这是DMgt学习活动中最重要的部分之一。在准备论文的过程中，学生有机会运用特定的主题来展示他们如何将一些主导主题和有趣的研究领域整合在一起。学生应运用最新的研究方法来研究他们在实际管理经验中遇到的重要问题。论文必须对专业实践做出重要贡献或提供创新见解。论文通常应为5万字左右。（中文论文为3万字）
这是DBAI学习活动中最重要的内容之一。在准备论文的过程中，学生有机会通过特定的主题来展示他们是否能够将一些主导主题和有趣的研究领域整合起来。学生应运用最新的研究方法来研究来自实际管理经验的一些重要问题。论文必须对专业实践做出重要贡献或提供创新见解。论文提案通常应包含约10,000至15,000字。
研究主题将由学生和导师顾问共同决定。学生需要对选定的学术课题进行深入的文献综述。 在开始独立研究之前，学生必须准备一份简要的研究大纲，并获得项目主任的批准。 个人论文通常应为3000至5000字左右。
这是最重要的学习活动之一。在准备论文的过程中，学生有机会通过特定的主题来展示他们是否能够将一些主导主题和有趣的研究领域整合在一起。学生应运用最新的研究方法来研究他们在实际管理经验中遇到的重要问题。论文必须对专业实践做出重要贡献或提供创新见解。论文提案通常应包含约10,000至15,000字。
这是最重要的学习活动之一。在撰写论文的过程中，学生有机会运用特定的主题来展示他们如何将一些主导主题和有趣的研究领域整合起来。学生应运用最新的研究方法来研究他们在实际管理经验中遇到的重要问题。论文必须对专业实践做出重要的贡献和/或提供创新的见解。论文通常应包含约50,000字。
• 介绍香港理工大学及应用数学系 • 了解课程设置及职业前景 • 投资与金融分析行业的最新发展 • 作为大学生应具备的学术诚信 • 探索其他科学学科的更广阔视角
概率论导论：实验、事件和概率。概率规则。贝叶斯定理。 离散随机变量：介绍均匀、二项、泊松等离散随机变量及其概率分布。数学期望。 连续随机变量：介绍均匀、指数、正态等连续随机变量及其概率密度函数。数学期望。二项分布的正态近似。 抽样分布：总体和随机样本。与样本均值、样本比例和样本方差相关的抽样分布。 参数估计：点估计和置信区间的概念。均值和两个均值差的点估计和区间估计。
复习基本代数和三角学；极限与连续性；导数；中值定理；对数与指数函数；最大值与最小值；曲线描绘；定积分与不定积分；积分方法；微积分基本定理；带余项的泰勒定理；广义积分；应用。 矩阵、行列式与线性方程组。
复习基本代数和三角学；对数和指数函数；极限与连续性；导数；最大值与最小值；曲线描绘；定积分与不定积分；积分方法；微积分基本定理；应用。矩阵、行列式和线性方程组。
数学归纳法；二项式定理；函数及其反函数；三角函数及其反函数。极限概念，导数及其物理和几何意义，导数规则，隐函数求导，洛必达法则，函数的最大值和最小值。
概率论基础：实验、事件和概率。概率规则。贝叶斯定理。 离散随机变量：介绍均匀分布、二项分布、泊松分布等离散随机变量及其概率分布。数学期望。 连续随机变量：介绍均匀分布、指数分布、正态分布等连续随机变量及其概率密度函数。数学期望。二项分布的正态近似。 抽样分布：总体和随机样本。与样本均值、样本比例和样本方差相关的抽样分布。 参数估计：点估计和置信区间的概念。均值和两均值差的点估计和区间估计。
基础微积分：极限与连续性，导数及其几何意义，导数的规则包括链式法则、莱布尼茨法则和洛必达法则，指数函数和对数函数，三角函数及其反函数，双曲函数及其反函数，微分学的应用。 基础概率与统计：描述性统计，随机变量，概率与概率分布，二项分布、泊松分布和正态分布，应用。 总体与随机样本。样本均值、样本比例和样本方差的抽样分布。点估计和置信区间的概念。均值和两个均值差的点估计与区间估计。
