺的经济订货批量，经济生产批量
2. 资源管理

生产和资源调度问题中制定线性程序；图解二变量线性规划问题；对偶问题；单纯形解法；运输和分配模型

Teaching Methodology

The subject will be delivered mainly through lectures and tutorials. The teaching and learning approach is mainly problem-solving oriented. The approach aims at the development of mathematical techniques and how the techniques can be applied to solving problems. Students are encouraged to adopt a deep study approach by employing high level cognitive strategies, such as critical and evaluative thinking, relating, integrating and applying theories to practice.

成绩安排

Continuous Assessment comprises of assignments/ project and a mid-term test. A written examination is held at the end of the semester.
有作业/项目、期中考试和期末考试

参考书目

• Johnson, Richard A. Miller’s & Freund’s Probability and Statistics for Engineers, 8th Edition Prentice Hall, 2011
• Milton, J.S. and Arnold, J.C. Introduction to Probability and Statistics: Principles and Applications for Engineering and the Computing Sciences, 4th Edition . McGraw Hill, 2002
• Miller, I. and Miller, M. John E. Freund’s Mathematical Statistics with Applications, 8th Edition. Pearson, 2012
• Hogg, R. V., Tanis, E. and Zimmerman, D. Probability and Statistical Inference, 10th Edition. Pearson, 2019
• DeGroot, Morris H. and Schervish, Mark J. Probability and Statistics, 5th Edition. Pearson, 2019
• Hillier, F.S. and Lieberman, G.J. Introduction to Operations Research, 10th Edition, McGraw Hill, 2014
• Taha, H.A. Operations Research, 5th Edition . MacMillan, 1992
• Winston, W. L. and Venkataramanan, M. Introduction To Mathematical Programming, Operations Research: Volume One, 4th Edition. Brooks/ColeThomson Learning, 2002

kupdf.net_miller-amp-freund39s-probability-and-statistics-for-engineers.pdf

AMA506 Graphs and Networks（图与网络）

Objective（教学目标）

本课程旨在培养学生能够
(i) 用离散数学模型模拟现实生活中的问题；
(ii) 用有限数学技术解决图和网络问题。

Intended Learning Outcomes（预期学校成果）

完成本课程后，学生将能够：
(a) 针对实际问题建立网络模型。
(b) 描述网络结构。
(c) 找出匹配和分配问题的最优解。
(d) 描述最小成本流问题的双重最优解的性质。
(e) 计算最小成本流问题的最佳流。

Subject Synopsis（教学大纲）

图

图和有向图、图表示、路径和回路、树和生成树、施泰纳树、欧拉和汉密尔顿路径、图建模和应用。

网络

最短路径问题、最小成本流问题、最大流问题、分配问题、运输问题、绘制网络问题、失衡算法、对偶网络优化问题。

案例研究/小项目

背包问题、匹配问题、多商品流问题、旅行商问题、位置问题和项目网络。

成绩安排

参考书目

• R.K. Ahuja, T.L. Magnanti and J.B. Orlin Network Flows: Theory, Algorithms, and Applications Prentice Hall, 1993
• J.R. Evans and E. Minieka Optimization Algorithms for Networks and Graphs, 2nd Edition Marcel Dekker Inc, 1992
• D.B. West Introduction to Graph Theory, 2nd Edition Prentice Hall, 2001
• C. J. Goh and X. Q. Yang Duality in Optimization and Variational Inequalities Taylor & Francis 2002
• W. L. Winston and M. Venkataramanan, Introduction to Mathematical Programming, Operations Research: Volume One, 4 th Edition, Brooks/ColeThomson Learning, 2003

  AMA507 Mathematical Modelling for Science and Technology（数学建模）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA507.pdf

  Objective（教学目标）

  本科目的目标是教学生如何将现实生活中的问题建立在合适的数学模型上并通过数学方法解决。 将研究科学和工程中数学模型的一些公式和解决方案。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 通过多种建模方法和数学概念，系统地建立数学模型。
  (b) 比较、分析、解释和验证不同的数学模型。
  (c) 应用计算机代数系统来产生数学模型的解。
  (d) 将模型构建技术及其解决方案应用于现实世界的问题和决策。
  (e) 在书面和口头学术交流中提出想法、问题解决方案和涉及数学内容的信息。

  Subject Synopsis（教学大纲）

  数学建模简介

  数学建模过程； 问题表述； 数学描述和分析、数学模型、模型解释和验证。

方法论

系统表征、系统和环境、连续和离散变量、离散时间和连续时间数学模型和建模、确定性静态系统模型、确定性动态系统模型、概率静态系统模型、随机动态系统和混沌动力学 .

