大数据算法教学大纲
大数据技术 教学大纲
大数据技术教学大纲大数据技术教学大纲随着信息时代的到来，大数据技术成为了当今社会发展的重要驱动力。
大数据技术的应用涵盖了各个领域，如商业、医疗、金融等，对于提高效率、优化决策和创新发展起到了重要作用。
因此，大数据技术的教学也变得尤为重要，以培养学生对大数据技术的理解和应用能力。
一、概述大数据技术教学的概述部分主要介绍大数据技术的基本概念和发展背景。
包括大数据的定义、特征、应用领域以及对社会经济发展的影响等内容。
通过概述部分的学习，学生可以了解大数据技术的重要性和广泛应用的现状，为后续的学习打下基础。
二、数据处理与分析数据处理与分析是大数据技术的核心内容之一。
在这一部分，学生将学习到大数据的采集、存储和处理等基本技术。
包括数据采集的方法与技术、大数据存储的架构与技术、数据清洗与预处理等内容。
同时，还需要学习数据分析的基本方法和工具，如数据挖掘、机器学习等。
通过这一部分的学习，学生可以掌握大数据处理与分析的基本技能，为后续的应用打下基础。
三、大数据应用大数据技术的应用广泛，本部分将重点介绍大数据在不同领域的应用案例。
如大数据在商业领域的应用、大数据在医疗领域的应用、大数据在金融领域的应用等。
通过学习这些应用案例，学生可以了解到大数据技术在实际场景中的应用方式和效果，培养学生的创新思维和解决问题的能力。
四、大数据安全与隐私保护大数据技术的应用不可避免地涉及到数据安全和隐私保护的问题。
本部分将介绍大数据安全与隐私保护的基本概念和技术。
包括数据安全的威胁与防护、隐私保护的方法与技术等内容。
通过学习这一部分，学生可以了解到大数据安全与隐私保护的重要性，并学习到相应的技术手段和方法。
五、大数据伦理与法律大数据技术的应用也带来了一系列的伦理和法律问题。
本部分将介绍大数据伦理和法律的基本原则和规范。
包括数据伦理的基本原则、大数据的道德问题、大数据法律法规等内容。
通过学习这一部分，学生可以了解到大数据应用中的伦理和法律问题，并培养学生的伦理意识和法律素养。
《大数据》课程教学大纲(本科)
《大数据》课程教学大纲课程编号：04224课程名称：大数据英文名称：Big Data课程类型：学科选修课课程要求：选修学时/学分：32/2 （讲课学时：28上机学时：4）适用专业：智能科学与技术一、课程性质与任务大数据分析是智能科学与技术、计算机科学技术等专业的一门学科选修课，该课程涉及各类常用的挖掘与分析方法，提供了从数据准备到统计分析、关联规则建立及集成学习等整个数据分析过程的内容。
本课程全面地介绍了大数据处理相关的基本概念和原理，着重讲述了介绍数据挖掘、分析相关的理论、方法及实现工具。
本课程在教学内容方面着重基本知识、基本理论和基本设计方法的讲解；在培养实践能力方面着重数据分析的基本训练，为学生今后从事大数据的研究与预测打下坚实的基础。
（本课程可支撑毕业要求中的3.3, 7.2, 10.1, 12.2）二、课程与其他课程的联系本课程的先修课程为人工智能基础、机器学习等专业基础课程。
通过对人工智能基础的学习能够掌握智能的算法和搜索技术，通过对机器学习能够了解数据的分类、过滤等方法。
这些先修课程为本课程的讲授打下了基础。
本课程的后续课程包括智能机器人、模式识别等。
通过本课程可为后续课程提供理论与方法实践基础。
三、课程教学目标1.考虑社会、健康、安全、法律、文化以及环境等因素，设计一个能实现预期功能的硬件或软件系统，进行仿真研究或开发出系统原型或实物（支撑毕业要求中的3.3）；2.能够评价智能系统工程实践对环境、社会可持续发展的影响（支撑毕业要求中的7.2）；3.将大数据技术作为重点，以应用为目的，全面介绍大数据的数据挖掘与预测方法。
使学生既能对大数据处理技术有一个全景的把握，又能深入理解和使用大数据进行决策。
4.有不断学习和适应智能科学与技术发展的能力（支撑毕业要求中的12.2）5.了解大数据挖掘与预测分析学科的前沿和最新发展动向，具有跟踪学科发展前沿的意识和文献检索基本技能。
（支撑毕业要求中的10.1）四、教学内容、基本要求与学时分配五、其他教学环节（课外教学环节、要求、目标）大作业：1.对数据挖掘的认识。
