《大数据》课程教学大纲
适合专业： 数据科学与大数据技术专业 课程编号：
先修课程： 高等数据、线性代数、 JAVA 学分: 4 总学时： 64
一、课程性质、目的与要求
课程性质：专业必修课。
课程目的： 通过对大数据的相关知识介绍， 使学生掌握大数据的概念和原理， 熟 悉大数据的理论与算法， 了解大数据未来发展趋势， 能够利用所学知识， 进行大 数据应用实现和算法设计，培养学生运用大数据技术解决大数据行业应用问题。
课程要求： 本课程系统介绍了大数据的理论知识和实战应用， 包括大数据概念与 应用、数据采集与预处理、数据挖掘算法与工具、 R 语言、深度学习以及大数据 可视化等， 并深度剖析了大数据在互联网、 商业和典型行业的应用。 期望学生对 大数据处理技术有比
较深入的理解， 能够从具体问题或者实例入手， 利用所学的大 数据知识在应用中实现数据分析和数据挖掘。
二、教学内容
理论总学时： 36 学时
第 1 章 大数据概念与应用 2 学时
基本要求： 熟悉大数据的概念与意义、 大数据的来源、 大数据应用场景及大数据 处理方法等内容。
重点：大数据的定义、研究内容与应用。
难大数据要学什么点：无。
第 2 章 数据采集与预处理 4 学时
基本要求：熟悉常用的大数据采集工具，特殊是 Apache Kafka 数据采集使用方 法；熟悉数据预处理原理和方法，包括数据清洗、数据集合、数据转换；掌握数
据仓库概念与 ETL 工具Kettle 的实际应用。
重点： Apache Kafka 数据采集、数据清洗、数据仓库与ETL 工具。 难点： ETL 工具Kettle 的实际应用。
第 3 章 数据挖掘算法 6 学时
基本要求：熟悉常用的数据挖掘算法，内容上从分类、聚类、关联规则和预测模 型等数据挖掘常用分析方法出发掌握相对应的算法， 并能熟练进行数据挖掘算法 的综合应用。
重点：分类算法、聚类算法、关联规则、时间序列预测。
难点：数据挖掘算法的综合应用。
第 4 章 大数据挖掘工具 4 学时
基本要求：熟练掌握机器学习系统 Mahout 和大数据挖掘工具 Spark Mllib 下的 分类算法、聚类算法、协同过滤算法的使用，并对其他数据挖掘工具有所了解。
重点： Mahout 安装与使用、 Spark Mllib 工具的使用。
难点： Mahout 和 Spark Mllib 工具的使用。
第 5 章 R 语言 4 学时
基本要求： 了解 R 语言的发展历程、 功能和应用领域； 熟悉 R 语言在数据挖掘中 的应用；掌握 R 语言在分布式并行实时计算环境 Spark 中的应用 SparkR。
重点： R 语言基本功能、 R 语言在数据挖掘中的应用、 SparkR 主要机器学习算法。
难点： R 语言与数据挖掘。
第 6 章 深度学习 4 学时
基本要求：了解深度学习的发展过程和实际应用场景，并结合人脑的工作原理， 理解深度学习的相关概念和工作机制，做到能够熟练使用常用的深度学习软件。
重点：人脑神经系统与深度学习、卷积神经网络、深度置信网络、循环(递归) 神经网络、 TensorFlow 和 Caffe。
难点：人工神经网络。
第 7 章 大数据可视化 4 学时
基本要求：熟悉大数据可视化的基础知识；掌握文本可视化、网络可视化、时空 数据可视化、多维数据可视化等常用的大数据可视化方法，可通过 Excel、 Processing、NodeXL 和 ECharts 软件实现数据的可视化。
重点：数据可视化流程、大数据可视化方法、大数据可视化软件与工具。
难点：时空数据可视化、多维数据可视化。
第 8 章 互联网大数据处理 4 学时
基本要求：掌握互联网信息抓取技术，能够通过互联网信息抓取、文本分词、倒 排索引与网页排序这 4 个主要步骤实现互联网大数据处理，并能够熟练运用。
重点： Nutch 爬虫、文本分词、倒排索引、网页排序。
难点：倒排索引。
第 9 章 大数据商业应用 2 学时
基本要求： 熟悉用户画像和精准营销的构建； 熟悉广告推荐系统的建设； 熟悉互 联网金融的应用方法。
重点：用户画像构建流程、用户标签、广告推荐、互联网金融应用方向。
难点：信用评分算法、分类模型的性能评估。
第 10 章 行业大数据 2 学时
基本要求： 以地震大数据、 交通大数据、 环境大数据和警务大数据为例来熟悉行 业大数据的应用，学会利用数据创造价值。
重点：理解数据和数据分析在业务活动中的具体表现。
难点：无。
三、实践教学要求
实践总学时： 28 学时
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论