使用软件包进行模型评估。

成绩安排

参考书目

• Meyer, W.J. Concepts of Mathematical Modeling McGraw-Hill, 2004
• Frank R. Giordano, William P. Fox, Steven B. Horton, and Maurice D. Weir A First Course in Mathematical Modeling Brooks Cole, 2009
• Mark M. Meerschaert Mathematical Modeling, 4th Edition Academic Press, 2013
• Stefan Heinz Mathematical Modeling Springer, 2011 Edition

  AMA514A Applied Linear Models（应用线性模型）

  Objective（教学目标）

  使学生对回归分析和诊断的方法有透彻的了解。 重点将放在线性统计模型的应用和原理上。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 描述探索性数据分析的目的。 使用适当的工具计算适当的汇总统计数据并进行探索性数据可视化。
  (b) 使用相关分析和回归分析了解变量之间的线性关系。 使用 R/SAS 将单个或多个线性回归模型拟合到数据集并解释输出。
  (c) 理解广义线性模型 (GLM) 的基本概念，并描述如何将 GLM 应用于精算定价/准备金。 使用 R/SAS 将 GLM 拟合到数据集并解释输出。
  (d) 估计回归参数并执行诊断测试，包括检查假设和评估模型拟合。
  (e) 使用 R/SAS 将统计分布拟合到数据集并计算适当的拟合优度度量。
  (f) 使用主成分分析来降低复杂数据集的维数。

  Subject Synopsis（教学大纲）

  简单线性回归

  模型和假设；参数的最小二乘估计；对参数的推断；决定系数；响应变量平均值的置信区间；预测区间；测试欠拟合；残差检查。

多元线性回归模型

作为简单线性回归模型的扩展；作为逻辑和概率模型等一般线性模型的特例；对参数的推断；部分 F 检验；多项式回归；固定效应和随机效应模型；指标变量的使用；多重共线性；岭回归；主成分回归。

诊断

方差分析和方差分析表；单向分类，总平方和和自由度的划分；均方期望、总体均值和方差分量的估计、方差分析的回归方法；异方差性；检测异方差性；异方差的后果；异方差解；广义最小二乘法，加权最小二乘法。

降维

回归中“独立”变量的选择；选择标准;全部回归、后向淘汰、前向选择和逐步回归的方法；主成分分析。

成绩安排

参考书目

• Montgomery, D.C., Peck, E.A., and Vining, G.G. Introduction to Linear Regression Analysis, 5th Edition Wiley 2012
• Weisberg, S. Applied Linear Regression, 4th Edition Wiley 2014
• Littell, R.C., Freund, R.J. and Stroup, W.W. SAS for Linear Models. 4th Edition SAS 2002

• Faraway, J.J. Linear Models with R. 2nd Edition Chapman & Hall/CRC 2004

  AMA515A Forecasting and Applied Time Series Analysis（预测和应用时间序列分析）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA515A.pdf

  Objective（教学目标）

  使学生能够理解时间序列的建模并将其应用于预测，以及使用统计包进行实证分析。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 使用简单的技术来确定时间序列的趋势和季节性。
  (b) 为一组时间序列数据确定合适的 ARMA 模型。
  (c) 确定一个时间序列是平稳的还是非平稳的。
  (d) 基于指数平滑模型和 ARMA 模型获得预测。
  (e) 描述和应用随机游走和 GARCH 族模型。

  Subject Synopsis（教学大纲）

  描述性技术和平滑模型：

  平稳性； 趋势; 季节性； 自相关； 指数平滑
  预测方法。

  时间序列的概率模型：

  离散和连续时间序列模型； 自回归和移动平均过程； 识别、估计和诊断检查
  ARMA 模型； 使用 ARMA 模型进行预测。

  金融时间序列模型：

  随机游走； ARCH 和 GARCH 建模。

  成绩安排

  

  参考书目

• Robert S. Pindyck and Daniel L. Rubinfeld Econometric Models and Economic Forecasts, 4th Edition Irwin / McGrawHill, 1998

• Box, G., Jenkins, G. and Reinsel, G. Time Series Analysis: Forecasting and Control, 4th Edition John Wiley, 2008
• Brockwell, P. and Davies, R. Time Series: Theory and Methods, 2nd Edition Springer-Verlag, 1991
• Montgomery, D., Johnson, A. and Gardiner, J. Forecasting and Time Series Analysis, 2nd Edition McGraw-Hill, 1990
• Cryer, J.D. and Chan K.S. Time Series Analysis with Applications in R, 2nd Edition Springer, 2008
• Ruey S. Tsay An Introduction to Analysis of Financial Data with R John Wiley, 2013

AMA523 Optimal Control with Management Science Applications（优化控制与管理科学中的应用）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA523.pdf

Objective（教学目标）

本课程旨在介绍变分微积分和最优控制理论的基本理论概念，并应用于管理科学。

Intended Learning Outcomes（预期学校成果）

完成本课程后，学生将能够：
(a) 在变分和最优控制的演算中制定简单的问题。
(b) 应用变分和最优控制的理论和技术来解决某些控制问题。
(c) 综合数学知识对简单的最优控制问题进行建模。

