【songqian】欢迎大学选择云大数据免费在线直播课。

目前，我国的大数据产业正处于初期阶段进入黄金时期，我国已成为数据资源大国。据媒体报道，大数据人才的空缺是十大高薪职业之一，有超过1:14的供给和需求。随着政策、技术、市长/市场等各方面力量的推进，大数据产业的发展潜力决不可小觑。

2020年3月，教育部又批准了137所高校的“数据科学与大数据技术”本科建设，批准了51所高校的“大数据管理与应用”本科建设。数据科学和大数据技术专业从2015年开始申报，到目前为止，已有668所高校成功申报。“大数据管理与应用”专业从2017年开始申报，至今已有83所高校成功申报。

此外，迄今为止，全国1355所职业院校成功申报了“大数据技术与应用专业”，为大数据应用型实战型人才的培养奠定了基础。

为了打破山教融合、合作教育、大学与企业之间人才培养的"界限"，探索新的人才培养机制和模式，培养创新能力、符合产业要求的复合型、创新型人才，为新老动能的转换提供人才支撑，成为许多大学的探索和思考方向。

针对当前高校面临的课程、教师、科研支持、成果转化等瓶颈，云昌专业共建双资计划要求合作大学“共同制定人才培养计划、构建教材体系、高质量免费培训公司、专业课程全质量免费在线直播教学、设计实验室建设方案、学生实习支持、学生高质量就业支持、教育部合作教育计划建设”

其中，高质量免费培养教师和全套专业课高质量免费在线直播教育是重要的两项服务，受到了不同层次高校的好评。整个专业课高质量免费在线直播课由“双师模式”——直播教师负责授课，现场助教教师负责辅导，可以大大解决大数据和人工智能教师短缺的问题，提高教学质量。

为了帮助高校大数据专业建设快速落地，培养创新人才，云昌大数据将于本学期5月25日开始推出《大数据》和《大数据导论》免费在线直播课程，欢迎各高校选修。

《大数据》适合本科院校大数据专业必修课和非大数据专业选修课，《大数据导论》适合高职院校大数据专业必修课和非大数据专业选修课。同时，为了保证高校的教育实战效果，云昌大数据免费为选修这两门课程的高校提供大数据实验平台(本科和高职两大平台，金融、电子商务、数理统计等多个版本，共424个大数据实验)，让高校享受直播、课堂、解题实验等个性化服务和指导。

现在，根据想要的选修课(可以同时选择两种)，扫描微信扫描下的小代码，提交联系人、单位、联系人等，就可以使用云创意数据提供的所有专业课的高质量在线直播培训服务。

《大数据》选修课小程序代码：

《大数据导论》选课小程序代码：

云大数据将从下学期9月开始为9个大数据和人工智能专业提供专业直播课程，敬请期待！具体过程如下：

大数据(本科)《大数据》、《Python程序设计》、《云计算》

大数据(专业领域)《大数据导论》、《Python语言》、《云计算导论》

人工智能(本科)《人工智能导论》、《Python程序设计》、《人工智能数学基础》

人工智能(专业领域)《人工智能概论》、《Python语言》、《云计算导论》

如果有疑问，请咨询宋川。

联系方式：

邮箱：宋倩@c

手机：

大数据(适合本科大学)

一、课程的性质、目的和要求

课程性质：本科高校大数据专业必修课，非大数据专业选修课。

课程目的：通过对大数据的相关知识介绍，教育学生掌握大数据的概念和原理，熟悉大数据的理论和算法，了解大数据未来的发展趋势，利用学到的知识，进行大数据应用实施和算法设计，帮助学生使用大数据技术解决大数据行业的应用问题。

课程要求：本课程系统介绍大数据的理论知识和实践应用，包括大数据概念和应用、数据收集和预处理、数据挖掘算法和工具、R语言、深度学习、大数据可视化等。深入分析了大数据在互联网、商业和一般产业中的应用。期待学生对大数据处理技术有更深入的了解，从具体问题或事例开始，利用学到的大数据知识，在应用程序中实现数据分析和数据挖掘。

二、讲课内容

总时间：36小时

第一章大数据概念及应用2小时

基本要求：熟悉大数据的概念和含义、大数据的来源、大数据应用方案和大数据处理方法等。

重点：大数据的定义、研究内容和应用。

困难：没有。

第二章数据收集和预处理4小时

基本要求：熟悉常用的大数据收集工具，特别是Apache

Kafka数据采集使用方法;熟悉数据预处理原理和方法，包括数据清洗、数据集合、数据转换;掌握数据仓库概念与ETL工具Kettle的实际应用。

重点：Apache Kafka数据采集、数据清洗、数据仓库与ETL工具。

难点：ETL工具Kettle的实际应用。

第3章 数据挖掘算法 6学时

基本要求：熟悉常用的数据挖掘算法，内容上从分类、聚类、关联规则和预测模型等数据挖掘常用分析方法出发掌握相对应的算法，并能熟练进行数据挖掘算法的综合应用。

重点：分类算法、聚类算法、关联规则、时间序列预测。

难点：数据挖掘算法的综合应用。

第4章 大数据挖掘工具 4学时

基本要求：熟练掌握机器学习系统Mahout和大数据挖掘工具Spark Mllib下的分类算法、聚类算法、协同过滤算法的使用，并对其他数据挖掘工具有所了解。

重点：Mahout安装与使用、Spark Mllib工具的使用。

难点：Mahout和Spark Mllib工具的使用。

第5章 R语言 4学时

基本要求：了解R语言的发展历程、功能和应用领域;熟悉R语言在数据挖掘中的应用;掌握R语言在分布式并行实时计算环境Spark中的应用SparkR。

重点：R语言基本功能、R语言在数据挖掘中的应用、SparkR主要机器学习算法。

难点：R语言与数据挖掘。

第6章 深度学习 4学时

基本要求：了解深度学习的发展过程和实际应用场景，并结合人脑的工作原理，理解深度学习的相关概念和工作机制，做到能够熟练使用常用的深度学习软件。

重点：人脑神经系统与深度学习、卷积神经网络、深度置信网络、循环(递归)神经网络、TensorFlow和Caffe。

难点：人工神经网络。

第7章 大数据可视化 4学时

基本要求：熟悉大数据可视化的基础知识;掌握文本可视化、网络可视化、时空数据可视化、多维数据可视化等常用的大数据可视化方法，可通过Excel、Processing、NodeXL和ECharts软件实现数据的可视化。

