大数据人才培养的思考
学科融合视角下的数据科学与大数据技术专业人才培养思考
学科融合视角下的数据科学与大数据技术专业人才培养思考【摘要】本文从学科融合视角出发，探讨了数据科学与大数据技术专业人才培养的思考。
首先分析了当前人才培养的现状，指出了存在的问题和挑战。
接着从学科融合的角度出发，阐述了人才培养的需求以及目标的设定。
在人才培养方案设计部分，提出了一些具体的培养策略和方法，以满足市场需求。
教育教学改革措施方面，探讨了如何改革教学模式和课程设置，使之更符合学科融合的需求。
在结论部分总结了本文的观点，并展望了未来的发展方向。
通过本文的研究，不仅能够提高专业人才的综合能力，也有助于促进学科之间的交叉融合，具有一定的实践意义。
【关键词】数据科学、大数据技术、专业人才、培养、学科融合、需求、目标设定、方案设计、教育教学改革、思考、总结、发展展望、实践意义1. 引言1.1 背景介绍数据科学与大数据技术作为当今社会发展的重要领域，吸引了越来越多的关注与需求。
随着互联网、物联网、人工智能等技术的迅速发展，大数据量的产生和积累已成为一种普遍现象。
在这种背景下，数据科学与大数据技术成为了解决数据分析、挖掘和应用的重要工具，也成为了各行各业创新发展的基石。
数据科学与大数据技术的专业人才培养，已经成为高等教育领域的新热点。
一方面，学生对数据科学与大数据技术行业的就业前景和发展潜力充满期待，各类相关专业的招生人数也在逐年增加；企业对数据科学与大数据技术专业人才的需求也在不断增加，产生了一定的供需矛盾。
如何有效培养适应社会需求、具备跨学科综合能力的数据科学与大数据技术专业人才，成为了当前教育界亟需探讨的问题。
本文将从学科融合视角出发，对数据科学与大数据技术专业人才的培养方式进行思考和探讨，旨在为相关专业人才的培养提供一些建议和借鉴。
1.2 研究意义数据科学与大数据技术专业人才培养具有重要的研究意义。
随着信息化和数字化的快速发展，大数据时代已经到来，对于数据科学与大数据技术专业人才的需求日益增长。
大数据分析与应用中的团队建设与人才培养
大数据分析与应用中的团队建设与人才培养随着信息技术的飞速发展，大数据分析与应用已经成为我国经济社会发展的重要驱动力。
在这一领域，团队建设与人才培养显得尤为关键。
本文将从专业角度探讨大数据分析与应用中的团队建设与人才培养策略。
一、团队建设的重要性在大数据分析与应用领域，团队建设是实现项目成功的基石。
一个高效、协同的团队能够确保项目的顺利推进，提高研究成果的质量。
团队建设的主要目标是打造一支具备专业素养、协同合作、持续创新的团队。
为实现这一目标，需关注以下几个方面：1.团队规模与结构：根据项目需求，合理配置团队成员，确保团队在专业技能、经验等方面具备多样性。
2.角色分工与协作：明确团队成员的角色分工，强化协作意识，提高团队整体执行力。
3.人才培养与激励：注重团队成员的职业技能提升和职业生涯规划，设立合理的激励机制，激发团队成员的积极性和创新能力。
4.团队文化塑造：培育积极向上的团队文化，增强团队凝聚力，促进团队成员之间的交流与沟通。
二、人才培养策略大数据分析与应用领域的人才培养是保障国家大数据战略实施的关键。
人才培养应遵循以下策略：1.学历教育与职业培训：构建完善的大数据相关专业课程体系，提高学生在大数据领域的理论素养和实践能力；针对在职人员，开展有针对性的职业培训，提升其专业技能。
2.产学研合作：加强高校、科研院所与企业之间的合作，搭建实践平台，促进人才培养与产业需求的紧密结合。
3.人才引进与交流：引进国内外优秀人才，激发创新活力；鼓励团队成员参与国际学术交流，拓宽视野，提升创新能力。
4.政策支持与保障：制定有利于大数据人才培养的政策措施，为人才提供良好的发展环境和支持条件。