大数据教学大纲模板
二、课程代码：XX001三、课程类别：专业基础课/专业选修课四、授课对象：计算机科学与技术专业/相关理工科专业五、课程学分：XX学分六、课程学时：XX学时（理论XX学时，实验XX学时）七、先修课程：程序设计基础、数据结构、计算机网络、操作系统原理等八、课程性质与目标：1. 课程性质：本课程是一门理论与实践相结合的课程，旨在培养学生掌握大数据的基本理论、技术和应用能力。
2. 课程目标：- 掌握大数据的基本概念、技术架构和发展趋势。
- 熟悉大数据处理的基本流程，包括数据采集、存储、处理、分析和可视化。
- 掌握大数据技术栈中的关键工具和平台，如Hadoop、Spark、Flink等。
- 能够运用大数据技术解决实际问题，具备一定的项目实践能力。
九、教学内容与要求：1. 大数据概述- 大数据的概念和特点- 大数据的发展历程和趋势- 大数据的应用领域2. 大数据技术栈- Hadoop生态系统：HDFS、MapReduce、YARN、HBase等- Spark：Spark Core、Spark SQL、Spark Streaming等- Flink：流处理框架- 其他大数据技术：Hive、Pig、Impala等3. 大数据存储技术- 分布式文件系统：HDFS、Ceph等- 分布式数据库：HBase、Cassandra等4. 大数据处理技术- 数据采集与集成- 数据清洗与预处理- 数据挖掘与分析- 数据可视化5. 大数据应用案例分析- 电子商务、金融、医疗、物联网等领域的应用案例十、教学方法与手段：1. 课堂教学：讲解基本概念、技术原理和案例。
2. 实验教学：通过上机实验，让学生动手实践，加深对知识的理解。
3. 案例教学：结合实际应用案例，培养学生解决问题的能力。
4. 研究性学习：鼓励学生进行自主学习和研究，提高创新能力。
十一、考核方式：1. 期末考试：占总评成绩的60%，考察学生对理论知识的掌握程度。
2. 实验报告：占总评成绩的20%，考察学生的实践能力和动手能力。
大数据课程教学大纲
大数据课程教学大纲大数据课程教学大纲随着信息技术的快速发展，大数据已经成为当今社会的热门话题。
在这个信息爆炸的时代，大数据分析和处理能力已经成为企业和组织中不可或缺的一部分。
因此，大数据课程的教学也变得越来越重要。
本文将探讨大数据课程教学大纲的设计和内容。
一、引言大数据课程的引言部分应该介绍大数据的概念和重要性。
这一部分可以包括以下内容：1. 大数据的定义：什么是大数据？为什么大数据如此重要？2. 大数据的应用领域：大数据在商业、医疗、金融等领域的应用案例。
3. 大数据的挑战和机遇：大数据分析面临的挑战以及大数据分析带来的机遇。
二、数据收集与存储数据收集与存储是大数据分析的第一步。
这一部分应该包括以下内容：1. 数据收集方法：如何收集大数据？包括传感器、日志、社交媒体等数据收集方法。
2. 数据存储技术：如何存储大数据？包括关系型数据库、NoSQL数据库、分布式存储等技术。
三、数据清洗与预处理数据清洗与预处理是大数据分析的关键步骤。
这一部分应该包括以下内容：1. 数据清洗技术：如何处理脏数据、缺失数据、异常数据等问题？2. 数据预处理技术：如何进行数据规范化、数据变换、数据集成等预处理操作？四、数据分析与挖掘数据分析与挖掘是大数据课程的核心内容。
这一部分应该包括以下内容：1. 数据分析方法：如何使用统计学、机器学习、数据挖掘等方法进行数据分析？2. 数据可视化技术：如何使用可视化工具和技术呈现数据分析结果？五、大数据应用案例大数据课程应该包含一些实际的应用案例，以便学生能够将所学知识应用到实际问题中。
这一部分可以包括以下内容：1. 商业领域的大数据应用案例：如电子商务、金融风险分析等。
2. 社会领域的大数据应用案例：如城市交通管理、医疗健康管理等。
六、大数据伦理与隐私保护在进行大数据分析时，伦理和隐私保护问题也需要被关注。
这一部分应该包括以下内容：1. 大数据伦理问题：如何处理数据隐私、数据安全等伦理问题？2. 隐私保护技术：如何使用加密、脱敏等技术保护数据隐私？七、大数据课程实践大数据课程应该包含实践环节，让学生能够亲自动手进行大数据分析。