Subject Synopsis（教学大纲）

介绍介绍变分微积分和最优控制理论——对理论、标准符号和简单公式的简要历史说明。

分析技术

变分法、动态规划、最大值原理、
卡尔曼滤波器，随机微分方程。

金融应用

简单的现金余额问题； 考虑外部股权融资、每股股利分配和未来股利现值最大化的最优融资问题。

生产和库存应用

生产库存系统； 连续小麦交易模式； 计划范围和预测范围。

数值优化控制软件包

最优控制计算软件介绍—-Matlab

成绩安排

参考书目

• Stephen Boyd and Lieven Vandenberghe Convex Optimization Cambridge University Press, 2004
• Mike, MestertonGibbons A primer on the calculus of variations and optimal control theory American Mathematical Society, c2009
• Sethi, S.P. and Thompson, G.L. Optimal Control Theory: Applications to Management Science and Economics, 2nd Edition Kluwer Academic, 2000
• P. E. Kloeden and E. Platen Numerical solution of stochastic differential equations Springer, New York, 2000.

AMA524 Scientific Computing（科学计算）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA524.pdf

Objectives（教学目标）

将数值算法与方法以数学形式应用于计算机层面，用以解决科学与工程问题。
该课程的目标是向学生提供计算方法相关的基础训练。
该课程覆盖了许多重要且广泛使用的计算技巧以及他们的实践应用。

Intended Learning Outcomes （预期学习结果）

(1) 了解利用基础算法解决数学问题的理论以及实践部分
(2) 设计程序用于数值计算
(3) 选择合适的数值方法用于避免或是控制误差传播
(4) 利用标准的数值方法用于解决数学问题

Subject Synopsis（教学大纲）

计算机编程 (Computer programming)
简要介绍matlab，学生们被要求利用matlab研究数值方法的广泛应用。
误差分析 (Error analysis)
介绍绝对误差、相对误差、舍入误差、截断误差、误差传播和有效数字。
线性方程组的解 (Solutions of linear systems)
高斯消元法、LU 因子分解、Cholesky因子分解、共轭梯度法、迭代法、向量范数、矩阵范数、迭代法的收敛性
非线性方程的解 (Solutions of nonlinear equations)
定点法、牛顿法、正割法、Broyden方法、BFGS法
矩阵特征值问题 (Matrix eigenvalue problems)
特征值、特征向量、特征值的包含、幂次法、Householder tridiagonalization、the QR-factorization method.
插值多项式 (Interpolation polynomials)
多项式插值，拉格朗日和牛顿公式，误差公式
数值积分 (Numerical integration)
矩形法、梯形法、辛普森法、牛顿-科特斯法
常微分方程的初值问题 (Initial value problems for ordinary differential equations)
欧拉法、龙格-库塔法
常微分方程的有限差分方法 (Finite difference methods for differential equations)
两点边值问题，椭圆方程，抛物线方程，双曲线方程

课程设置与成绩安排

参考书目

l Higham, N.J. Accuracy and Stability of Numerical Algorithms, 2nd Edition Addison-Wesley, 2002
l Sedgewick, R. and Flajolet, P. An introduction to the Analysis of Algorithms SIAM, 1996
l Schilling, R.J. and Harris, S.L. Applied Numerical Methods for Engineers using MATLAB and C. Brooks/Cole, 2000
l Van Loan, F. Introduction to Scientific Computing, 2nd Edition Prentice Hall, 2000
l Kincaid, D. and Cheney, W. Numerical Analysis, 3rd Edition Brooks/Cole, 2002
l Golub, G.H. and Ortega, J.M. Scientific Computing and Differential Equations, 2nd Edition Academic, 1992

AMA527 Decision Analysis（决策分析）

https://www.polyu.edu.hk/ama/information/63027/subject/AMA527.pdf

Objective（教学目标）

使学生了解不确定性下决策分析的理论和方法，体会专家判断和信息在决策和风险管理中的价值，并将其应用于工业和金融领域。

Intended Learning Outcomes（预期学校成果）

完成本课程后，学生将能够：
(a) 描述决策分析的基本原则和假设。
(b) 整合解决现实生活问题所需的决策知识和技术。
(c) 为实际决策问题收集数据并制定数学模型。
(d) 解决决策问题并呈现决策分析结果。
(e) 根据分析结果提出行动建议，恪守职业、道德和社会责任。