三、团队建设与人才培养实践在实际工作中，团队建设与人才培养需相结合，形成良性互动。
以下是一些实践建议：1.开展团队建设活动：通过团队建设活动，增强团队成员之间的了解和信任，提升团队凝聚力。
2.设立人才培养计划：针对团队成员的不同需求，制定个性化人才培养计划，提供学习资源和机会。
关于加强大数据人才培养的建议
关于加强大数据人才培养的建议
加强大数据人才培养的建议
随着大数据时代的到来，每一个领域都需要大数据人才的加入。
由于国内的大数据市场不断拓展，大数据人才的需求愈发巨大。
但是，目前国内大数据人才供应与需求存在一定的鸿沟，形成了人才瓶颈。
为了推进大数据产业的发展和进一步完善大数据人才的培养，在这里提出以下建议：
一、完善教育体系
在高校中，应该建立起适应这个时代的大数据相关学科，例如数据科学、数据算法、人工智能等学科，加大投入，拓展师资。
同时，应该加强工程实践的培训，与实际市场需求相接轨，真正地让学生在大数据方面拥有实际能力。
二、鼓励学生实习和实践
大学期间要鼓励学生多去做实习、实践，而且这类实验机会尽可能地以企业合作的形式出现，以便让学生更好地了解企业对大数据人才对实际需求。
一旦学生在企业实习后，不仅能够在实战环境中感受到大
数据的实际应用，也会通过与企业直接接触，学习相关技术和案例。
三、完善行业标准
加强大数据人才培养的关键还有正式制定行业标准。
目前，在大数据领域人才相关的职业标准尚未完善，因此社会还没有一个完整的认证体系来证明一个人的大数据实际技能和能力。
应该建立一个服务于学生、企业的大数据知识产权评价评估机制，在实践的过程中，推动标准制定，同时进一步完善这些标准，确保它们能够引导大数据人才的实际真实技能和能力。
综上所述，加强大数据人才的培养非常关键，是国家科技发展的重要组成部分。
因此，需要政府和相关机构共同合作，打造一个完整的体系，让大数据创造更多的价值，为整个社会做出贡献。
大数据对人才培养的影响
大数据对人才培养的影响人才培养一直是大学的中心任务之一。
而现在，随着大数据技术的应用，这个任务变得更加重要。
大数据技术不仅可以帮助我们更好地了解学生，更精确地评估学生的学习情况，也可以帮助学生更好地了解自己的能力和兴趣。
这些信息将有助于教授们更好地制定教学计划和教材，从而更好地满足学生的需求。
在课堂教学中，大数据技术也可以发挥巨大的作用。
通过使用大数据技术，教授们可以更好地了解学生的学习情况、兴趣和能力水平。
教授们可以使用这些信息来个性化地制定教学计划和教材，让学生更加投入课堂学习，并且取得更好的成绩。
大数据技术也可以帮助教授们评估课堂教学效果，并及时调整教学方案，从而提高学生的学习效果。
除了课堂教学以外，大数据技术还可以帮助学生更好地选择自己的专业和职业。
在传统的人才培养模式下，学生们通常只能依靠自己的个人喜好和传统的职业观念来选择自己的职业方向。
在大数据技术的帮助下，学生们可以更准确地了解自己所具备的能力和兴趣，从而更好地选择适合自己的专业和职业。
要想充分发挥大数据技术的优势，大学也需要进行相应的变革。
大学需要重新评估教学模式，设置相关的课程和实践项目，同时也需要给教授们和学生们提供必要的培训和支持。
只有这样，才能让大数据技术更好地服务于人才培养的目标，更好地满足社会的需求。
大数据对于人才培养的影响是深远的。
大数据技术的到来将带来许多机遇和挑战，也将改变我们传统的人才培养模式。
对于大学教授而言，更好地利用大数据技术已经成为了提高教学质量和学生成长的重要手段。
我们有必要加强对于大数据技术的研究和应用，从而更好地为人才培养服务，更好地推进社会的进步和发展。
除了对教学和人才培养的影响，大数据技术还可以对大学进行更好的管理和运营。
大学是一个庞大而复杂的组织，需要进行复杂的决策和管理。
在这方面，大数据技术可以帮助大学更好地进行管理和运营。
