培养学生数据分析、专业知识H、M数据建模和数据挖掘H、ML03的能力四、教学内容、要求及进度安排（一）机器学习介绍及基础学时6学时3（二）线性模型讲解线性回归、逻辑回归学时 3（三）神经网络讲解标准神经网络和误差反向传播算法（四）深度学习讲解卷积神经网络及应用3（五）推荐系统学时9（六）信息检索学时6（七）大语言模型学时9（八）计算机视觉学时3（九）项目汇报学生呈现项目内容并进行讨论反馈学时3（十）复习总结回顾及总结课程内容3五、先修课要求及教学方法建议1、教学策略：课堂讲授、案例教学、演示结果2、方法建议：鼓励学生多多动手实践，重在实际练习，在练习中与学科知识相结合。3、先修课要求：Python、程序设计基础、高等数学、线性代数、概率论六、考核方式选修课：课程大作业结课七、教材、参考文献与其他教学资源教材：“Introduction to Statistical Learning” (Springer, Gareth James,Daniela Witten,Trevor Hastie, Robert Tibshirani)(ISBN9781461471370)参考书目1、《机器学习》（清华大学出版社，周志华主编）（ISBN9787302423287）《社会媒体挖掘》教学大纲、课程信息(中文)社会媒体挖掘课程名称(英文Social media mining21
21 四、教学内容、要求及进度安排 （一）机器学习介绍及基础 学时 6 （二）线性模型讲解线性回归、逻辑回归 学时 3 （三）神经网络讲解标准神经网络和误差反向传播算法 学时 3 （四）深度学习讲解卷积神经网络及应用 3 （五）推荐系统 学时 9 （六）信息检索 学时 6 （七）大语言模型 学时 9 （八）计算机视觉 学时 3 （九） 项目汇报学生呈现项目内容并进行讨论反馈 学时 3 （十） 复习总结回顾及总结课程内容 3 五、先修课要求及教学方法建议 1、教学策略：课堂讲授、案例教学、演示结果 2、方法建议：鼓励学生多多动手实践，重在实际练习，在练习中与学科知 识相结合。 3、先修课要求：Python、程序设计基础、高等数学、线性代数、概率论 六、考核方式 选修课：课程大作业结课 七、教材、参考文献与其他教学资源 教材： “Introduction to Statistical Learning” (Springer, Gareth James, Daniela Witten,Trevor Hastie, Robert Tibshirani) （ISBN 9781461471370） 参考书目 1、《机器学习》（清华大学出版社，周志华主编）（ISBN 9787302423287） 《社会媒体挖掘》教学大纲 一、课程信息 L03 专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M 课程名称 (中文)社会媒体挖掘 (英文)Social media mining
3290428课程编码课程性质口必修回选修团专业课程课程类型口通识课程大数据管理与应用专业适用专业管理学院郝博文课程负责人开课部门总学时48：学时学分学分：3理论：30实验：12实践：6中文授课语言高等数学、线性代数、概率论、大数据技术基础、Python先修课程二、课程内容简介《社会媒体挖掘》是大数据管理与应用的一门专业选修实践课程，阐述了网络分析和数据挖掘的基本概念、新问题以及有效的算法。本课程是一门专业学术性较强的课程，知识涉及面大、知识点较难，需要学生具备较好的高数、线性代数、概率论、Python编程、数据结构、数据库基础。三、课程目标L01：培养具有扎实的数据科学与管理学理论基础L02：熟悉主流社交媒体挖掘算法理论LO03：了解最新的大模型行业现状L04：能够较好的利用简单的社会媒体挖掘算法实现对数据的分析挖掘L05：培养建模能力L06：强化Python编程能力支撑毕业要求指标点支撑程度支撑培养目标指标点支撑程度课程目标强化数据科学与管理基础知识H、MH、ML01学理论基础培养学生数据分析、基础知识、专业知识H、M数据建模和数据挖掘H、ML02的能力培养学生数据分析、国情与国际知识、专业知H、M数据建模和数据挖掘H、ML03识的能力培养学生数据分析、H、M数据建模和数据挖掘基础知识、专业知识H、ML04的能力培养学生利用大数据H、MH、M基础知识、专业知识L05进行量化分析的能力H、M培养学生的实践能力H、M基础知识、专业知识L06四、教学内容、要求及进度安排22