大数据教学大纲
大数据教学大纲随着科技的快速发展和互联网的普及，大数据已经成为当今社会中一个重要的领域。
大数据的涌现对企业、政府和个人都带来了许多机遇和挑战。
为了适应这个时代变化的需求，大数据教育应该成为教育体系的一部分。
本文将就大数据教学大纲进行详细介绍，以期给相关教育机构提供一些建议和灵感。
第一部分：导论1.1 大数据的定义和概念- 介绍大数据的基本概念，包括数据类型、数据来源和数据特征等。
1.2 大数据的应用领域- 介绍大数据在商业、医疗、金融等领域的应用案例。
1.3 大数据的价值和意义- 探讨大数据对决策制定、资源规划和业务发展的重要性。
第二部分：技术基础2.1 数据采集和处理技术- 介绍数据采集的方法，如传感器、网络爬虫和人工采集等，并讨论数据清洗和预处理的技术。
2.2 大数据存储与管理- 探讨分布式文件系统、NoSQL数据库和云存储等技术，以及其在大数据存储与管理方面的应用。
2.3 大数据分析与挖掘- 介绍大数据分析的基本方法，如数据挖掘、机器学习和统计分析等，并重点讨论大数据分析的挑战和解决方案。
第三部分：应用案例3.1 商业智能- 分析大数据在市场营销、销售预测和客户关系管理等方面的应用案例。
3.2 医疗健康- 探讨大数据在疾病预测、个性化治疗和医疗资源分配等方面的应用案例。
3.3 城市规划- 介绍大数据在交通流量控制、垃圾处理和资源配置等方面的应用案例。
第四部分：教学方法与评估4.1 教学方法- 探讨大数据教学的教学方法，如案例研究、实践项目和小组合作等，以培养学生的实际应用能力。
4.2 评估方法- 提出大数据教学评估的准则和标准，包括理论考试、实验报告和项目评估等。
第五部分：资源支持5.1 教材和参考书籍- 推荐一些经典的大数据教材和参考书籍，以供教师和学生备用。
5.2 实验室和设备支持- 提供一些必要的实验室设备和软件工具，以支持学生的大数据实践操作。
结语通过本大纲，希望大数据教学能够引导学生了解大数据的基本概念、技术和应用。
《大数据技术基础》-课程教学大纲
《大数据技术基础》课程教学大纲一、课程基本信息课程代码：16176903课程名称：大数据技术基础英文名称：Fundamentals of Big Data Technology课程类别：专业课学时：48学分：3适用对象: 软件工程，计算机科学与技术，大数据管理考核方式：考核先修课程：计算机网络，云计算基础，计算机体系结构，数据库原理，JA V A/Python 程序设计二、课程简介当前在新基建和数字化革命大潮下，各行各业都在应用大数据分析与挖掘技术，并紧密结合机器学习深度学习算法，可为行业带来巨大价值。
这其中大数据处理与开发框架等大数据技术是进行数字化，数智化应用建设的核心和基础，只有努力提升大数据处理与开发技术与性能，建立行业数字化和智能化转型升级才能成功。
大数据处理与开发技术是新基建和数字化革命核心与基础。
大数据技术基础课程，为学生搭建起通向“大数据知识空间”的桥梁和纽带，以“构建知识体系、阐明基本原理、引导初级实践、了解相关应用”为原则，为学生在大数据领域“深耕细作”奠定基础、指明方向。
课程将系统讲授大数据的基本概念、大数据处理架构Hadoop、分布式文件系统HDFS、分布式数据库HBase、NoSQL数据库、云数据库、分布式并行编程模型MapReduce、基于内存的大数据处理架构Spark、大数据在互联网、生物医学和物流等各个领域的应用。
在Hadoop、HDFS、HBase、MapReduce、Spark等重要章节，安排了入门级的实践操作，让学生更好地学习和掌握大数据关键技术。
同时本课程将介绍最前沿的业界大数据处理与开发技术和产品平台，包括阿里大数据服务平台maxcompute，华为大数据云服务平台FusionInsight，华为高性能分布式数据库集群GaussDB等业界最先进技术，以及国家大数据竞赛平台网站和鲸社区。
让学生学以致用，紧跟大数据领域最领先技术水平，同时，面对我国民族企业，头部公司在大数据领域取得的巨大商业成功与前沿技术成果应用产生强烈民族自豪感，为国家数字化经济与技术发展努力奋斗，勇攀知识高峰立下志向。