大数据技术可以帮助大学更好地了解自己的运营情况。
大学可以通过使用大数据技术收集相应数据，比如学生的入学情况、毕业情况、学生满意度等等。
大数据专业人才培养方案论证意见
大数据专业人才培养方案论证意见
随着时代的发展，数据已经成为了一种不可或缺的资源，大量的数据需要被处理、分析和利用。
因此，在未来的发展中，大数据产业将会越来越火热，需要大量能够胜任大数据分析工作的专业人才。
因此，对于大数据专业人才的培养方案需要考虑以下几个方面：
1. 课程设置方面
大数据专业人才需要掌握大数据处理、存储、分析等相关知识，因此，大数据专业的课程设置需要从理论与实践两个方面进行。
理论课程包括基础数学、统计学、计算机科学等相关知识。
实践课程则应该注重实际操作，包括数据清洗、数据存储、数据分析、机器学习等方面的综合实践课程。
2. 项目实践方面
在课程设置之外，也应该注重大数据专业人才的项目实践。
通过给予学生一些具有挑战性的项目任务，可以让学生在实践中更深入地了解数据分析的流程和方法。
同时，还可以让其在实践中逐渐形成自己的数据分析思维方式。
3. 实习方面
让学生参与实习，可以让学生更好地了解到大数据项目的实际操作和数据分析的流程。
同时，实习也是学生和企业之间的交流和沟通的一个平台，可以让学生更好地了解企业的需求和发展趋势，并提前适应企业文化。
4. 师资力量方面
培养大数据专业人才，需要具备一定的师资力量。
这些师资需要很好地掌握大数据的技术和理论，并能够在实践中运用这些知识。
此外，还需要具备与时俱进的思维，能够及时了解到大数据技术的最新趋势和发展动态。
综上所述，大数据专业人才的培养方案需要在课程设置、项目实
践、实习、师资力量等方面进行综合考虑，以培养出能够胜任大数据分析工作的专业人才。
大数据技术对科技人才培养的意义是什么
大数据技术对科技人才培养的意义是什么在当今数字化时代，大数据技术正以前所未有的速度蓬勃发展，并对各个领域产生着深远的影响，科技人才培养领域也不例外。
大数据技术为科技人才的培养带来了诸多重要的意义，为培养适应时代需求的高素质科技人才提供了有力的支持和全新的机遇。
首先，大数据技术能够精准定位人才培养需求。
在过去，对于科技人才的培养方向往往是基于经验和一般性的行业趋势来确定的。
然而，这种方式可能存在一定的盲目性和滞后性。
借助大数据技术，我们可以对海量的行业数据进行分析，包括市场需求、技术发展趋势、企业岗位要求等。
通过对这些数据的深度挖掘和分析，能够清晰地了解到不同领域、不同岗位对科技人才的具体技能和知识要求。
例如，通过分析招聘网站上的职位描述和企业对人才的需求反馈，我们可以发现某些特定的编程语言、工具或技术在当前市场上的热度和需求程度。
这使得教育机构和企业能够更加精准地制定培养方案，确保培养出的科技人才与市场需求紧密对接，提高人才的就业竞争力和适用性。
其次，大数据技术有助于个性化的学习路径设计。
每个人的学习能力、知识背景和兴趣爱好都有所不同。
传统的“一刀切”式的教育模式难以满足每个学生的个性化需求。
而大数据技术可以通过收集和分析学生的学习数据，如学习进度、学习成绩、学习习惯等，为每个学生量身定制个性化的学习路径。
例如，如果一个学生在数学方面表现出色，但在编程逻辑上稍显薄弱，大数据系统可以根据这一情况为其推荐更多侧重于编程逻辑训练的课程和学习资源，同时适当减少数学方面的重复学习。
这种个性化的学习方案能够极大地提高学生的学习效率和效果，激发学生的学习兴趣和主动性，让每个学生都能在自己擅长的领域发挥优势，同时有针对性地弥补不足，从而更好地成长为优秀的科技人才。
再者，大数据技术为实践教学提供了丰富的真实案例和数据资源。
科技人才的培养离不开实践，而真实、丰富的实践数据对于提高学生的实践能力至关重要。
