数学与应用数学专业：培养精通数学建模与数据分析的跨学科数智人才
数学与应用数学专业：培养精通数学建模与数据分析的跨学科数智人才
数字经济时代，高质量财经人才培养成为各大高校的重要课题。本文将为您详细介绍山东财经大学数学与应用数学专业的培养方案和特色，展现该专业在培养精通数学建模与数据分析的跨学科数智人才方面的探索与实践。
专业简介
山东财经大学数学与应用数学专业是国家一流本科专业，也是山东省高水平应用型专业群的核心专业。自2004年设立以来，本专业致力于培养具有扎实数学理论基础和较强应用能力的专业人才，每年招生两个自然班，至今已培养上千名专业人才，成功就业于教育、金融、信息技术等多个行业。
本专业所在学院拥有完善的人才培养体系，包括数学与应用数学本科、数学专业硕士、以及统计学（数理统计方向）博士，形成了本硕博贯通、专业交叉的教育模式。学院注重理论与实践的结合，积极推动学生参与国内外学术交流、科研项目和实践活动，本专业学生每年在大学生数学建模竞赛、大学生创新创业大赛等活动中获得奖项。
图1 专业发展历程
图2 教师团队
设计理念
为了确保数学与应用数学专业的培养方案能够高效地满足当前和未来社会的需求，我们通过调查行业趋势、就业市场分析以及与企业和校友的交流，确定了数学及其应用领域内紧缺和受欢迎的技能和知识点。此外，参考了国内重点大学数学与应用数学专业的培养方案，以及他们对应快速变化的科技环境所做的创新教育措施。在此基础上对现有的培养方案进行修订，以更好地融合数学理论学习与实际应用、增强学生的跨学科融合能力、提升学生的就业竞争力，并充分利用现代教育技术。
在前期调研的基础上，本次培养方案修订的设计理念主要包括以下方面：
- 强化应用能力：加强理论与实践相结合的教学模式，着重培养学生的实际应用能力，尤其是数据分析和数学建模技能。
- 跨学科融合：鼓励学生拓宽学术视野，跨越数学领域的边界，融入计算机科学与技术、经济金融等学科，培养能够在多领域解决问题的复合型人才。
- 国际视野：通过提供双语课程、国际交流项目、引进国际先进教学资源等措施，培育学生的国际视野和全球竞争力。
图3 修订培养方案
培养目标
本专业契合“新理科”培养理念，旨在培养具有良好的道德、科学与文化素养，有国际视野和跨学科融合能力的应用复合型人才。本专业致力于培养学生深入掌握数学和应用数学的基础理论、方法和关键技能，拥有扎实的数学基础，受到科学研究的初步训练，能够灵活运用数学知识、使用数学软件和统计软件进行高效的数据分析，以及通过建立数学模型和使用计算机技术解决实际问题。毕业生有能力在多个领域参与工作，涵盖科学研究、技术创新、经济管理和数据科学等，既可以在数学及其相关交叉领域承担科研任务，也能胜任在信息技术、金融经济、行政管理等部门从事前沿的研究、应用开发和管理等工作。
本专业应达到以下培养目标：
- 培养目标1（德育与持续学习）：具有正确的政治立场、良好的道德操守，具备人文社会科学素养和社会责任感，能够在职业生涯中遵循伦理准则，适应数学及其应用领域的快速变化，并持续自我学习与发展，以适应技术进步和社会需求的演变。
- 培养目标2（数学理论与应用能力）：具备坚实的数学理论基础，熟练掌握数学与应用数学的基本方法和实践技能，能够将这些知识灵活应用于不同领域，提供解决实际问题的数学支持和创新方案。
- 培养目标3（科学思维与问题解决）：具备科学思维方式，包括问题识别、模型构建、分析和解决问题的能力，能够将抽象的数学概念应用于解决实际世界中的复杂问题，为各行各业提供创新性的解决方案。
