高校大数据教育 - 基础知识结构与学位设计.pptVIP

高校大数据教育：基础知识 结构与学位设计 统计与大数据研究院 大数据战略 大数据开发与应用被各主要工业国（美国，德国，英国，欧盟、日本）视为战略资源， 希望以此为支柱产业，带动经济增长和人民福利（新产品、新服务、更低成本）的提高， 并将大数据的开发和应用提升至国家意志（高于国家战略）。 我国亦将大数据的开发与应用作为国家意志，并多次发文推进大数据及相关产业的发展。 统计与大数据研究院 大数据价值 这一崇高的地位决定了，大数据的开发与应用必须促进经济的持续增长。也就是说，大 数据的开发与应用最终必须提高生产率和社会福利，否则，用不着以国家意志来推动大 数据的发展。 那么，大数据是如何提升生产率和社会福利的呢？ 我的理解是，通过解决社会经济中的 信息不对称问题。 统计与大数据研究院 大数据价值 例如，在生产领域，大数据中的信息可以帮助我们识别生产过程中资源错误配置和低效 的地方，帮助我们做出更高效的的决策。在消费领域，大数据中的信息可以帮助我们更 多的了解消费者的偏好和需求，帮助设计新服务、新产品。在流通领域，大数据能帮助 我们更有效的匹配供需双方，减少流通成本。在服务领域，大数据中的信息能帮助我们 更深入的了解经济个体的行为，帮助我们设计对应的服务以及风险控制。大数据中的信 息还是设计人工智能产品的基础。 统计与大数据研究院 大数据价值 因此，大数据的价值取决于对隐含的信息的挖掘、分析与应用程度。它不只是数据的采 集、储存和简单的挖掘与关联分析，而是对隐含的行为信息做深度分析的结果。 数据处理 ≠ 数据分析 大数据的特点是量大但所含信息相对（数据量）很小，对信息的挖掘和分析离不开应用 领域的知识指导和统计学工具。 大数据 ≠ 总体 最后，分析结果的应用离不开优化与算法。 统计与大数据研究院 大数据知识结构 可见，大数据的开发与应用涉及到数据的采集和储存（计算机科学）、数据的挖掘与分 析（算法、统计学、应用科学）、分析结果的应用（计算科学、应用科学）。表面看， 这一过程是上述领域的简单组合，但简单组合无法达到整体最优。 因此，大数据教育的知识结构必须是，计算机科学、统计学、计算科学与应用科学的深 度融合。 统计与大数据研究院 大数据学位设计 基于这一认识，大数据学位设计（本科、硕士、博士）必须是系统的训练，但侧重点可 以不同。 工学学位可以侧重计算机科学的训练，加强算法训练，了解统计学和应用科学。 理学学位了解计算机科学，强化计算科学，侧重统计学，熟悉应用科学。 统计与大数据研究院 大数据学位设计 本科学位主要培养实用型人才，知识面要宽，而不是精。因此，本科学位教育要介绍上 述各学科的基本知识。 • 应用学科专业背景的学生可以通过对计算机领域、统计学领域的课程的辅修而获取 大数据应用的技能。 • 计算机学科专业背景的学生可以通过增加优化与算法、统计学和应用学科课程获取 大数据技能。 • 统计学专业或其他理学背景的学生可以通过增加计算机科学、计算科学和应用学科 领域的课程获取相关技能。 统计与大数据研究院 大数据学位设计 总之，无论是什么背景的学生都应该修下列课程： • 数据科学基础（Foundation of Data Science） • 数据科学概率基础（Probability for Data Science） • 数据科学统计基础（Statistics for Data Science） • 数据科学计算机基础（三门课介绍数据库，C语言程序设计，JAVA , MapReduce, Hadoop, Spark, R, Python等） • 机器学习 • 数据科学实践 统计与大数据研究院 大数据学位设计 更专一点的课程，如：大数据采集与处理，流数据处理，计算机网络，优化与算法，数 据挖掘，文本挖掘，数据可视化原理、分布式处理与云计算，数据结构，深度学习，金 融大数据分析与应用，交通大数据分析与应用，政府大数据分析与应用，法律大数据分 析与应用，新闻大数据分析与应用，工业大数据分析与应用等，可根据学生的背景和兴 趣，师资力量酌情开设。 统计与大数据研究院 大数据学位设计 硕士学位仍然培养实用型人才，但因学制短，学生背景差异，设计课程只能以特色为主， 突出某一方面，其内容可在本科培养方案的基础上增加点难度。 例如，如果对应用学科背景的学生，可以以统计学领域的课程为主，计算机领域课程为 辅；对理科背景的学生，可以以优化与算法领域为主，强化计算机领域课程，了解应用 领域；对计算机学科背景的学生，应以优化与算法为主，统计学和应用学科为辅。 统计与大数据研究院 大数据学位设计 博士学位是培养开发型高端人才，学制长，无论学生背景如何，除系统的学习外，应在 更高水平差异化训练，重在开发和创新能力的培养。 例如，应用学科背景的学生，可专注大数据