【T112017-教育生态与人才培养分会场】高校大数据教育_-_基础知识结构与学位设计_13页_596kb

高校大数据教育：基础知识结构与学位设计总结

核心内容

大数据开发与应用在全球范围内被视为重要的战略资源，各国均将其提升至国家意志层面，旨在通过其推动经济增长与社会福利提升。我国亦高度重视大数据的发展，将其作为国家战略推进。大数据的核心价值在于其对隐含信息的深度挖掘与应用，从而解决信息不对称问题，提高生产率与社会福利。

主要观点

• 大数据的价值不仅体现在数据的采集与存储，更在于对信息的深度挖掘、分析与应用。
• 大数据的应用需结合不同领域知识，如计算机科学、统计学、应用科学等，形成跨学科的综合能力。
• 数据处理 ≠ 数据分析：数据分析需要应用领域的知识和统计学工具进行指导，不能仅停留在数据的表面处理。
• 分析结果的应用依赖于优化与算法，因此大数据教育应涵盖数据采集、处理、分析及应用的全过程。

关键信息

大数据教育的目标是培养具备跨学科能力的复合型人才，其知识结构应融合以下四个核心领域：

1. 计算机科学：包括数据库、编程语言（如C、Java、Python）、分布式系统（如Hadoop、Spark）等。
2. 统计学：包括概率论、统计分析方法等，为数据挖掘与建模提供理论基础。
3. 计算科学：涵盖优化与算法、数据结构等，是实现大数据分析与应用的技术支撑。
4. 应用科学：涉及大数据在不同行业（如金融、交通、政府、法律、新闻、工业等）的实际应用。

学位设计

本科学位

• 培养实用型人才，注重知识面的广度，而非深度。

• 课程设置应覆盖大数据的四个核心领域，为学生提供全面的基础。

• 建议课程包括：

  • 数据科学基础
  • 数据科学概率基础
  • 数据科学统计基础
  • 数据科学计算机基础（含数据库、编程语言等）
  • 机器学习
  • 数据科学实践

• 不同背景的学生可通过辅修或选修课程获得大数据技能：

  • 应用学科背景学生可辅修计算机与统计学课程。
  • 计算机背景学生可增加统计学与应用课程。
  • 统计学背景学生可增加计算机科学与应用课程。

硕士学位

• 培养更具专业性的实用型人才，课程设计以特色为主，突出某一方向。
• 课程在本科基础上增加难度，注重实践与应用。
• 课程设置可依据学生背景进行差异化：
  • 应用学科背景学生：以统计学课程为主，计算机为辅。
  • 理科背景学生：以优化与算法为主，强化计算机课程，了解应用领域。
  • 计算机背景学生：以优化与算法为主，统计学与应用为辅。

博士学位

• 培养高端开发与创新人才，注重理论深度与创新能力。
• 学制较长，应提供系统学习与高水平差异化训练。
• 课程设置应根据学生背景进行细分：
  • 应用学科背景学生：专注大数据应用。
  • 统计学或理科背景学生：专注大数据分析。
  • 计算机背景学生：专注计算机与算法。

课程建议

• 基础课程：

  • 数据科学基础
  • 数据科学概率基础
  • 数据科学统计基础
  • 数据科学计算机基础（含数据库、编程语言等）
  • 机器学习
  • 数据科学实践

• 进阶课程（可根据学生背景与兴趣开设）：

  • 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
  • 深度学习
  • 行业应用课程（如金融、交通、政府、法律、新闻、工业等大数据分析与应用）

总结

大数据教育应以跨学科融合为核心，构建涵盖计算机科学、统计学、计算科学与应用科学的综合知识体系。不同学位层次应根据培养目标进行差异化设计，本科注重广度与基础，硕士强调专业性与实践，博士聚焦创新与开发。通过系统课程设置与灵活选修机制，确保学生能够掌握大数据从采集、处理、分析到应用的全过程，从而更好地服务于社会经济发展需求。