重点：数据可视化流程、大数据可视化方法、大数据可视化软件与工具。

难点：时空数据可视化、多维数据可视化。

第8章 互联网大数据处理 4学时

基本要求：掌握互联网信息抓取技术，能够通过互联网信息抓取、文本分词、倒排索引与网页排序这4个主要步骤实现互联网大数据处理，并能够熟练运用。

重点：Nutch爬虫、文本分词、倒排索引、网页排序。

难点：倒排索引。

第9章 大数据商业应用 2学时

基本要求：熟悉用户画像和精准营销的构建;熟悉广告推荐系统的建设;熟悉互联网金融的应用方法。

重点：用户画像构建流程、用户标签、广告推荐、互联网金融应用方向。

难点：信用评分算法、分类模型的性能评估。

第10章 行业大数据 2学时

基本要求：以地震大数据、交通大数据、环境大数据和警务大数据为例来熟悉行业大数据的应用，学会利用数据创造价值。

重点：理解数据和数据分析在业务活动中的具体表现。

难点：无。

三、课程安排

通过在线直播的方式进授课。授课时间为：2020年5月25日开课

具体课程安排如下：

四、课时分配

五、建议教材与教学参考书

大数据导论(适合于高职高专院校)

一、课程性质、目的与要求

课程性质：高职高专院校大数据专业必修课程、非大数据专业选修课程。

课程目的：本课程力求加深学生在程序设计方法上的理解和把握，通过相关的事例让学生对各知识点先了解，再理解，最后逐步掌握。整个过程融“教、学、练”于一体，加强学生实践动手能力、独立思考问题和解决问题的能力，达到正确灵活地利用操作系统各知识点来解决相关问题的目标，并为后续专业基础课程、专业课程的学习奠定扎实的基础。

课程要求：本课程在教学过程中，根据高职培养应用型人才的特点，以典型工作任务为主线、以各种资源管理为核心，以培养能力和提高兴趣为目标，变应试为应用，重视在新形势下的新方法、新规则和新思想的传授。着重培养学生能灵活应用这些思想和方法的能力。课程教学中要遵循理论来自于实践的原则，融“教、学、练”于一体，体现“在做中学，在学中做，学以致用”，以增强知识点的实践性，激发学生的学习兴趣。在实践教学环节中则融入相关理论知识，突出理论来自于实践和指导实践的作用，使学生的知识应用根据学习的内容提升一个新的高度。

具体目标：

知识目标

大数据基本概念和应用

大数据的架构

大数据的采集和预处理

大数据的存储

大数据分析

大数据可视化

大数据的商业应用

技能目标

大数据的基本概念和应用范围

理解大数据架构的相关概念

理解大数据采集和预处理相关的概念，掌握数据采集相关技术的应用，了解大数据预处理相关技术

理解大数据存储相关概念，掌握大数据存储相关技术

了解大数据分析相关概念，了解大数据分析的相关技术

理解数据可视化的相关概念，掌握大数据可视化的相关技术

了解大数据的商业应用情况

第1章 大数据基本概念和应用 2学时

基本要求：了解大数据的相关概念，了解大数据的来源、特征和意义、了解大数据的表现形态、了解大数据的各种应用场景。

重点：大数据的定义、大数据的市场应用。

难点：无。

第2章大数据的架构 4学时

基本要求：掌握大数据的分类，了解数据类型，了解大数据的解决方案、理解Hadoop的核心设计，了解Hadoop的平台搭建。

第3章 大数据的采集和预处理 8学时

基本要求：熟悉常用的大数据采集工具，特别是Apache Kafka数据采集使用方法;熟悉数据预处理原理和方法，包括数据清洗、数据集合、数据转换;掌握数据仓库概念与ETL工具的实际应用。

重点：Apache Kafka数据采集、数据清洗、数据仓库与ETL工具

重点：分类算法、聚类算法、关联规则、时间序列预测。Apache Kafka数据采集、数据清洗、数据仓库与ETL工具。ETL工具Kettle的实际应用

难点：数据挖掘算法的综合应用。

第4章 大数据的存储 6学时

基本要求：理解大数据存储相关概念、理解数据仓库的概念，了解数据仓库的组成和构建方式、掌握大数据存储相关技术的应用。

重点：云存储系统的结构模型、分布式文件系统、数据库。

第5章 大数据分析 8学时

基本要求：了解大数据分析相关概念，了解大数据分析的相关技术，通过上机项目实例进行练习。

重点：数据分析方法、数据挖掘算法。

第6章 大数据可视化 6学时

第7章 大数据的商业应用 2学时

基本要求：了解国外大数据应用经典案例以及以地震大数据、交通大数据、环境大数据和警务大数据为例来熟悉行业大数据的应用，学会利用数据创造价值。

四、课时分配

五、建议教材与教学参考书