Subject Synopsis（教学大纲）

初步概率论回顾概率论、先验和后验分布、贝叶斯定理。

决策分析模型的结构

决策分析模型的定义、决策分析模型的分类、决策树、带抽样的决策分析。

不确定性下的决策分析

损失函数，maximin 标准，minimax 后悔标准，
极大值准则、贝叶斯决策准则、两人零和博弈、效用函数。

抽样决策分析

似然函数、与决策规则相关的风险函数、决策规则的贝叶斯测度和贝叶斯决策规则、决策规则的凸集和可接受的决策规则、蒙特卡罗方法。

应用

资本投资、招标采购、库存控制、保险政策、其他工业和金融应用。

成绩安排

参考书目

• Pratt, J.W., Raiffa, H. and Schlaifer, R. Introduction to Statistical Decision Theory MIT Press, 2008
• G. Owen, Game Theory Emerald Group Publishing Limited, 4th Edition August 8, 2013
• W. L. Winston, Operations Research, Cengage Learning, 4th Edition July 25, 2003
• G.Y. Chen, X.X. Huang, X.Q. Yang Vector Optimization: Set-valued and Variational Analysis. Springer, August 23, 2005
• Goodwin, P. and Wright, G. Decision Analysis for Management Judgment, 5th Edition Wiley, 2014

• Golub, A.L. Decision Analysis: An Integrated Approach New York, Wiley, 1997

  AMA528 Probability and Stochastic Models（概率论与随机模型）

  Objective（教学目标）

  使学生对基本概率论和一些分布族及其应用有透彻的了解。

  Intended Learning Outcomes（预期学习成果）

  完成本课程后，学生将能够：
  (a) 应用概率、条件概率和条件的概念
  期望。
  (b) 识别各种离散和随机变量下的分布
  连续分布。
  (c) 计算概率、矩和其他相关量基于
  给定的分布。
  (d) 确定变换后的概率分布。
  (e) 在数学建模中应用随机模型。

  Subject Synopsis（教学大纲）

  基本概率

  设置函数，样本空间，事件，设置操作，
  概率、独立性、条件概率、三种基本概率
  公理：乘法规则、全概率定律和贝叶斯定理。
  随机变量：离散和连续、分布函数、期望、
  方差、高阶矩、矩生成函数、概率
  生成函数、累积生成函数和累积量。 确认
  可以使用每个分布的应用程序，解释原因，
  并在给定参数的情况下将分布应用于应用程序。
  多个随机变量：独立、联合分布、条件
  分布，边际分布。 条件期望、方差和
  复合分布； 贝叶斯统计的概念； 应用技术
  创建新分布：乘以常数，乘以幂，
  求幂，混合。 中心极限定理。

  随机过程

  时间指数、集合平均、自相关、分类、平稳增量、独立增量。
  马尔可夫性质，马尔可夫过程，转移概率，多态
  马尔可夫链，马尔可夫过程模型的应用。

  成绩安排

  

  参考书目

• Ross, S.M. A First Course In Probability, 9th Edition Pearson Education

• Ross, S.M. Introduction To Probability Models, 11th Edition Academic Press
• Richard Durrett Essentials of Stochastic Processes Springer, 2016

• Grimmett, G. and Stirzaker, D. Probability and Random Processes, 3rd Edition Oxford University

  AMA529 Statistical inference（统计推断）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA529.pdf

  Pre-requisite

  AMA528 Probability and Stochastic Models

  Objective（教学目标）

  使学生了解统计推理的理论和实践。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 了解随机抽样、统计推断和抽样分布的概念，并使用基本的抽样分布。
  (b) 利用主要的估计方法获得未知参数的估计量。
  (c) 构建未知参数的置信区间。
  (d) 理解检验假设的概念并应用它们。
  (e) 采用贝叶斯方法进行参数估计、假设检验和模型选择。

  Subject Synopsis（教学大纲）

  概率和分布的回顾。

  估计理论

  点估计、矩量法、百分位匹配、最大似然、充分统计、指数族、完整性、偏差、方差、均方误差、最小方差无偏估计量、Cramer-Rao 下界、Fisher 信息、Rao-Blackwell 定理 ，渐近分布，区间估计，关键量法，大样本置信区间。

  假设检验

  Neyman-Pearson 引理、显着性和功效、似然比检验和信息标准。

  贝叶斯统计

  贝叶斯估计、假设检验和模型选择

  成绩安排

  

  参考书目

• Hogg, R.V., McKean, J.W. and Craig, A.T. Introduction to Mathematical Statistics, 7th Edition Pearson / Prentice Hall, 2013

• Casella, G. and Berger, R.L. Statistical Inference, 2nd Edition Duxbury / Thomson Learning, 2002
• Hogg, R.V. and Tanis, E.A. Probability and Statistical Inference, 8th Edition Prentice Hall, 2009
• Garthwaite, P.H., Jolliffe, I. and Jones, B. Statistical Inference, 2nd Edition Oxford University Press, 2002
• Mood, A.M., Graybill, F.A. and Boes, D.C. Introduction to the Theory of Statistics, 3rd Edition McGraw-Hill, 1974