22 二、课程内容简介 《社会媒体挖掘》是大数据管理与应用的一门专业选修实践课程，阐述了网 络分析和数据挖掘的基本概念、新问题以及有效的算法。本课程是一门专业学术 性较强的课程，知识涉及面大、知识点较难，需要学生具备较好的高数、线性代 数、概率论、Python编程、数据结构、数据库基础。 三、课程目标 L01：培养具有扎实的数据科学与管理学理论基础 L02：熟悉主流社交媒体挖掘算法理论 L03：了解最新的大模型行业现状 L04：能够较好的利用简单的社会媒体挖掘算法实现对数据的分析挖掘 L05：培养建模能力 L06：强化Python编程能力 四、教学内容、要求及进度安排 课程编码 3290428 课程性质 ☐必修 ☑选修 课程类型 ☐通识课程 ☑专业课程 适用专业 大数据管理与应用专业 开课部门 管理学院 课程负责人 郝博文 学时学分 学分：3 总学时48： 理论：30 实验：12 实践：6 授课语言 中文 先修课程 高等数学、线性代数、概率论、大数据技术基础、Python 课程目标 支撑毕业要求指标点 支撑程度 支撑培养目标指标点 支撑程度 LO1 基础知识 H、M 强化数据科学与管理 学理论基础 H、M LO2 基础知识、专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M L03 国情与国际知识、专业知 识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M L04 基础知识、专业知识 H、M 培养学生数据分析、 数据建模和数据挖掘 的能力 H、M L05 基础知识、专业知识 H、M 培养学生利用大数据 进行量化分析的能力 H、M L06 基础知识、专业知识 H、M 培养学生的实践能力 H、M
（一）社会媒体挖掘绪论学时9主要内容：1.社会媒体挖掘概述2.数据挖掘概述、数据挖掘案例分析3.机器学习技术介绍4.深度学习技术介绍5.社会媒体挖掘应用介绍教学要求：掌握掌握社会媒体挖掘概念、社会媒体挖掘的关键技术，即机器学习和深度学习技术，掌握社会媒体挖掘和数据挖掘技术的联系与区别。重点、难点：社会媒体挖掘流程、机器学习技术、深度学习技术的掌握。（二）传统社会媒体挖掘学时6主要内容：1.支持向量机Kmeans（1周）监督学习无监督学习等2.贝叶斯网络（1周）教学要求：理解和掌握传统社会媒体挖掘算法。重点、难点：传统社会媒体挖掘算法的理解较为困难。（三）推荐系统学时9主要内容：1.推荐系统起源、推荐流程、推荐评测指标（1周）2矩阵分解算法、NeuralCollaborativeFiltering、GraphNeuralNetworkbasedRecommenderSystem、multi-modalRecommenderSystem（2周）教学要求：熟悉推荐系统的起源、掌握推荐流程，对矩阵分解算法、神经协同过滤推荐算法等进行掌握，了解最新的推荐技术。重点、难点：掌握矩阵分解算法、神经协同过滤推荐算法。（四）自然语言处理学时15主要内容：1.自然语言处理起源、推荐流程、推荐评测指标（1周）2.ChatGPT介绍教学要求：学习自然语言处理的基本概念，对最新的通用对话系统模型ChatGPT加以了解。重点、难点：理解基于深度学习的自然语言处理算法。（五）计算机视觉学时3主要内容：1.计算机视觉基本概念2.卷积神经网络23
