大数据技术与应用专业建设方向规划思路.pptx

大数据技术与应用专业建设方向规划

专业建设背景

01

2016年成为国家战略，推动经济发展，未来五年持续实施网络强国、大数据战略。

国家大数据战略

02

市场规模急速增长，应用广泛，正处于初级阶段，未来将深刻影响社会经济。

大数据产业趋势

03

人才需求急剧增加，预测2018年美国大数据人才缺口达14万-19万，国内缺口明显。

大数据人才需求

04

教育部批准高职大数据技术与应用专业，提前布局人才培养，服务国家大数据战略。

教育应对策略

专业人才培养目标

设置三大方向：应用开发、分析挖掘、系统运维，强调复合型、创新型和实用型人才培养。

大数据专业培养目标

01

结合计算机基础与大数据系统知识，注重实训，提升学生大数据系统搭建、管理与运维能力。

课程体系设计

02

通过案例实践，使学生熟练掌握大数据专业知识和技能，具备一定职业素养，适应大数据行业需求。

职业技能培养

03

重点培养能在大数据应用、分析及系统管理与运维等领域，胜任专业工作的应用型高技能人才。

就业方向定位

04

人才培养方向及职业能力分析

大数据技术岗位能力

理解大数据系统基础，应用设计、开发，数据挖掘、分析及系统运维方法。

工程实践能力要求

通过训练，具备大数据应用开发、分析及系统运维的基本实战能力。

专业课程体系设计

理论与实践结合

岗位能力分析

项目实战训练

技术实验课程

强调项目式教学，理论辅助理解，技术实践并重，打造一体化教学模式。

以实验过程为主，详解大数据技术，确保学生掌握应用技术的技能。

通过实际项目，提升学生解决实际问题的能力，以满足行业就业需求。

根据大数据岗位需求，分解知识体系，设计针对性的学习路径，强化岗位技能。

教学计划设计

结合岗位发展路径与学校、学生规律，设计的大数据技术与应用专业教学计划如下

知识类别

知识名称

知识描述

理论知识

大数据概念

大数据概念出现的历史，大数据定义和主要特征，大数据与云计算、物联网、互联网的关系，大数据的重要意义、大数据的处理流程

大数据应用领域

通过介绍典型的大数据应用实例的设计思想、主要方法和应用过程等讲解大数据应用的系统化的开发步骤和关键性问题解决方法

大数据关键技术与挑战

1、大数据集成：数据异构性和数据质量问题2、大数据分析：数据形式多样化、数据处理的实时性、索引结构的复杂性等3、大数据隐私问题：隐私保护和数据分析

教学计划设计

的矛盾4、大数据管理易用性问题以及性能测试基准

大数据存储和管理技术

1、大数据存储、管理和调用2、分布式文件系统3、去冗余及高效低成本的大数据存储技术4、新型数据库技术（键值数据库、列存数据库、图存数据库以及文档数据库等）5、异构数据融合技术6、分布式非关系型大数据管理与处理技术7、大数据索引技术和大数据移动、备份、复制

大数据分析及挖掘技术

1、数据挖掘分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等2、数据准备：从大数据中心存储的数据中选取所需数据并整合成用于数据挖掘的数据集3、规律寻找：用某种方法将数据集所含规律找出来4、规律表示：以用户可理解的方式（如可视化）将找出的规律表示出来

实验知识

新型数据库系统

1、HBase产生的背景和现状2、HBase的功能、作用和特点3、HBase的逻辑模型、物理模型、数据一致性模型4、HBase的系统架构及实现方法5、HBase的搭建方法和使用方法

分布式文件系统

1、Hadoop出现的背景、应用现状和发展趋势2、Hadoop的优点、功能与作用3、Hadoop的体系结构4、HDFS文件系统5、Hadoop与分布式开发6、Hadoop应用案例7、Hadoop系统搭建与调优

分布式处理模式

1、MapReduce分布式并行计算框架2、编程模型：Map和Reduce函数3、MapReduce工作流程4、分布式资源管理架构YARN5、基于MapReduce的大数据应用开发

教学计划设计

数据挖掘工具

1、Mahout数据挖掘系统2、海量数据的数据挖掘实现3、Mahout的搭建与部署4、Mahout聚类、分类、关联、推荐算法的实现5、Mahout各种挖掘算法的使用方法

基于内存的分布式计算框架

1、Spark的历史、现状和特点2、Spark的计算模式和运行流程3、Spark的使用方法4、基于Spark的大数据应用开发5、基于Spark的数据挖掘方法6、基于Spark的流式数据处理7、Spark的搭建、部署与调优

项目实践

项目开发流程

1、选题、需求分析、数据收集及预处理2、探索性数据分析、模型选定分析3、模型验证、分析报告

教学资源建设

共建