  AMA531 Loss Models and Risk Analysis（损失模型和风险分析）

  Pre-requisite

  Statistical Inference

Objective（教学目标）

使学生对保险损失分布、它们的变化及其在保险单中的应用有一个透彻的了解。

Intended Learning Outcomes（预期学校成果）

完成本课程后，学生将能够：
(a) 应用精算损失模型和风险分析的概念和术语。
(b) 计算损失分布的参数和非参数估计量。
(c) 整合统计推断中的知识和技术，
概率模型和风险理论来分析完整和不完整的保险数据。
(d) 应用统计测试来确定拟合模型的适用性。
(e) 根据损失模型的估计、评估和选择方面的知识和技术进行统计推断。
(f) 应用参数和半参数模型和推理程序来分析损失数据。

Subject Synopsis（教学大纲）

完整和不完整的保险数据：完整、删失、截断、分组和移位数据；根据样本数据的呈现进行估计调整。故障时间或损失分布的参数估计：方法
矩、百分位匹配、最大似然和贝叶斯估计。
故障时间或损失分布的非参数估计：经验分布、Kaplan-Meier 估计量和 Nelson-Aalen 估计量。
估计量的属性：效率、偏差、一致性和均方误差。
估计量的方差和置信区间：经验方法
分布、信息矩阵和 delta 方法。
用于确定拟合模型适用性的统计检验：Kolmogorov-Smirnov 检验、Pearson 卡方统计量、似然比检验、贝叶斯施瓦茨准则。
带协变量的模型：Cox 比例风险模型、参数和半参数模型、广义线性模型；似然法和偏似然法。
保险申请。

成绩安排

参考书目

• Klugman, S.A., Panjer, H.H., and Willmot, G.E. Loss Models: From Data to Decision, 5th Edition Wiley, 2018
• London, D. Survival Models and Their Estimation, 3rd Edition ACTEX Publications, 1997
• Maller, R.A. and Zhou, X. Survival Analysis with Longterm Survivors John Wiley & Sons, 1996

• Smith, P.J. Analysis of Failure and Survival Data Chapman & Hall, 2002

  AMA532 Investment Science（投资科学）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA532.pdf

  Objective（教学目标）

  介绍金融建模和投资组合分析的基本概念和技术，特别强调数学和统计学在金融决策和资产配置中的应用。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 了解不同投资模型和业绩标准中的基本原则和假设。
  (b) 描述几种投资模型和绩效标准的优点和局限性。
  (c) 应用数学方法来制定投资问题并解决各种标准下的现实投资组合管理问题。
  (d) 在投资组合管理中了解和量化市场风险、投资组合的风险计量和投资者的风险偏好。

  Subject Synopsis（教学大纲）

  期权和期权价差，看跌期权平价，奇异期权，没有套利论据。投资组合回报和风险、均值-方差投资组合分析、市场效率、投资组合约束和拉格朗日乘数法。
  资本资产定价模型（CAPM）、单因素和多因素模型、套利定价理论。
  风险厌恶和效用理论，效用最大化下的投资组合选择，无差异曲线。
  风险度量介绍、风险价值 (VaR) 和条件风险价值 (CVaR)、基于 VaR 的投资组合选择。

  成绩安排

  

  参考书目

• McDonald, R.L. Derivative Markets, 3rd Edition Addison-Wesley, 2012

• Luenberger, D.G. Investment Science, 2nd Edition Oxford University Press, 2013
• Elton, E.J., Gruber, M.J., Brown, S.J., and Goetzmann, W. Modern Portfolio Theory and Investment Analysis, 9th Edition Wiley & Sons,
• 2014 Reilly, F.K. and Brown, K.C. Investment Analysis and Portfolio Management, 10th Edition South-Western, 2011
• Bodie, Z., Kane, A. and Marcus, A.J. Investments, 10th Edition McGraw-Hill, 2013

  AMA541 Simulation and Risk Analysis（模拟和风险分析）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA541.pdf

  Objective（教学目标）

  让学生体会系统仿真的原理和方法。 重点放在将现实世界的金融和风险问题转化为模拟模型的过程，以及所涉及的模型构建技术。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 解释模拟的基本概念及其在解决现实世界金融和风险问题中的效用。
  (b) 应用为真实世界系统构建仿真模型所需的数学和统计知识以及建模技术。
  (c) 应用统计知识和技术来验证和验证模拟模型。
  (d) 分析和解释模拟输出。
  (e) 目前模拟分析的结果。

