【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_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

本文围绕大数据教育的知识结构与学位设计展开，提出大数据开发与应用应被视为国家意志，其价值在于通过解决信息不对称问题来提升生产率和社会福利。大数据的开发与应用是一个跨学科的过程，涉及数据的采集、储存、挖掘、分析与应用，需要计算机科学、统计学、计算科学与应用科学的深度融合。

主要观点

1. 大数据的战略地位
   大数据被各国视为战略资源，用于推动经济增长和提升人民福利。我国也高度重视大数据发展，将其提升至国家意志层面。

2. 大数据的价值来源
   大数据的价值来源于对隐含信息的深度挖掘与分析，而非单纯的数据采集、存储和简单关联。其核心在于通过数据洞察行为模式，从而优化决策和资源配置。

3. 大数据 ≠ 数据分析
   数据处理与数据分析是两个不同的概念。大数据的分析需要应用领域的知识指导和统计学工具，强调信息挖掘的深度与准确性。

4. 大数据 ≠ 总体
   大数据的分析结果必须通过优化与算法进行应用，才能真正转化为生产力和社会福利。

5. 大数据教育的跨学科融合
   大数据教育应融合计算机科学、统计学、计算科学和应用科学，形成系统化的知识结构，以实现整体最优。

关键信息

• 大数据教育的目标是培养具备多学科背景的人才，能够有效进行数据的采集、处理、分析与应用。
• 不同学科背景的学生可以通过辅修或增加相关课程来获取大数据技能。
• 本科教育应注重知识面的广度，培养实用型人才。
• 硕士教育应突出某一领域的特色，提升专业深度。
• 博士教育应注重开发和创新能力的培养，实现高水平的差异化训练。

学位课程设计建议

本科学位

• 核心课程：
  • 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（包括数据库、C语言、Java、MapReduce、Hadoop、Spark、R、Python等）
• 实践课程：
  • 机器学习
  • 数据科学实践
• 课程设置建议：
  • 应用学科背景学生可通过辅修计算机和统计学课程获取大数据技能。
  • 计算机学科背景学生可通过增加统计学和应用科学课程提升大数据能力。
  • 统计学背景学生可通过增加计算机科学和应用科学课程增强综合能力。

硕士学位

• 课程设计原则：
  • 以特色课程为主，提升专业深度。
  • 依据学生背景调整课程重点：
    • 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，强化计算机科学。
    • 计算机背景学生以优化与算法为主，统计学和应用科学为辅。
• 可选课程：
  • 大数据采集与处理
  • 流数据处理
  • 计算机网络
  • 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
  • 金融、交通、政府、法律、新闻、工业等领域的大数据分析与应用

博士学位

• 培养目标：
  • 培养开发型高端人才，注重创新与研究能力。
• 课程设计原则：
  • 系统学习基础上进行高水平差异化训练。
  • 依据学生背景选择研究方向：
    • 应用学科背景学生专注大数据应用。
    • 统计学或理学背景学生专注大数据分析。
    • 计算机背景学生专注算法与计算科学。

结论

大数据教育应构建跨学科的知识体系，融合计算机科学、统计学、计算科学和应用科学。不同层次的学位教育应根据培养目标和学生背景，合理设置课程内容，实现从基础到高级的系统化培养。