23 （一）社会媒体挖掘绪论 学时 9 主要内容： 1. 社会媒体挖掘概述 2. 数据挖掘概述、数据挖掘案例分析 3. 机器学习技术介绍 4. 深度学习技术介绍 5. 社会媒体挖掘应用介绍 教学要求：掌握 掌握社会媒体挖掘概念、社会媒体挖掘的关键技术，即机器学习和深度学习 技术，掌握社会媒体挖掘和数据挖掘技术的联系与区别。 重点、难点： 社会媒体挖掘流程、机器学习技术、深度学习技术的掌握。 （二）传统社会媒体挖掘 学时 6 主要内容： 1.支持向量机 Kmeans（1周） 监督学习 无监督学习等 2.贝叶斯网络（1周） 教学要求： 理解和掌握传统社会媒体挖掘算法。 重点、难点： 传统社会媒体挖掘算法的理解较为困难。 （三）推荐系统 学时 9 主要内容： 1. 推荐系统起源、推荐流程、推荐评测指标（1 周） 2. 矩阵分解算法、Neural Collaborative Filtering、Graph Neural Network based Recommender System、multi-modal Recommender System （2 周）、 教学要求： 熟悉推荐系统的起源、掌握推荐流程，对矩阵分解算法、神经协同过滤推荐 算法等进行掌握，了解最新的推荐技术。 重点、难点： 掌握矩阵分解算法、神经协同过滤推荐算法。 （四）自然语言处理 学时 15 主要内容： 1. 自然语言处理起源、推荐流程、推荐评测指标（1 周） 2. ChatGPT 介绍 教学要求： 学习自然语言处理的基本概念，对最新的通用对话系统模型ChatGPT加以了解。 重点、难点： 理解基于深度学习的自然语言处理算法。 （五）计算机视觉 学时 3 主要内容： 1. 计算机视觉基本概念 2. 卷积神经网络
3.计算机视觉应用教学要求：了解计算机视觉相关应用重点、难点：掌握计算机视觉相关算法（六）其他领域学时3主要内容：1.医疗领域信息挖掘2.生物蛋白领域信息挖掘教学要求：了解医疗领域和生物蛋白领域社会媒体挖掘例子；重点、难点：培养将算法应用到其他领域的思想。（七）总结复习学时3五、先修课要求及教学方法建议1.先修课要求：高等数学、线性代数、概率论、大数据技术基础、Python2.教学方法建议：课堂讲授、小组讨论、课外延伸阅读相结合六、考核方式必修课：见考试大纲选修课要求如下：1.考核目标：应与课程目标一致2.考核方式与考核要求考试、考查及具体方式（如为考试，说明闭卷或开卷考试即可：如为考查明确“提交论文、调查报告、实验报告、读书报告”等形式。考核方式考核要求比重(%)对应的课程目标考察实验报告100%L01、L02、L03、L04、L05、L063.填写《首都师范大学考试（考查）分析表》，与学生考试试卷或考查的论文、调查报告、实验报告、读书报告等一并保存五年。（从考试当日开始计算）七、教材、参考文献与其他教学资源教材：《社会媒体挖掘》（人民邮电出版社，RezaZafara主编）（ISBN：9787115406392)参考书目：1、《机器学习》（清华大学出版社，周志华主编）24
24 3. 计算机视觉应用 教学要求： 了解计算机视觉相关应用 重点、难点： 掌握计算机视觉相关算法 （六）其他领域 学时 3 主要内容： 1. 医疗领域信息挖掘 2. 生物蛋白领域信息挖掘 教学要求： 了解医疗领域和生物蛋白领域社会媒体挖掘例子; 重点、难点： 培养将算法应用到其他领域的思想。 （七）总结复习 学时 3 五、先修课要求及教学方法建议 1.先修课要求：高等数学、线性代数、概率论、大数据技术基础、Python 2.教学方法建议：课堂讲授、小组讨论、课外延伸阅读相结合 六、考核方式 必修课：见考试大纲 选修课要求如下： 1.考核目标：应与课程目标一致 2.考核方式与考核要求 考试、考查及具体方式（如为考试，说明闭卷或开卷考试即可；如为考查， 明确“提交论文、调查报告、实验报告、读书报告”等形式。 3.填写《首都师范大学考试（考查）分析表》，与学生考试试卷或考查的论 文、调查报告、实验报告、读书报告等一并保存五年。（从考试当日开始计算） 七、教材、参考文献与其他教学资源 教材： 《社会媒体挖掘》（人民邮电出版社，Reza Zafara主编）（ISBN: 9787115406392） 参考书目： 1、《机器学习》（清华大学出版社，周志华主编） 考核方式 考核要求 比重(%) 对应的课程目标 考察 实验报告 100% L01、L02、L03、L04、L05 、L06