  Subject Synopsis（教学大纲）

  仿真模型基础

  数学模拟的原理、模拟的优缺点、模拟模型的类型、模拟研究的步骤。

  离散事件模拟

  离散事件仿真模型的一般原则、组成部分和组织、仿真示例（例如排队和库存系统、财务和风险模型）、事件调度、汇总统计信息的收集。

  随机数和随机变量

  伪随机数的生成、随机性的统计检验、随机变量的生成、逆变换方法、接受拒绝方法。

  风险模拟

  故障率：威布尔分布。 保险和金融风险：非齐次 Poisson 过程、Mixed Poisson 过程、Cox 过程、Renewal 过程。

  模拟模型中的战术规划

  起始条件和平衡、可变性问题、总体参数的估计、样本大小的确定、方差减少技术。

  验证和确认

  验证和验证模拟模型、比较、适当的统计测试、敏感性分析、模拟运行统计、运行的复制、初始偏差的消除、批次均值和再生技术。

  用于模拟的计算机语言

  用于仿真的通用和专用语言（例如 SIMNET II）。

成绩安排

参考书目

• Bank, J., Carson, J.S., Discrete-Event System Prentice Hall, Nelson, B.L. and Simulation, 5th Edition 2010 Nicol, D.M.
• McDonald, R.L. Derivatives Markets, Pearson, 2013
• Ross, S.M. Simulation, 5 th Edition Academic Press, 2013
• Ross, S.M. A Course in Simulation MacMillan, 1991
• Selia, A.F., Ceric, V. Applied Simulation Thomson, and Tadikamalla, P. Modeling Brooks/Cole, 2003

AMA542 Advanced Operations Research Methods（高级运筹学）（张一鸣）

Exclusion

Pre-requisite: AMA502 Operations Research Methods

Objectives

本课程旨在培养学生能够
(i) 用运筹学模型模拟现实生活中的问题；
(ii) 运用数学技巧解决运筹学问题。

预期学习成果

完成本课程后，学生将能够：

1. 针对实际问题建立运筹学模型。
2. 描述运筹学解决方案结构。
3. 体会运筹学方法。

4. 解决运筹学问题。

   Subject Synopsis

5. 动态规划：正向和反向递归、动态规划问题的特征、确定性动态规划、概率动态规划。

6. 整数优化问题：整数线性优化模型、分支定界法、剖切面法。
7. 博弈论：两人零和博弈、图解、混合策略博弈、线性规划求解。
8. 排队论：排队系统的例子，指数分布的作用，生死过程，基于生死过程的排队模型，涉及非指数分布的排队模型。

   Teaching Methodology

   The subject will be delivered mainly through lectures and tutorials. The teaching and learning approach is mainly problem-solving oriented. The approach aims at the development of mathematical techniques and how the techniques can be applied to solving problems. Students are encouraged to adopt a deep study approach by employing high level cognitive strategies, such as critical and evaluative thinking, relating, integrating and applying theories to practice.

   Assessment Methods in Alignment with Intended Learning Outcomes

   

   AMA544 Multi‐criteria Optimization（多标准优化）

   https://www.polyu.edu.hk/ama/information/63027/subject/AMA544.pdf

   Pre-requisite

   AMA502 Operations Research Methods

   Objective（教学目标）

   本课程旨在培养学生能够
   (i) 用多标准优化模型模拟现实生活中的问题；
   (ii) 用数学技术解决多准则优化问题。

   Intended Learning Outcomes（预期学校成果）

   完成本课程后，学生将能够：
   (a) 针对实际问题建立多标准优化模型。
   (b) 描述多标准优化解决方案结构。
   (c) 欣赏多标准优化方法。
   (d) 解决双准则线性优化问题。

   Subject Synopsis（教学大纲）

   偏序、帕累托解、向量值凸函数、多标准优化模型。
   Kuhn-Tucker 最优条件，多准则线性优化
   问题，解决方案结构。
   加权求和法，多标准单纯形法。
   多准则优化应用：双准则最短路径、双准则组合线性优化。

   成绩安排

   

   参考书目

• Jahn, J. Vector Optimization, Springer, 2004 Theory, Applications, and Extensions Ehrgott, M. Multicriteria Optimization Springer, 2005
• Chen, G.Y., Vector Optimization, Springer, 2005
• Huang, X.X., and Set-valued and Variational Yang, X.Q. Analysis Chankong, V., and Multiobjective Decision North-Holland, Haimes, Y.Y. Making: Theory and 1983
• Methodology Collette Y., and Multiobjective Optimization: Springer, 2013
• Siarry, P. Principles and Case Studies Sawaragi, Y., Theory of Multiobjective Academic Press, Nakayama, H., and Optimization New York, 1985

  AMA546 Statistical Data Mining（统计数据挖掘）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA546.pdf

