一、问题背景
大数据18级的专业任意选修课主要有下面几门课程：
| A1互联网金融 |
| A2移动电子商务 |
| A3大数据可视化 |
| A4信息咨询学 |
| A5企业资源计划（ERP） |
| A6大数据技术及应用基础 |
| A7Python及大数据分析应用 |
| A8商务智能与R语言 |
现在要同学们选择至少两门课程作为自己的选修科目。显然，像这样的现实生活中常见的问题属于决策问题，而所有的决策问题都需要提出一定数目的预设方案进行选择评估。像上面表格陈列的那样，预设方案不止8种，我们学过排列组合知道，假定一个同学的最大学习精力只能保证他（她）选择至多4门选修课，那么其共计有154种备选方案。
但是，如果把每种方案当作一个集合概念来看的话，每门课程就相当于这个集合里的元素，例如方案一：{A1，A2};方案二：{A1，A2，A3};方案三：{A4, A5, A7, A8}等等。接下来我要假设一个前提，即每个同学选课都是保持理智的（有过选课的考虑，有主见的选择），并且每门课的供应量充足，只有这样的话，层次分析法才能适用于大数据选课模型的构建。
由于同学选课都保持理智，所以对于8门选修课，内心有一定的比较排序，比如小明最喜欢A1,第二喜欢A5,第三喜欢A6。那么根据他的意识，除去选课过程中出现的网络崩溃，手滑等问题，他100%会优先选择这三门学科。那么问题来了，我们现在是不是要给所有这8门学科一个综合的评估，给出比较优劣的排名，然后同学根据评估矩阵来知道这门课的一个权重。
二、模型构建
层次分析法
首先，我们的目标任务是选课，方案有154种，但是只要给出每门课的客观评分就能够了解科目的综合情况，不过评估课程要遵循一定的标准，下面我们简单讨论一下如何设置标准。
B1.课程的实用性（课程是否注重实际应用，是否需要实践）
B2.课程的难度
B3.课程的重复性（课程是否与之前的专业必修课或者网络学习资源重复）
B4.课程的前沿性（课程是不是最前沿的）
B5.兴趣看个人（综合评估主要参照上面四个指标）
然后对于上述四个指标进行第一次比较构建：
构建法则，【2，4，6，8介于中间】
| 1 | 一样重要 |
| 3 | 比较重要 |
| 5 | 重要 |
| 7 | 非常重要 |
| 9 | 十分重要 |
由于大数据是工科（我感觉学校存在一些院级领导邀功的风气，大数据专业是管工院上报的，但是归属信工院，层次级别上说不过去，虽然是管理学，但是我们都没有管理学基础这门课，不知道学校咋想的，看在学代码的份子上，我还是把它当作工科对待吧），所以我们比较注重实用性、前沿性、其次才是难度，毕竟要恰饭的嘛。
构建比较矩阵
| B1 | B2 | B3 | B4 | |
| B1 | 1 | 3 | 7 | 2 |
| B2 | 1/3 | 1 | 3 | 1/5 |
| B3 | 1/7 | 1/3 | 1 | 1/7 |
| B4 | 1/2 | 5 | 7 | 1 |
所谓的比较矩阵就是两两进行比较，看看问题谁最重要，采用比值法B1/B2=3,B2/B1=1/3,B1相对于B2而言比较重要，就这么简单！
然后将每个评估准则施加到课程的比较矩阵的构建中，比如控制变量，在B1实用性条件下，各门课的比较矩阵。
例如：
| A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 | |
| A1 | 1 | |||||||
| A2 | 1 | |||||||
| A3 | 1 | |||||||
| A4 | 1 | |||||||
| A5 | 1 | |||||||
| A6 | 1 | |||||||
| A7 | 1 | |||||||
| A8 | 1 |
三、借助Python工具的黑箱操作得出如下评估矩阵
分别是A1到A8八门课程的权重分布，其中比较优势为：从前到后（权重降序排列）
| 大数据技术 |
| python大数据分析 |
| R语言 |
| 大数据可视化 |
| 互联网金融 |
| 移动电子商务 |
| 信息咨询学 |
| ERP |
哈哈，有没有惊讶到！最后学习还是要看兴趣，没有兴趣就要学真本事恰饭，不能瞎选科目！