（ISBN9787302423287)2、《机器学习公式详解》（清华大学出版社，周志华主编）CISBN9787111654247）3、《深度学习》（人民邮电出版社，IanGoodfellow主编）5.相关教学资源网址：八、备注各院系应有教学大纲修订的制度。上课前须按规定完成修订，并经院系专业负责人、教学院长批准并报教务处备案后公布大纲。教学须按教学大纲实施，不允许任课教师随意修订教学大纲和离开大纲要求实施教学。教学日历须按教学大纲编制，任课教师可以在总学时不变的前提下根据具体情况适当调整某些章节的教学时数；可以调整参考资料（不能调整教材）：在教学大纲或考试大纲规定的范围内确定考试方式、试卷结构、成绩评定方式。《管理运筹学》教学大纲一、课程信息管理运筹学课程名称ManagementOperationalResearch课程编码口选修课程性质口V必修3290277课程类型口/专业课程口通识课程适用专业大数据管理与应用专业开课部门课程负责人管理学院林云学时学分学分：2实践：0总学时：32理论：32实验：0授课语言中文先修课程线性代数、概率论二、课程内容简介运筹学是一门应用科学，该课程从管理实际出发把运筹学看作是一种解决实际问题的方法。当然除了管理领域外，在其他领域中运筹学也是适用的，为示区别，该课程取名为“管理运筹学”。管理运筹学课程主要内容为线性规划的图解法及问题的计算机求解，线性规划单纯形表格求解法，原问题与对偶问题的关系，多阶段决策过程最优化问题，需求存储问题，排队现象背后的科学问题，对策论是什么，矩阵对策的最优纯策略和混合策略，自然状态发生的可能性大小未知或已知情况下如何进行决策。三、课程目标25
25 （ISBN 9787302423287） 2、《机器学习公式详解》（清华大学出版社，周志华主编） （ISBN 9787111654247） 3、《深度学习》（人民邮电出版社，Ian Goodfellow主编） 5.相关教学资源网址： 八、备注 各院系应有教学大纲修订的制度。上课前须按规定完成修订，并经院系专业 负责人、教学院长批准并报教务处备案后公布大纲。教学须按教学大纲实施，不 允许任课教师随意修订教学大纲和离开大纲要求实施教学。 教学日历须按教学大纲编制，任课教师可以在总学时不变的前提下根据具体 情况适当调整某些章节的教学时数；可以调整参考资料（不能调整教材）；在教 学大纲或考试大纲规定的范围内确定考试方式、试卷结构、成绩评定方式。 《管理运筹学》教学大纲 一、课程信息 二、课程内容简介 运筹学是一门应用科学，该课程从管理实际出发把运筹学看作是一种解决实 际问题的方法。当然除了管理领域外，在其他领域中运筹学也是适用的，为示区 别，该课程取名为“管理运筹学”。 管理运筹学课程主要内容为线性规划的图 解法及问题的计算机求解，线性规划单纯形表格求解法，原问题与对偶问题的关 系，多阶段决策过程最优化问题，需求存储问题，排队现象背后的科学问题，对 策论是什么，矩阵对策的最优纯策略和混合策略，自然状态发生的可能性大小未 知或已知情况下如何进行决策。 三、课程目标 课程名称 管理运筹学 Management Operational Research 课程编码 3290277 课程性质 ☐√必修 ☐选修 课程类型 ☐通识课程 ☐√专业课程 适用专业 大数据管理与应用专业 开课部门 管理学院 课程负责人 林云 学时学分 学分：2 总学时：32 理论：32 实验：0 实践：0 授课语言 中文 先修课程 线性代数、概率论