- 培养目标4（数据分析与信息安全）：能够熟练运用数学知识、数学软件和统计软件进行数据分析，能够从大数据中挖掘有价值的信息，进行商业分析、研究经济数量关系及其变化规律，为企业、政府和研究机构提供数据驱动的决策支持；具备信息安全的基本知识和技能，以确保关键信息资源的安全。
- 培养目标5（跨学科合作与沟通）：具备跨学科合作的能力，能够与经济管理等其他领域的专家合作解决复杂问题，具备良好的沟通技巧，能够清晰地向非专业人士传达数学概念和分析结果，促进跨领域的理解与合作。
图4 实践基地建设
图5 教学场景
培养特色
本专业的培养方案紧贴当前科技前沿和社会需求，着重强调数学理论与实际应用的深度融合。培养特色主要体现在以下方面：
- 理论与实践的深度融合：采用问题导向的项目教学法和案例教学法，不仅加深学生对数学理论的理解，获得坚实的理论基础并掌握广泛的应用知识，还提升他们运用数据分析和数学建模解决实际问题的能力。
- 实验实践与创新创业教育：强调实验实践和创新创业教育的重要性，与各企事业单位合作建立教学实习基地，指导学生参与科技创新活动，着重培养学生的实际操作技能、创新意识及团队协作能力。
- 跨学科能力培养：激励学生拓宽数学领域之外的视野，强调数学与其他学科如计算机科学与技术、经济金融等知识的融合，通过双语课程和跨学科项目等，培养学生将数学工具应用于其他领域，进而培养学生的综合应用能力和创新思维。
图6 学生的学习与探讨
新开发数智融合课程
本专业新开设的数智融合课程为：现代数学与数字经济I-II（双语）、人工智能算法、数量经济学（双语）。不仅能够为学生提供强有力的数学理论支撑，还能够提高学生的数据分析和问题解决能力，增强他们在多学科环境中的合作与沟通技能。
现代数学与数字经济（双语）(I-II)
课程面向：数学与应用数学专业大三学生，其他专业的学生也可选修。
课程目标：
- 理论与技术融合：让学生能够掌握现代数学的理论，同时熟练使用数学软件完成分析、建模和求解。
- 跨学科应用：培养学生的跨学科思维，培养学生应用数学工具在不同领域解决问题的能力。
- 创新与研究能力：激发学生的研究兴趣和创新思维，鼓励其在项目中归纳问题、选择方法、建立模型和探索规律。
- 数智融合技能：通过实践项目，提升学生利用软件和编程工具进行数学分析、模拟和优化的能力。
主要内容：
特色之处：
- 双语教学模式：课程采用中英双语教学，帮助学生在学习专业知识的同时提升英语水平，增强学生的竞争力。
- 跨学科课程设计：将现代数学理论与数字经济实践相结合，涵盖数据分析、经济模型建模等领域。通过实际案例分析和项目驱动学习，强化数学理论在解决现实世界经济问题中的应用。
- 最新技术与方法的引入：教学内容包括最新的数字经济趋势，如数智技术在经济分析中的应用；探讨数字化转型对传统经济学的挑战与机遇，使学生能够把握技术发展的前沿。
数量经济学（双语）
面向专业：数学与应用数学专业大三学生，其他专业的学生也可选修。
课程目标：
- 基本素质：学生将具备掌握数量经济学的基本方法和经典模型的基本素质；
- 趋势与发展：使学生了解数量经济学理论及应用的进展趋势和主要发展脉络；
- 分析能力：学生将具有较系统和准确地理解基于经济学基本原理和概念的数量分析经典模型，能应用模型分析和解释经济学现象；
- 专业基础：帮助学生在未来经济学或管理学的学习和深造打下良好的专业基础。
主要内容：
- 经济学基本理论：回顾和讨论微观与宏观经济学的基本理论和概念；
- 数量经济分析方法：探讨基于数理经济学（动态）模型的数量经济分析一般方法及其应用；
- 特定经济模型分析：如一般均衡理论、消费分析（效用函数、需求函数）、生产分析（生产函数、供给函数）、博弈论、复杂网络等；