大数据教学大纲
大数据教学大纲
一、前言
随着互联网的快速发展和信息化时代的到来，大数据作为一项新的
技术革新，引起了越来越多的关注。
为了更好地推进大数据教学工作，完善大数据人才培养的体系，本文编写了大数据教学大纲，以期能够
为广大师生提供指导和帮助。
二、大数据教学的概述
1.1 大数据概念
1.2 大数据技术特征
1.3 大数据的应用领域
1.4 大数据行业趋势
三、大数据教学的目标和任务
2.1 培养学生大数据思维方式
2.2 提高学生的大数据技能
2.3 培养学生的团队协作能力
四、大数据教学的课程设置与教学方法
3.1 大数据课程设置
3.2 大数据教学方法
3.3 大数据实验室建设
五、大数据教学的评估与质量保证
4.1 大数据教学评估
4.2 大数据教学质量保证
六、大数据教学的实践与应用
5.1 大数据竞赛与实践
5.2 大数据与企业合作
七、结语
综上所述，大数据教学大纲旨在通过制定更为系统的教学目标、教学内容、教学方法和质量监控制度，来促进大学生的大数据技能与实际应用能力的提升，培养大规模数据处理和分析方面的专业人才，满足现代互联网+时代对高级人才的需求。
本科《云计算与大数据》课程教学大纲
《云计算与大数据》课程教学大纲开课单位：计算机科学与技术教研室课程类别：专业基础课总学时：48 讲授学时：40 实验学时：8 学分：2.5开课学期：第五学期先修课程：操作系统、数据库原理、面向对象程序设计教学方式：理论讲授加实验考核方式：考试使用教材及主要参考书：建议使用教材：陶皖主编，《云计算与大数据》西安电子科技大学出版社2017.1推荐参考资料：（1）《云计算（第三版）》刘鹏主编，电子工业出版社，2015.8（2）《大数据搜索与挖掘》张华平著，科学出版社，2014.5（3）《云计算与大数据技术》王鹏等编著.人民邮电出版社.2014.5月一、课程的性质和任务云计算和大数据正在引发全球范围内深刻的技术和商业变革，已经成为IT行业主流技术。
云计算通过分布式操作系统、虚拟化、并行计算、弹性计算、效用计算等关键技术，为大数据提供了基础物理平台，大数据是落地的云，技术涵盖了从数据的海量存储、处理到应用多方面的技术，包括数据采集、海量数据存储、非关系型数据管理、数据挖掘、数据可视化以及智能分析技术如模式识别、自然语言理解、应用知识库等。
本课程为物联网工程专业开设的一门专业基础课，主要学习云计算和大数据处理的相关原理和技术，结合核、医应用，与实际工程应用相结合，构建相应的云计算和大数据分析与应用平台。
二、教学基本要求本课程采取研讨式教学模式，教师主讲技术体系和结构原理，技术细节分为理论、实践、应用等专题，由学生自主选择专题进行自主钻研，阅读文献，搭建软件平台并实际运行，上台讲解，提交论文和实验报告，充分培养学生的自主学习和动手能力。
通过本课程学习，使学生掌握大数据的采集、传输、处理和应用的技术，了解Hadoop分布式系统基础架构，掌握HDFS和Map Reduct术。
了解HBase Hive、Zookeeper、Avro、Pig等相关大数据技术，与实际工程应用相结合，构建相应的云计算平台。
教学应当结合实际实验条件，培养学生实践动手能力，了解大数据技术发展现状，促进大数据相关教学改革。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
《大数据算法》课程教学大纲课程代码：090141128课程英文名称：Big Data Algorithm课程总学时：40 讲课：32 实验：8 上机：0适用专业：信息与计算科学大纲编写（修订）时间：2017.11一、大纲使用说明（一）课程的地位及教学目标大数据不论在研究还是工程领域都是热点之一，算法是大数据管理与计算的核心主题，因此将大数据算法作为信息与计算科学专业的一门选修课程。
通过本课程的学习，使学生能掌握一些大数据算法设计的基本思想，较好的理解和传统算法课程不一样的算法设计与分析思路，通过实践练习初步掌握大数据算法设计与分析的技术，并能够将其中的思想应用于实际的研究和开发。
从而提高学生的创新实践能力，加强学生开展科研工作能力。