  Pre-requisite

  AMA528 Probability and Stochastic Models;
  OR AMA563 Principles of Data Science

  Objective（教学目标）

  提供对数据挖掘的全面介绍。 展示每个主题的基本概念和算法，为学生提供将数据挖掘应用于实际问题的必要背景，并为有兴趣从事数据挖掘或相关领域研究的学生提供一个起点。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：(a) 了解数据挖掘的原理；
  (b) 应用数据挖掘技术；
  (c) 以科学的方式报告和解释结果；
  (d) 在数据挖掘中应用统计包。

  Subject Synopsis（教学大纲）

  预赛：向量和矩阵；特征值和特征向量；奇异值
  分解;期望和方差；点估计；数据类型，数据质量。

回归和分类：
线性回归、最小二乘法；正态分布，误差
分析最小二乘法，高斯-马尔可夫定理；模型
过拟合；子集选择、收缩方法、岭回归、
套索;降维，主成分分析；核心
方法，核岭回归；最近邻法；期望最大化；逻辑回归；决策树；幼稚的
贝叶斯分类器；随机森林；支持向量机；人造的
神经网络;评估分类器的性能；接收者
操作特性曲线，AUC 分数

聚类和关联分析：
聚类分析；层次聚类；基于原型
聚类、基于密度的聚类、基于图的聚类； k均值
聚类；谱聚类；关联分析

实践中的数据挖掘：
数据处理和测量；介绍选定的数据挖掘软件包；数据可视化；选定算法的实现

成绩安排

参考书目

• Giudici, P. Applied Data Mining: Statistical Methods For Business And Industry Wiley 2005
• Han, J., Kamber, M., and Pei, J. Data Mining: Concepts and Techniques, 3rd Edition. Morgan Kaufmann, 2011
• James, G., Witten, D., Hastie, T., and Tibshirani, R. An Introduction to Statistical Learning Springer 2013 Matignon, R. Data Mining Using SAS Enterprise Miner Wiley 2007
• Hastie, T., Tibshirani, R, and Friedman, J. The Elements of Statistical Learning Springer 2009
• Refaat, M. Data Preparation for Data Mining Using SAS Morgan Kaufmann, 2006
• High-FrequencyJohnson, R.A., and Wichern, D.W. Applied Multivariate Statistical Analysis 6 th edition Pearson Prentice Hall 2007

  AMA566 Advanced Topics in High Frequency Trading（高频交易的高级主题）

  https://www.polyu.edu.hk/ama/information/63027/subject/AMA566.pdf

  Pre-requisite

  AMA 528 Probability and Stochastic Models
  or AMA563 Principles of Data Science

  Objective（教学目标）

  向学生介绍市场微观结构和高频交易随机建模的一些基本概念和方法。 全面了解算法交易策略的一些关键数学基础，包括随机控制和最优执行。 使学生能够利用金融数据和软件，掌握这些实用算法交易的一些实现方法。

  Intended Learning Outcomes（预期学校成果）

  完成本课程后，学生将能够：
  (a) 培养量化技能来解释和分析市场
  微观结构和交易行为；
  (b) 发展理论知识以识别、定义和制定与高频交易相关的一些数学问题；
  (c) 掌握随机控制方法，解决一些高频交易相关的最优平仓和最优执行问题；
  (d) 使用历史财务数据和软件生成一些实用算法交易策略的基本数值实现。

  Subject Synopsis（教学大纲）

  市场微观结构介绍：
  电子市场、市场参与者、交易类型、交易成本、限价订单簿、衡量流动性、资产价格和日内回报、到达间隔时间、延迟和报价大小、市场碎片化、每日交易量和波动性以及日内活动

随机模型和随机控制：
随机分析介绍，动态规划原理介绍，动态规划方程，最优清算和执行问题，扩散过程的随机控制，计数过程的随机控制，一些数值方法的介绍。

算法交易：
无惩罚清算、临时和永久价格影响清算、仅限价单清算、限价单和市价单清算、使用彭博数据库介绍算法交易中的数值方法

成绩安排

参考书目

• Leshik, E., Cralle, J. An Introduction to Algorithmic Trading: Basic to Advanced Strategies Wiley & Sons, 2011
• Aldridge, I. High Frequency Trading: A Practical Guide to Algorithmic Strategies and Trading Systems Wiley & Sons 2010
• De Jong, F., Rindi, B. The Microstructure of Financial Markets Cambridge 2009

COMP5152 Advanced Data Analytics（高级数据分析） （杜平）

Pre-requisite/ Corequisite/ Exclusion

无（但最好有一些机器学习和数据分析方面的知识）

Objectives

这门课的目的是向学生介绍各种数据分析方法，可用于理解，可视化和洞察各种研究和应用中的数据。除了聚焦于公式及其计算方式，学生将能够学习现有的机器学习/数据挖掘/数据分析算法和技术如何处理不同的数据类型。学生将可以使用现有的软件或被告知如何编写程序来探索各种数据分析问题，有关结构化和非结构化数据类型，数据类型包括关系或交易数据、文本、图形或网络数据、图像和视频数据、时间、空间、时空和顺序数据。