- 经济系统增长分析：探索多部门经济系统的一般均衡模型和动态投入产出分析。
特色之处：
- 双语教学：强调全英文材料的使用，提高学生的国际视野和外语水平；
- 理论与实践结合：通过案例教学和实际数据分析，强化理论知识的应用能力；
- 前沿技术应用：数据科学等现代技术在经济分析中的应用；
- 创新与团队精神培养：强调创新精神、团队合作以及跨专业合作的重要性。
人工智能算法
课程面向：数学与应用数学专业学生，其他专业的学生也可选修。
课程目标：
- 理论知识：旨在让学生深入理解和掌握核心人工智能算法及其应用，并理解算法背后的数学原理，同时培养对技术的敬畏和对知识的渴望。
- 操作能力：通过引导学生使用Python和Jupyter Notebook等工具，培养他们解决实际问题如数据分类、回归和自然语言处理等的能力，形成完整的人工智能应用开发流程。
- 实际应用：展示人工智能算法在多个领域如生物学、医学、经济学等的实际应用案例，探讨其在商业和科研中的应用，以展现广阔的职业前景。
- 沟通和团队合作：注重培养学生的沟通和团队合作能力，学习清晰解释算法原理和结果，以及如何与团队成员有效协作，确保项目顺利进行。
主要内容：
- 人工智能与算法：旨在介绍人工智能的基本概念、发展历史和未来趋势，以及AI的主要应用领域和算法的重要性。
- 基本机器学习算法：专注于监督学习的基本算法，如线性回归、逻辑回归和支持向量机（SVM），并通过使用Python的Scikit-learn库进行数据建模。
- 决策树与随机森林：深入探讨决策树的构造、剪枝过程和应用，以及随机森林的原理和特点。学生将通过Scikit-learn工具进行决策树和随机森林的训练和评估，理解这些模型在解决实际问题中的作用。
- 神经网络与深度学习：介绍神经网络的基础知识和深度学习的基本模型，包括卷积神经网络和深度网络训练技巧。通过使用TensorFlow或PyTorch构建神经网络模型的实践，学生将学会如何训练和调优深度学习模型。
- 无监督学习与聚类算法：无监督学习的主要算法和聚类的基本方法，如K均值聚类和层次聚类。通过Scikit-learn进行数据聚类的实践，学生将掌握选择合适的聚类算法及其参数的技巧。
- 强化学习基础：介绍强化学习的基本框架和原理，包括马尔可夫决策过程、Q-learning和深度Q网络。学生将通过使用OpenAI Gym等工具箱进行实验，学习如何实施强化学习算法。
- 优化算法与技术：聚焦于机器学习中优化的重要性和常用的优化方法，包括梯度下降、正则化和dropout等技术。通过在深度学习框架中实践这些优化技巧，学生将理解如何提升模型性能。
- 自然语言处理基础：介绍自然语言处理（NLP）的基本任务和方法，特别是词向量、Word2Vec、BERT和transformers模型的应用。通过使用NLP工具库进行文本处理和词嵌入的实践，学生将掌握NLP的基本技巧。
- 实践与项目：训练学生将理论知识应用到实际项目中的能力。通过项目管理、数据集选择和预处理、算法应用和团队协作的综合实践，学生将学习如何在真实世界中解决问题，并展示他们的项目成果。
特色之处：
- 数字技术与应用数学的深度融合：学生不仅学习AI算法背后的数学原理，还通过使用Python和各种机器学习库进行实际的编程操作和数据分析，强调实践操作和创新应用能力的培养。
- 课程内容的更新优化，满足行业需求：课程内容包括基础的线性回归到高级的深度学习和自然语言处理算法；突破传统学科界限，融合跨学科知识，如数学模型在自然语言处理中的应用；结合实际数据集和模型应用的实践项目，确保学习内容与行业及产业需求紧密相关。
《人工智能算法》课程内容结构