IS6400 - Business Data Analytics
内容状态｜历史经验待复核
状态标记： 2026-07-26
当前用途： 保留往届课程结构、考核方式、教师信息与学生评论作为历史经验。
使用边界： 课程是否开设、任课教师、考核比例、名额与注册方式尚未按 2026/27 当期 AIMS／Master Class Schedule 逐项复核；选课前必须以官方系统、项目通知和课程教师说明为准。
官方课程资料
2026/27 公开课程页： Course Offering Term 列为 Semester A 2026/27；先修要求为具备基础统计知识，目录层级显示 Continuous Assessment 60%、Examination 40%。课程页同时提示开课学期可能调整。
链接核验： 2026-07-30。固定目录中的 202627 是 Catalogue 路径；课程页的 Course Offering Term 与 PDF 的 Effective Term 需要分别阅读，实际开课、名额和任课教师仍以当期 Master Class Schedule、AIMS 与项目通知为准。
本页更新： 补充课程网页、官方 PDF 与课表查询直链；保留原教师资料并增加当前任课边界。
授课教师:
任课信息提示（2026-07-30）： 以下名单来自本站往届课程资料；公开课程页没有列出 2026/27 本学期分班任课教师，因此保留供参考，不作为当前任课确认。请以 Master Class Schedule、AIMS、Canvas 或项目通知为准。
课程目标
The course aims to teach students the process, models, and tools for data analysis and analytics in business, such as in finance, marketing, etc.
The course will teach students the practical skills to employ software packages (such as spreadsheets and Python) and apply necessary packages (such as scikit-learn, statsmodels, tensorflow, etc.) to analytical framework and tackle business data analysis problems for corporation manage and decision making. On completion of the course students should be able to
(a) understand the target and requirements of a selection of critical business data analysis problems.
(b) manage the statistical techniques and machine learning models for data analytics.
(c) implement the models into a programming language, such as Python, and adapt the models through Python packages, and
(d) analyze and interpret the outputs of models to support decision making in finance, marketing, accounting, etc
课程考核
来自考核文件
实际考核内容应当以教师在课程中公布为准，此处仅为参考
| 平时性考核 | 最终考核 | ||
|---|---|---|---|
| 课堂表现与个人作业 | 30% | 期末考试 | 40% |
| 小组项目 | 30% | ||
课程考核文件链接：IS6400
课程评论（选自2022版选课心得）
- 课程实用性很高，这学期代码部分是用python完成的。两位老师都很nice，课程内容详实。Junming的课主要是机器学习部分，有的同学A学期有所涉及所以会比较好理解。
- zhiya的课主要是讲时间序列部分，如果想学透彻课下还是要多下功夫。 平时分给的很高，考试开卷的话非常难，平常的代码要非常熟悉，但是最后总体打分也还不错。
- project多挑大公司的背景写在简历上会有加分，有问题的地方也可以多和老师讨论，两位老师回复都非常及时并且详细，以后想做BA的同学非常推荐！
数据分析岗位
课程评论（2023版）
（Tracy & Liu Junming）两位老师都非常认真，这门课学下来还是很有收获的。代码主要在平时作业和大作业进行考察，期末大多是考察原理理解，即使代码基础弱，老师也不会难为人。
——七七 FIT
课程内容承接IS5740，学习基于python的初级统计学习方法，包括计量、数据分析和机器学习，对有基础的同学而言没有难度，对有基础的同学而言，也可以通过老师的授课安排基本掌握数据分析的流程，且不需要掌握太多的算法原理（当然还是建议多多了解）。两位老师分别教计量和机器学习，都很和蔼，授课水平不错。2022级闭卷考试考了掉包代码，结合2021级的考卷，个人认为考点不会超出授课内容，重在对内容的理解，比如对算法逻辑上的理解（不是数学原理上的），如何使用算法等。
——如来了吗？如来嘛！ FIT
老师：YANG Cenying; LIU Junming。两个老师负责不同的课程内容，都很专业和负责。英语发音挺标准的。
课程内容：每堂课分成两大块——PPT的专业知识和Python软件教程（python不会从零教起，没学过python的最好在上学期学下前置课程python programming）。十一章，最后一章机器学习不考，每章40-70页不等。对于想学习数据分析技能的同学，这应该是必备课程了。
期末考试：闭卷，一面cheating sheet。考了个ridge和lasso公式，还考了不少代码（但是只要背实际建模的前两行，让老师知道你会调用哪个library就行，老师考前还会提前说的）。其他的就是数据分析常规内容啦，指标解释什么的。
平时作业：前前后后大概六七个assignment，都是用python完成的，都是关于数据分析的，很实用，会影响到finalscore。