基础微积分：中值定理及其在优化和曲线绘图中的应用。定积分与不定积分，微积分基本定理，积分方法（换元积分法、分部积分法、有理函数的部分分式积分法和三角函数与双曲函数的积分），积分降阶公式，几何与物理中的应用。广义积分。 线性代数：矩阵和行列式的基本性质，线性系统，高斯消元法，方阵的逆矩阵，克拉默法则，二维或三维空间中的向量，几何中的应用。
1. 极限与连续性，导数及其几何意义，导数的法则包括链式法则、莱布尼茨法则和洛必达法则，指数和对数函数，三角函数及其反函数，双曲函数及其反函数，微分学在优化中的应用。微分中的中值定理。 2. 定积分与不定积分，微积分基本定理，积分方法（换元积分法、分部积分法、有理函数的分部积分法和三角函数及双曲函数的积分），积分公式化简，几何和工程中的应用。积分中的中值定理。
基础微积分：极限与连续性，导数及其几何意义，导数的规则，涉及代数函数、三角函数、反三角函数、指数函数和对数函数的导数，应用。 - 确定积分与不定积分的概念，微积分基本定理，部分分式积分法，积分技巧，应用。 基础概率与统计：描述性统计，随机变量，概率与概率分布，二项分布和正态分布，应用。 - 总体与随机样本。样本均值相关的抽样分布。点估计和置信区间的概念。均值的点估计与区间估计。
(1) 集合：集合符号、元素和子集、幂集、有序对、关系和函数、等价关系。 (2) 基本函数：多项式函数、有理函数、指数函数和对数函数。 (3) 极限与连续性：函数在某点极限的直观概念、左极限和右极限、简单极限定理、某些特殊极限。连续函数的概念，区间上实值连续函数的一些特殊性质。 (4) 微分学及其应用：导数和微分的概念、导数规则、洛必达法则、极值、曲线绘制的应用。部分导数和链式法则、隐函数求导、约束优化。 (5) 积分学：不定积分作为反导数、积分规则、积分技术。定积分作为和的极限、微积分基本定理、分部积分和降阶公式。应用
描述性统计：以表格、图表和图形形式展示商业数据；误导性展示。位置和分散度的总结性度量。 概率：概率的概念。概率规则。贝叶斯定理。随机变量和期望值；在决策中的应用和局限性。常见的概率分布：二项分布、泊松分布和正态分布。 估计：简单随机样本。抽样分布：均值、比例和差值。置信区间：均值、比例和差值。 假设检验：假设检验：均值、比例和差值。 卡方检验：拟合优度检验。独立性检验。 变量之间的关系：探索性数据分析。线性关系：最小二乘法。相关系数。 多元回归：多元回归方程。参数的推断。建模技术
数据科学概论 数据收集、数据类型、数据结构、精选案例研究 数据准备与探索 数据清洗/处理、数据汇总、频数表、密度图、数据可视化、统计与数据分析的计算工具（如 R/Python） 基础统计 描述性统计、集中趋势和离散程度的度量、相关性度量、线性回归 人工智能 机器学习的概念、人工神经网络、通过 Python API 如 scikit-learn 的分类算法 应用 数据科学和人工智能在特定主题如金融分析、回归分析、预测等中的应用
描述性统计：以表格、图表和图形形式展示商业数据；误导性展示。位置和分散度的总结性度量。 概率：概率概念。概率规则。贝叶斯定理。随机变量和期望值；在决策中的应用及其局限性。常见的概率分布：二项分布、泊松分布和正态分布。 估计：简单随机样本。抽样分布：均值、比例和差异。置信区间：均值、比例和差异。 假设检验：均值、比例和差异的假设检验。 卡方检验：拟合优度检验。独立性检验。 变量之间的关系：探索性数据分析。线性关系：最小二乘法。相关系数。 多元回归：多元回归方程。参数的推断。建模技术
概率入门：实验、事件和概率；概率规则；贝叶斯定理；期望。 描述性统计：表格、图表、频数分布和位置与分散性的总结指标。 离散随机变量：概率质量函数；离散分布简介，如二项式、几何分布、泊松分布等。 连续随机变量：概率密度函数；连续随机变量简介，如均匀分布、指数分布、正态分布、卡方分布等；二项分布的正态近似。 抽样分布：总体和随机样本；与样本均值和样本方差相关的抽样分布。 统计推断：点估计和置信区间的概念；均值、比例、方差和均值或比例差的点估计和区间估计；显著性检验；均值、比例、方差和均值或比例差的假设检验。