通过大数据技术，我们可以获取来自各个行业和领域的大量真实数据，这些数据涵盖了从医疗健康到金融科技，从工业制造到农业创新等众多领域。
大数据背景下创新人才的培养探索
大数据背景下创新人才的培养探索随着信息技术的迅猛发展，大数据已经成为了当今社会经济发展的重要动力和资源。
大数据的出现改变了传统的人才需求和培养模式，对于从事信息技术领域的人才提出了更高的要求。
面对这一挑战，大数据背景下创新人才的培养成为了一个亟待解决的问题。
本文将对大数据背景下创新人才的培养探索进行分析和探讨。
一、大数据时代对人才的要求大数据时代的到来，对人才的需求提出了更高的要求。
大数据时代需要人才具备更加全面的知识结构和技能。
传统的信息技术人才可能只需要掌握某一种编程语言或者某一种数据分析工具，而在大数据时代，人才需要同时具备多种编程技能和数据分析工具的能力。
大数据对人才的创新能力提出了更高的要求。
在大数据时代，创新已经成为了产业发展的驱动力，因此需要具备创新能力的人才。
大数据时代还需要人才具备更广泛的视野和更强的跨学科能力，因为在大数据时代，解决问题需要综合运用不同领域的知识和技能。
二、大数据背景下的人才培养模式针对大数据时代对人才的要求和对人才培养模式的转变，可以探索出一条适应大数据时代的人才培养路径。
大数据时代的人才培养需要更加注重基础知识和实践能力的融合。
传统的人才培养通常只注重专业知识的传授，而在大数据时代，需要培养出更多既懂得理论知识又具备丰富实践经验的人才。
大数据时代的人才培养需要更加注重跨学科知识的交叉渗透。
在大数据时代，需要培养出既懂得数据分析技术又懂得行业知识和管理知识的复合型人才。
大数据时代的人才培养需要更加注重团队合作和创新能力的培养。
在大数据时代，不再需要孤独的技术天才，而是需要具备团队合作和创新能力的人才。
在大数据时代的人才培养实践中，可以通过以下几个方面来加强人才的培养。
可以通过团队项目实践来加强学生的实践能力和团队合作能力。
在大数据时代，需要团队合作能力强的人才，通过团队项目实践可以锻炼出学生的团队合作能力和解决问题的能力。
可以通过大数据实验室的建设来加强学生的实践能力和创新能力。
大数据时代会计人才培养思考
大数据时代会计人才培养思考在大数据时代，随着各行各业数据量的爆发式增长，大数据分析作为一种强大的工具，逐渐成为各个领域的重要支撑。
在这个背景下，会计行业也发生了巨大的变化。
传统的会计人才培养模式已无法满足当前的需求，而大数据时代对会计人才的培养提出了新的思考。
一、了解大数据时代的会计特点在大数据时代，会计工作面临着海量的数据处理和复杂的数据分析需求。
与传统会计工作相比，大数据时代的会计工作更强调对数据的深度挖掘和分析能力。
会计人才需要具备熟练的数据处理技巧和有效的数据分析能力，以更好地支持公司的决策制定和业务发展。
二、提升会计人才的数据处理能力1. 强化数据分析技能：会计人才需要掌握大数据分析工具和技术，如数据挖掘、机器学习等。
通过对数据的深入分析，挖掘出潜在的商业机会和风险，为公司的发展提供有力的支持。
2. 运用信息技术：会计人才需要熟练掌握现代信息技术，包括ERP 系统、财务软件等，以提高会计工作的效率和准确性。
同时，掌握数据安全和隐私保护的技术，加强对数据的管理和保护。
三、培养会计人才的数据分析能力1. 强化统计学基础：会计人才需要具备扎实的统计学基础，掌握统计分析方法和数据处理技巧，以正确解读和分析大数据。
2. 培养商业洞察力：会计人才不仅需要具备专业的会计知识，还需要了解企业的运营模式和商业特点，能够从财务数据中提取出对企业发展有价值的信息，并为决策提供参考。
四、创新会计人才培养模式1. 强调实践能力培养：通过实践课程和实习项目，让会计人才接触真实的会计工作环境，锻炼解决问题和应对挑战的能力。