Intended Learning Outcomes

完成这门课后，学生将具备：
a：深入了解数据分析的各种算法和技术
b：接触各种应用程序，如社交媒体分析、金融分析，新闻分析，视频和图像分析，数据分析等
c:对遇到的数据进行深入分析应用和/或研究

Subject Synopsis/ Indicative Syllabus

1，机器学习vs数据挖掘vs数据科学vs数据分析vs大数据分析vs模式识别vs统计分析：定义、异同。
2，数据类型和特征，包括关系数据，事务数据、图形和网络数据、单变量和多元时间序列数据，时间数据，空间数据，时空数据，文本数据，图像和视频数据，序列数据，基因组数据等。
3，数据分析的统计方法，包括线性和逻辑回归，主成分分析，独立成分分析，假设检验，方差分析，ARMA和ARIMA。
4，涉及特殊数据类型的数据分析，如文本、顺序和
基因组数据，时间，空间，时空数据。
5，计算智能技术，如在数据分析中的模糊逻辑、进化算法和人工神经网络
6，先进的分析技术：卷积网络，自动编码器，深层信念网络，递归神经网络，长-短期记忆，深层强化学习，深层限制玻耳兹曼机器，生成性对抗网络。
7.用于数据分析的编程语言和工具。
8.在金融分析、新闻分析方面的有用应用。社交媒体分析。

Teaching/Learning Methodology

课程教授主要的概念，方法以及综合例子，同时有和课堂简单易懂的问题/答案/讨论。教程和实验课通过练习和软件工具，为学生提供了复习和学习参考材料的机会。课程作为给学生提供解决实际数据分析问题的机会。书面作业有助于学生建立坚实的数据基础分析基础。

Assessment Methods in Alignment with Intended Learning Outcomes

COMP5511 Artificial Intelligence Concepts（人工智能概念）（杜平）

Objectives

这门课程旨在给学生介绍人工智能的主要概念，思想和方法，从而让学生能够了解人工智能的各个方面，理解一些重要的原理并且在项目或这其他一些相关工作中，应用一些基础的AI技术。

Intended Learning Outcomes

完成本课程后，学生将能够：
a：掌握为了解决问题所需要的基本搜索技术，并在游戏中使用它们；
b：知道如何表达知识，并在推理和推论中使用它们；
c：在不确定情况下，管理不确定性和推理；
d：基于专业的系统设计和开发知识；
e：使用基本的机器学习技术来解决不同的数据分析问题；
f：了解深度学习和人工神经网络；
g：参与团队合作、演讲和技术写作；

Subject Synopsis/ Indicative Syllabus

• 搜索策略和游戏与问题空间、空间图、实例相关的概念，初始和目标状态，呼吸优先，深度优先，双向，统一成 本，启发式，贪心最优算法，爬山，本地光束搜索，A*搜索，游戏vs搜索，游戏类型，Minimax 算法、αβ 算法和剪枝、确定性 和非确定性博弈。
• 知识表示、推理和规划谓词逻辑，一阶逻辑，推理，语义网络，框架和脚本、多重继承、生产规则、推理、前向和后向链接、冲突解决。
• 基于知识的专家系统知识获取、专家系统外壳、专家系统架构、推理引擎、解释工具。
• 不确定性管理和推理贝叶斯概率、贝叶斯网络、MYCIN 不确定性因素，Dempster-Shafer证据理论，模糊逻辑。
• 学习有监督、无监督、半监督和强化学习、符号和联结主义方法、决策树、k均值、神经元和人工神经网络、多层感知器、CNN和RNN概念。
• 精选高级主题：自然语言处理，计算机视觉和语音识别，机器人。

Teaching/Learning Methodology

本课程探讨核心的AI 概念。它提供了对人工只能的问题和技术的全面介绍。理论与实践并重。为了增强对 AI 中的概念和想法在实际中如何实现的理解，将使用prolog和专家系统shell用于编程练习和项目。讲座将辅以视频课程，以加强学生的学习。 还将提供相当一部分的导读。39小时的课堂活动，包括：讲座、辅导、实验室、适用的研讨会。

Reading list and references

(1). Bratko, I,2001, PROLOG, Programming for Artificial Intelligence, 3rd edition, Addison-Wesley.
(2). Luger, G.F., 2009, Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 6th edition, Addison-Wesley.
(3). Russell, S. and Norvig, P., 2003, Artificial Intelligence - A Modern Approach, 2nd edition, Prentice Hall. Papers and articles selected from:
Artificial Intelligence
AI Expert
AI Magazine Applied Intelligence
IEEE Computer
IEEE Intelligent Systems and their Applications
IEEE Trans. Neural Networks

Assessment Methods in Alignment with Intended Learning Outcomes