为今后进行更深入的研究奠定良好的理论基础。
通过本课程的学习，学生将达到以下要求：1. 掌握大数据算法设计的基本思想，较好的理解大数据算法设计与分析的基本思路；2. 初步掌握大数据算法设计与分析的基本方法和技术；3. 初步具备将大数据算法应用于实际开发的能力，并能够分析算法效率。
（二）知识、能力及技能方面的基本要求1.基本知识：掌握大数据算法设计和分析的基本思想，掌握概率算法、I/O有效算法、并行算法等大数据算法的基本思想。
2.基本理论和方法：掌握大数据算法设计的一般原理和步骤。
要求学生能够掌握亚线性算法、外存算法、并行算法等算法的设计方法和分析技术。
3.基本技能:具备运用亚线性算法、外存算法、并行算法等算法综合解决实际问题的能力，初步具备将大数据算法应用于实际开发的技能。
（三）实施说明1．教学方法：本课程涉及大数据理论、算法设计技术、算法分析方法，涉及知识面广且比较抽象。
建议采用案例教学并结合演示让学生理解和掌握各种算法设计方法，通过课堂讨论、课后作业和实验训练，加强学生对大数据算法设计方法的掌握。
采用启发式教学，培养学生思考问题、分析问题和解决问题的能力；以最新的研究成果为导向，引导和鼓励学生通过查阅文献、实践获取知识，让学生了解大数据算法的前沿知识，培养学生的自学能力；增加讨论课，调动学生学习的主观能动性。
2．教学手段：本课程建议采用课堂讲授、讨论、多媒体教学相结合的教学形式，以确保在有限的学时内，全面、高质量地完成课程教学任务。
3．教师在授课过程中可以根据实际情况酌情安排各部分的学时，课时分配表仅供参考。
（四）对先修课的要求本课程的教学必须在完成先修课程算法设计与分析之后进行，该课程的学习为算法的设计奠定了基础。
（五）对习题课、实践环节的要求1．对重点、难点章节（如亚线性算法、外存算法、并行算法等）安排习题课，针对本章的算法进行回顾和总结，讲解典型算法设计题。
课堂讲解算法思路，要求学生课后自己进行算法实现。
2．课后作业要少而精，内容要多样化，作业题可以有几个同学合作完成，作业的完成情况应作为评定课程成绩的一部分。
作业要能起到巩固理论，掌握算法设计方法和技巧，提高分析问题、解决问题能力，对作业中的重点、难点，课上应做必要的提示。
学生必须独立、按时完成课外习题和作业，作业的完成情况应作为评定课程成绩的一部分。
3．每个学生要完成大纲中规定的必修实验，通过实验环节，学生应掌握大数据算法的基本设计方法。
实验成绩作为评定课程成绩的一部分。
4．安排大作业，大作业成绩作为平时成绩的一部分。
（六）课程考核方式1．考核方式：采用五分制考查方式考核2．考核目标：在考核学生对大数据算法设计与分析的基本知识、基本原理和方法的基础上，重点考核学生的设计能力以及解决实际问题的能力。
3．成绩构成：本课程的总成绩主要由三部分组成：平时成绩（包括作业情况、出勤情况等）占25%，实验成绩占25%，期末考试成绩占50%。
（七）参考书目《大数据算法》，王宏志编著，机械工业出版社，2015《算法导论》（第3版），(美)Thomas H.Cormen, Charles E.Leiserson, Ronald L.Rivest, and Clifford Stein著，陈建平，徐云等译，机械工业出版社, 2007.《概率与计算》，(美)Michael Mitzenmacher，史道齐译，机械工业出版社, 2007.二、中文摘要本课程是信息与计算科学专业学生必修的一门实践性很强的主干基础课程。
课程通过对各种基本算法以及算法分析内容的讲授，使学生掌握算法设计的基本知识、基本思想，并具有设计算法和分析算法的能力。
课程主要内容包括分治算法、动态规划算法、贪心算法、回溯算法以及分支限界算法等。
本课程将为后续课程的学习以及相关课程设计、毕业设计等奠定重要的基础。
三、课程学时分配表四、教学内容及基本要求第1部分大数据算法概述总学时(单位：学时):2 讲课:2 实验:0 上机:0具体内容：1)理解大数据的定义与特征，了解大数据的应用；2)理解大数据算法的定义与特征，大数据算法设计与分析技术；3)理解大数据算法的难度，了解大数据算法的应用；重点:大数据算法的定义与特征重点：算法效率分析的基本方法和表示方法、递归算法的效率分析难点：大数据算法设计与分析技术习题:查找资料了解大数据的应用，并分析该大数据应用涉及到的数据规模、资源约束、时间约束和涉及到的算法。