这样的实践培养模式能够更好地培养学生的综合素质和实践能力。
2. 引入跨学科的培养模式：在会计人才培养中引入计算机科学、数学、统计学等跨学科的知识，培养学生的全面能力。
此外，还可以与企业合作开展项目，让学生直接参与实际业务，提高应用能力。
五、完善会计人才培养机制1. 加强教师培训：校企合作是培养会计人才的重要途径，需要教师具备行业领域的实践经验和最新的业界动态。
- 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)。
大数据人才培养的思考本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！一、引言随着计算机软硬件技术的快速发展，计算技术已从传统的PC平台计算模式发展到嵌入式计算、移动计算、并行计算和服务计算等多种计算系统并存及融合的计算模式，处理的对象也呈现出网络化、多媒体化、大数据化和智能化需求的特征，而物联网、移动互联网的快速发展促进了这一趋势，从而迎来了大数据时代的到来。
大数据是继云计算、物联网之后兴起的又一新兴发展方向，被学术界、工业界乃至政府机构密切关注和广泛研究。
大数据又称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极的目的的资讯。
在维克托·迈尔·舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样的捷径，而采用所有数据的方法。
一般说来，大数据具有4V的特点:V olume(大量)，Velocity(高速)，Variety(多样),Value(价值)。
大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。
换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。
二、大数据时代对人才的要求从广义上讲，大数据人才就是具备大数据处理能力的科学家和工程师。
目前，国际上开设了大量的数据科学方面的课程、数据科学学位计划以及数据科学短期培训班。
从国际上设置的培养计划来看，大数据人才应该系统地掌握数据分析相关的技能，主要包括数学、统计学、数据分析、商业分析和自然语言处理等，具有较宽的知识而，具有独立获取知识的能力，具有较强的实践能力、创新意识和团队合作意识。
具体来说，大数据人才首先应具备获取大数据的能力，例如能根据任务的具体要求，综合利用各种计算机手段和知识，收集整理海量数据并加以存储，为支撑相关的决策和行为做好数据准备。
其次，应具备分析大数据的能力，对于经过预处理的各类数据，能够根据具体的需求，进行选择、转换、加载，采用有效方法和模型对数据进行分析，并形成分析报告，为实际问题提供决策依据。
最后，应具备良好的团队合作精神，大数据时代下的数据分析任务通常无法依赖个人能力来完成，需要在团队制度的约束下，与他人一同携手、互相鼓励、分工合作来实现既定目标，因此具备较强的责任心与团队合作精神也是大数据从业人员必备的基本条件。
三、大数据人才培养的探索大数据产业的发展，对大数据人才提出了新的需求，国内各高校在积极进行大数据学术研究的同时，也开始考虑将大数据相关课程纳入培养体系，以满足社会对大数据人才的需求。
以下结合作者在数据库及分布式技术系列课程中的教学经验，以及大数据分析与处理方面的实践经验，探讨大数据系列课程教学内容和实践形式的设置。
在教学内容的设置上，大数据系列课程建议可分为理论教学和技术教学两个方面，因为理论是大数据认知的必经途径，也是被广泛认同和传播的基线;而技术是大数据价值体现的手段和前进的基石。
