大数据教学大纲

《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，特别是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

注：1、实验类型：演示、验证、综合、设计、研究。

2、实验要求：必做、选做。

四、课时分配

五、建议教材与教学参考书

六、教学形式与考核方式

教学形式：本课程采用课堂讲授、分析和实践教学等手段开展教学活动。

考核方式：本课程采用平时考察与期末闭卷考试相结合的考核方法。平时考察主要考察课堂表现、作业完成情况，平时成绩占30%（课堂表现及考勤占5%，作业占25%）。期末考试主要采用闭卷考试的方式。命题要求覆盖大纲重点内容，题型不少于四种，难易程度适中。