第2部分亚线性算法总学时(单位：学时):10 讲课:8 实验:0 上机:0第2.1部分时间亚线性算法 (讲课2学时)具体内容：1)掌握亚线性算法的定义；2)通过实例理解什么是亚线性算法：3)掌握最小生成树代价估计算法。
第2.2部分时间亚线性判定算法 (讲课2学时)1)理解时间亚线性判定算法的基本思想；2）了解亚线性判定算法的应用。
第2.3部分空间亚线性算法概述(讲课2学时)具体内容：1)理解空间亚线性算法的基本思想；2）掌握水库抽样问题。
第2.4部分空间亚线性算法(讲课2学时)具体内容：1）理解寻找频繁元素的非随机算法与随机算法的基本思想；2)掌握估算不同元素数量的基本算法，了解改进算法。
重点:时间亚线性计算方法，全0数组判定，平面图直径，最小生成树代价估计分治算法的设计、数组有序性判定，水库抽样问题。
难点：最小生成树代价估计分治算法的设计、数组有序性判定。
习题:写出一个判定问题并用时间亚线性算法解决.第3部分外存算法总学时(单位：学时):10 讲课:8 实验:4 上机:0第3.1部分外存算法概述 (讲课2学时)具体内容：1)理解外存存储结构，掌握外存算法的定义；2)通过实例掌握外存排序算法；3)理解外存搜索树算法。
第3.2部分外存查找结构(讲课2学时)具体内容1)掌握B树的查找结构；2)掌握KD树的查找结构。
第3.3部分外存图数据算法 (讲课4学时)具体内容1）理解线性表排名问题；2）掌握线性表排名问题的算法；3）通过实例掌握缩图法；4）理解单源最短路径问题的Dijkstra算法的I/O高效版本；5）了解时间前向处理方法。
重点:外存排序算法、缩图法的基本思想与步骤，外存查找结构，线性表排名问题，Dijkstra算法的I/O高效版本。
难点：外存排序算法、外存查找结构，线性表排名问题习题:设计一个I/O有效的外存算法并分析其I/O复杂度；针对问题，设计外存有效的算法并分析I/O复杂度。
实验：外存算法实验（4学时）第4部分并行算法总学时(单位：学时):10 讲课:8 实验:4 上机:0第4.1部分 MapReduce概述(讲课2学时)具体内容：1)了解MapReduce的基本模型；2)理解MapReduce的算法设计方法；掌握两种重要的算法设计模式——词对法和条块法；3)了解MapReduce算法设计与算法实现技巧。
第4.2部分连接算法(讲课2学时)具体内容:1)掌握普通连接算法的步骤；2)理解相似连接算法的基本思想。
第4.3部分图算法(讲课2学时)具体内容：1）理解基于广度优先搜索的MapReduce图处理算法的基本思想，掌握基本步骤；2）掌握最小生成树的MapReduce算法；3）了解使用图算法的注意事项。
第4.4部分非MapReduce的并行算法(讲课2学时)具体内容：1）了解基于迭代处理平台的并行算法的基本思想；2）了解基于图处理平台的并行算法的基本思想与基本步骤。
重点:MapReduce的基本模型，MapReduce的算法设计方法，普通连接算法，图处理算法。
难点：普通连接算法，图处理算法。
习题:针对问题，设计MapReduce算法，并进行优化。
实验：并行算法实验（4学时）第5部分众包算法总学时(单位：学时):6 讲课:6 实验:0 上机:0第5.1部分众包算法的定义(讲课2学时)具体内容：1)掌握众包算法的定义；2)通过实例理解众包算法。
第5.2部分众包算法的要素和关键技术(讲课2学时)具体内容:1)掌握众包的流程、众包的报酬等基本概念；2)理解众包中的关键技术。
第5.1部分众包算法举例 (讲课2学时)具体内容：1）掌握众包算法求解问题的的基本步骤；2）通过实例理解众包算法如何应用。
重点:众包算法的定义，众包的流程，众包的报酬，众包中的关键技术难点：众包的流程，众包的报酬习题:现实当中的数据有很多错误，有些错误是能够根据规则自动修复的，但是有一些错误计算机无从知道如何修费，请设计策略，利用众包有效修复数据中的错误。