在理论方面，讲授的理论内容可涵盖如下几点:(1)大数据概念:大数据概念出现的历史，关于大数据定义的各种流派以及说明，大数据的四个特征，大数据与云计算、物联网的关系，大数据与大规模数据、海量数据的差别。
这个部分主要突出“大数据”概念中应包含的“对数据对象的处理行为”。
(2)典型的大数据应用实例:精选有新意的大数据分析典型案例，可帮助学生更清晰的理解大数据的概念和含义，这样的案例如:美国梅西百货的实时定价机制(根据需求和库存的情况对多达7300万种货品进行实时调价)、百度搜索的实时热点排行榜(以数亿网民的搜索行为作为数据基础，建立权威的关键词排行榜与分类热点)、沃尔玛的搜索引擎Polaris(利用语义数据进行文本分析、机器学习和同义词挖掘使得在线购物的完成率提升了10%-15%)、谷歌流感趋势工具(通过跟踪搜索词相关数据来判断全美地区的流感情况)等。
在教学过程中，教师应注意将授课的重点放在系统化的开发步骤和关键性问题的求解上，介绍案例的设计思想、主要方法和应用过程等。
(3)大数据关键技术与挑战:介绍大数据时代面临的新挑战，包括大数据集成(数据异构性和数据质量问题)、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)、大数据隐私问题(隐私保护和数据分析的矛盾)、大数据能耗问题(低功耗硬件的设计)、大数据处理与硬件的协同、大数据管理易用性问题以及性能测试基准。
(4)大数据存储和管理技术:介绍如何把采集到的大数据存储起来，建立相应的数据库，并进行管理和调用。
主要内容包括:分布式文件系统(HDFS)、去冗余及高效低成本的大数据存储技术、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)、异构数据融合技术、分布式非关系型大数据管理与处理技术、大数据索引技术和大数据移动、备份、复制等技术。
(5)大数据分析及挖掘技术:介绍从大量数据中寻找其规律的技术，通常由数据准备、规律寻找和规律表示3个阶段组成。
数据准备是从上述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;规律寻找是用某种方法将数据集所含规律找出来;规律表示则是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。
根据挖掘任务可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。
在技术方面，可考虑分别从云计算、分布式处理技术、存储技术和感知技术的发展来说明大数据从采集、处理、存储到形成结果的整个过程，具体可包括以下几点:(1) NoSQL技术:NoSQL产生的背景、NoSQL现状、NoSQL数据库与关系数据库的比较、聚合数据模型、分布式模型、数据一致性、典型的NoSQL数据库分类、NoSQL数据库开源软件。
(2) MapReduce: MapReduce模型概述、编程模型:Map和Reduce函数、MapReduce工作流程、并行计算的实现、实例、Yam等(3) Hadoop分布式文件系统:Hadoop出现的背景、Hadoop的功能与作用、为什么不用关系型数据库管理系统、Hadoop的优点、Hadoop的应用现状和发展趋势、Hadoop项目及其结构、Hadoop的体系结构、Hadoop与分布式开发、Hadoop应用案例、Hadoop平台上的海量数据排序。
(4)还可进一步包括数据流的管理与挖掘、云数据库、图数据库等。
由于大数据系列课程所涉及的技术具有很强的应用背景和实践意义，因此应摒弃传统教学模式中“重理论、轻实践”的思想，在掌握大数据相关的理论知识和技术知识之后，还需重点培养学生的综合实践能力，以满足社会就业的需要。
为此，应设立一定的大数据技术实践课程内容，帮助学生从知识型向能力型转变。