点名：印象里没点过名。会有随堂quiz当点名（也很少）。
个人推荐指数：对于要学习数据分析的人来讲，满级五颗星
——Zoie FIT
主要运用python进行数据分析，本科非计算机专业也能跟上老师的进度。平时一共有8次python作业，期中选代表进行一个项目介绍，期末全员pre并提交project。期末闭卷但是可以携带一页A4纸的知识点梳理，题型是知识点加代码，整体难度不大，建议选这门课。
——六元 FIT
Tracy和Junming上课，平时不签到，但会1-2次课堂quiz，平时需要完成课后作业，大概两星期一次作业。小组项目选择数据集进行分析，期中期末都需要汇报，期末考试可选闭卷考卷*，闭卷难度小，开卷难度大，我们是闭卷考试，纸笔考试，不是上机代码，难度不大，会涉及一些比较简单的代码题目，最后老师给分也还可以。
*编者注：课程开始前几周，此课程会面向全班征集意向用以确定开展开卷或闭卷考试。
——Cynthia FIT
个人认为对构建数据商业分析的思路和整体观非常有帮助（这可能需要小组里面有一个相关经验的人带着会对完成project更有帮助）。但是教授讲课节奏非常快，对于原理和数学的讲述会比较掠过，主要关注在建模后数据呈现的结果。如果想从事类似工作的同学，可以在教授每讲一课知识点后照着youtube或者b站加强学习。关于final，不能太指望one side cheat sheet，还是要每周学习掌握。
——胡老ber MIS
两位老师授课，上课内容充实，每节课后都有assignment。
对于没有Python基础的同学来说有些困难；对于有一定Python基础并且有数据分析能力的同学来说比较容易：对于熟练掌握Python并且擅长数据分析的同学来说，这是一门让你查漏补缺的课程。
总体来说比较推荐，平时分给的大方，期末考试难度适中。
——Lex FIT
Python数据分析基础课程，对于统计学略有要求（但是依然不高），上课流程基本上为前半截课学习模型内容，后半截课进行Tutorial，每周一次作业，对于本科学习过相关技能的同学，花心思研究一下老师的授课与作业文档，这学期可以帮助你精进技艺。
这门课由两个老师共同承担教学，Tracy负责的是时间序列模型部分，从最简单的线性回归讲到指数平滑; Junming则会从描述性统计开始讲起，一直讲到模型评估（整套BDA流程），最后加一点小小的人工智能（上过6335的同学会再看一遍这堆活）。这门课程所用的教材非常好，建议课下多花时间阅读，大有脾益。
Project与IS5740相似但是更为高阶，贴近现实中的DA岗位工作（当然强度不敌），非常建议花心思好好做一做，以参加数分竞赛为动力去做Project也是可以的，但是一定要给自己留好保底产出（老师们也会持续开放Project咨询，防止项目流产影响成绩）
期末考试依旧不难（前提是你上课好好学作业是自己写的），闭卷考试不要太指望一页CheatSheet能承载的东西能让你抄的多舒服，对内容不熟悉的话，现找是根本来不及的。
——AvalonC FIT
课程内容：该课程是由两位内地老师（杨岑莹（Dr. YANG Cenying）& 刘俊铭（Dr. LIU Junming））进行教授的，课程内容主要围绕用Python结合统计学知识进行商业分析。
课程难度：难度较难，进阶版的5740课程，里边除了讲述了机器学习的框架以外，对于一些方法的数据处理过程也给出了细化的方法，而这些方法都是相对较抽象且难的，需要有一定的统计学知识才较好理解。
考核方式：上课考勤+回答问题+小组项目+个人作业+线下闭卷考试（可以带一页单面A4纸进考场）。
就业帮助：讲解的所有统计学知识在现实工作中做数据分析都有可能会碰到，尤其是一些数据本身的问题以及解决路径。
——熊 MIS
社区讨论
提问、纠错与补充经验
请勿上传学号、成绩单、签证、联系方式或未公开课件；时效信息请附官方来源和适用学年。历史讨论
往届评论原样归档
这学期只有Junming一个prof，课程内容比较有挑战，但也没有那么难。这学期大家投票选了闭卷，所以内容都在ppt上没有超纲，对课程内容真的理解，每节课都认真听了的话，期末考试算简单。
(24 Spring)
小組報告：老師要求其實也不算高，附上當時候整份的期末 報告和PPT 供參考 https://pan.quark.cn/s/e9216487cc01
考試：推荐選 Close Book, Open Book 其實挺難，
附上當時候 Close Book形式的考試題目 供參考
Suggested Ans:
import sklearn
from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=10) # 你要知道max_depth這個parameter是用來控制那個樹的深度
Overall: A
（这学期好像没有另一位教授开设课程，Prof Junming开了三个时间段的课，所以以下评价仅基于他的教学体验）
课程内容很实用，5740进阶版，但是工具不再是SAS而是python，所以最好有点python基础再学，完全零基础建议sem A先去5312扫个盲再选6400，我个人觉得纯小白学起来需要在代码上自己多下功夫。基本每次课后都有assignment，计入成绩，我自己做出来分数都不是很理想但最后好像总分还行。小组作业和5740很像，找个数据集，确定business problem然后使用课上教的BDA process解决这个问题。课上会涉及一些复杂的推导但是不会考，整体内容有一点难，但上课认真听、作业用心做且小组作业全程参与的话pass不成问题，教授出题和给分都很仁慈。建议投票选闭卷，可以带一张单面A4小抄，题量不大也不难，我们投票结果是闭卷所以不知道开卷的难度，不评价。总体来说推荐选。
体系非常完整的一门Python数据分析入门课程，同时也是BIS知名度最高、人气最高、最炙手可热的一门课。
从数据处理到建模分析一条龙带你彻底熟悉一遍商业数据分析的整个流程，对就业帮助很大。和IS5740确实有点像，区别只在这门课用Python，另一门用SAS Enterprise Miner，以我现在的视角看其实这两门课二选一即可。但刘老师和权老师都是非常优秀又心善的老师，都拿了24-25年度的杰出教学奖，都选来上一上也是极好的。
非常推荐上的一门课，特别恭喜刘俊铭教授夺得24-25年度杰出教学奖~
课堂：
作业：
展示：
对Prof. LIU的印象：
考试：
总之，非常推荐选。未来想做数据分析的话，这门课是必不可少的。
本人此门课成绩为A。
继续讨论
提问、纠错或补充经验