2017-【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_14页-1mb

高校大数据教育：基础知识结构与学位设计总结

核心内容

本文档围绕大数据教育的知识结构与学位设计展开，强调大数据作为国家战略资源的重要性，并提出高校应构建跨学科融合的教育体系，以培养适应大数据时代需求的人才。

主要观点

• 大数据的战略地位：大数据被全球主要工业国视为战略资源，用于推动经济增长和社会福利提升，其开发与应用被提升至国家意志层面。
• 大数据的价值：大数据的核心价值在于挖掘、分析和应用隐含信息，以解决信息不对称问题，从而提升生产率和社会福利。
• 大数据教育的跨学科融合：大数据教育需要融合计算机科学、统计学、计算科学与应用科学，形成系统的知识结构，而非简单组合。
• 学位设计的差异化：根据学生背景和培养目标，本科、硕士、博士阶段的课程设计应各有侧重，注重实用性和专业深度。

关键信息

大数据教育的三大核心领域

1. 数据的采集与储存（计算机科学）
2. 数据的挖掘与分析（算法、统计学、应用科学）
3. 分析结果的应用（计算科学、应用科学）

学位设计建议

本科学位

• 目标：培养实用型人才，注重知识面的广度。
• 课程设置：
  • 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（包括数据库、C语言、Java、MapReduce、Hadoop、Spark、R、Python等）
  • 机器学习
  • 数据科学实践

硕士学位

• 目标：培养具有专业技能的实用型人才，侧重某一领域。
• 课程设置：
  • 根据学生背景设计课程特色：
    • 应用学科背景：以统计学为主，计算机为辅
    • 理科背景：以优化与算法为主，强化计算机课程
    • 计算机背景：以优化与算法为主，统计学和应用学科为辅
  • 增加课程难度，突出专业方向

博士学位

• 目标：培养开发型高端人才，注重创新与开发能力。
• 课程设置：
  • 系统学习基础上进行高水平差异化训练
  • 根据学生背景专注不同领域：
    • 应用学科背景：专注大数据应用
    • 统计学科背景：专注大数据分析
    • 计算机学科背景：专注计算机与算法

其他课程建议

• 更专一点的课程：包括大数据采集与处理、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。

总结

高校大数据教育应以跨学科融合为核心，构建系统化的知识结构。本科阶段注重基础与广度，硕士阶段强调专业与深度，博士阶段则聚焦创新与开发能力。课程设计需结合学生背景，提供差异化训练，确保大数据教育能够有效支持国家战略和产业发展需求。