结合上一节分析的大数据时代对人才的具体要求，建议按以下流程设置实践环节的内容:(1)分组。
如前所述，大数据时代下的数据分析任务通常需要以团队的形式来完成，因此首先要求学生根据自身情况，结合各自的技术优势，合理进行分组。
(2)选题。
在具体选题上，可使用校企合作的具体项目或以Apadre Hadoop,MongoDB ,Dremel,Gephi等一系列的开源大数据分析软件作为实践平台，以Kaggle为数据科学平台来进行选题。
(3)明确需求并撰写大数据分析任务书。
明确选定的题目范围内，数据分析要研究的主要问题和预期的分析目标。
只有明确了数据分析的目标，才能正确地制定数据收集方案，即收集哪些数据，采用怎样的方式收集等，进而为数据分析做好准备。
(4)数据收集及预处理。
由于大数据分析最终的结果与其获取的数据质量紧密相关，因此收集的数据是否真正符合数据分析的目标是必须注意的重要问题。
该步骤要求学生从分析目标出发，从浩瀚的数据中正确的收集高质量且服务于既定分析目标的数据，然后对数据进行必要的加工整理，包括填写空缺值、平滑噪声数据、识别和删除孤立点、解决不一致性、规范化(消除冗余属’山和聚集(数据汇总)等。
(5)探索性数据分析。
由于大数据分析的数据量通常达到PB甚至YB级以上，因此希望直接选定一个分析模型是不现实的，而且面对高维海量数据，也很难直接看出数据的规律。
在这个步骤中，应指导学生通过基本描述统计量的计算、基本统计图形的绘制、用各种形式的方程拟合等手段，计算某些特征量等方法探索规律性的可能形式，帮助学生快速掌握数据的分布特征，这是进一步深入分析和建模的基础。
(6)模型选定分析。
在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。
有时选择几种统计分析方法对数据进行探索性的反复分析也是极为重要的。
每一种统计分析方法都有自己的特点和局限，因此，一般需要选择几种方法反复印证分析，仅依据一种分析方法的结果就断然下结论是不科学的。
(7)模型的验证及分析报告。
指导学生对选择的数据分析模型及结果进行分析，可使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。
观察模型提供决策的信息是否充分、可信，所发挥的作用是否与期望值一致，数据分析方法是否合理，是否将风险控制在可接受的范围。
以上这种项目式实践形式的优势是:在学生参与完成某一具体的大数据分析任务过程中，通过主动地学习来自主地进行知识的建构，让学生经历项目开发的整个过程，从中去发现和掌握相关知识，达到既能熟悉大数据分析过程，又完成了经验的积累，还能实现学习知识、培养能力的目的。
在这里，教师不再是知识的传授者，而是项目活动的组织者和咨询者。
四、校企合作推动人才培养一方面，大数据的核心业务必然是一种扎根于特定行业，综合运用已有的存储、分析、挖掘、展现技术，根据用户需求并融入行业特色技术模型的一站式大数据平台业务。
另一方面，对于企业来说，各类业务产生的数据为数据分析创造了非常好的基础条件。
大数据解决方案是有价值的，但是苦于找不到既懂数据分析技术，又懂得业务的专业人才。
由此可见，既懂得相关技术，又谙熟企业业务的复合型人才才是企业部署大数据应用最迫切需要的人才。
因此，企业可以与学校联合培养自己所需要的大数据人才，这种方式有两方面的优势:一是大数据技能训练的对象，即大量的数据，只有企业才具备;二是在企业的支持下，学校也能通过针对性的实践训练来培养学生的大数据处理技能。
大数据时代下的校企合作的形式多种多样，可通过联合办学、联合制定人才培养方案、合作开发课程和教学内容、设置实训项目、教学管理和共建“双师”结构教学团队等形式展开。
五、结语未来的十年将是一个“大数据”引领的智慧科技的时代。