❶ 大數據挖掘技術涉及哪些內容
大數據挖掘技術涉及的主要內容有：模式跟蹤，數據清理和准備，基於分類的數據挖掘技術，異常值檢測，關聯，聚類。
基於大環境下的數據特點，挖掘技術與對應：
1.數據來源多, 大數據挖掘的研究對象往往不只涉及一個業務系統, 肯定是多個系統的融合分析, 因此,需要強大的ETL技術, 將多個系統的數據整合到一起, 並且, 多個系統的數據可能標准不同, 需要清洗。
2.數據的維度高, 整合起來的數據就不只傳統數據挖掘的那一些維度了, 可能成百上千維, 這需要降維技術了。
3.大數據量的計算, 在單台伺服器上是計算不了的, 這就需要用分布式計算, 所以要掌握各種分布式計算框架, 像hadoop, spark之類, 需要掌握機器學習演算法的分布式實現。
數據挖掘：目前，還需要改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等面向領域的大數據挖掘技術。
想了解更多大數據挖掘技術，請關注CDA數據分析課程。CDA（Certified Data Analyst），即「CDA 數據分析」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。國家發展戰略的要求，崗位人才的缺口以及市場規模的帶動，都從不同方面體現了數據分析師職業的重要性。大數據挖掘技術的學習，有利於提高人在職場的信譽度，增加職場競爭力，提高自己的經濟地位。點擊預約免費試聽課。
❷ 想做大數據挖掘工程師，去哪家大數據培訓機構學好
這個要看你在哪個城市了，每個城市所存在的機構都不一樣。最好選擇覆蓋地區廣的，回比較權威的培訓機構答。大數據的專業要求很高。目前敢培訓大數據的學校都是具備一定專業性的，主要看看是否能提供真實的案例來供學生們分析來進行專業性的判斷。多看看網路上的口碑。找到真正適合自己的培訓機構。
需要掌握的專業技術：
堅實的Java技術作為基礎支持，之後學習：Hadoop，大數據存儲，大數據架構設計，大數據實時計算，大數據數據採集，大數據商業實戰等。
技術人員就業方向：大數據系統研發人才，大數據應用開發人才和大數據分析人才。
❸ 數據挖掘培訓有用嗎
有用啊，培訓完，就業很輕松，要找權威一些的機構
❹ 大數據挖掘主要涉及哪些技術
1、數據科學與大數據技術
本科專業，簡稱數據科學或大數據。
2、大數據技術與應用回
高職院校專業。
相關專業名答稱：大數據管理與應用、大數據採集與應用等。
大數據專業強調交叉學科特點，以大數據分析為核心，以統計學、計算機科學和數學為三大基礎支撐性學科，培養面向多層次應用需求的復合型人才。
❺ 大數據挖掘方法有哪些
直接數據挖掘：目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數(可以理解成資料庫中表的屬性，即列)進行描述。
間接數據挖掘：目標中沒有選出某一具體的變數，用模型進行描述;而是在所有的變數中建立起某種關系。
數據挖掘的方法
神經網路方法
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。
遺傳演算法
遺傳演算法是一種基於生物自然選擇與遺傳機理的隨機搜索演算法，是一種仿生全局優化方法。遺傳演算法具有的隱含並行性、易於和其它模型結合等性質使得它在數據挖掘中被加以應用。
決策樹方法
決策樹是一種常用於預測模型的演算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。它的主要優點是描述簡單，分類速度快，特別適合大規模的數據處理。
粗集方法
粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：不需要給出額外信息;簡化輸入信息的表達空間;演算法簡單，易於操作。粗集處理的對象是類似二維關系表的信息表。
覆蓋正例排斥反例方法
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與欄位取值構成的選擇子相容則捨去，相反則保留。按此思想循環所有正例種子，將得到正例的規則(選擇子的合取式)。
統計分析方法
在資料庫欄位項之間存在兩種關系：函數關系和相關關系，對它們的分析可採用統計學方法，即利用統計學原理對資料庫中的信息進行分析。可進行常用統計、回歸分析、相關分析、差異分析等。
模糊集方法
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。
數據挖掘任務
關聯分析
兩個或兩個以上變數的取值之間存在某種規律性，就稱為關聯。數據關聯是資料庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閥值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
聚類分析
聚類是把數據按照相似性歸納成若干類別，同一類中的數據彼此相似，不同類中的數據相異。聚類分析可以建立宏觀的概念，發現數據的分布模式，以及可能的數據屬性之間的相互關系。
分類
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
時序模式
時序模式是指通過時間序列搜索出的重復發生概率較高的模式。與回歸一樣，它也是用己知的數據預測未來的值，但這些數據的區別是變數所處時間的不同。
偏差分析
在偏差中包括很多有用的知識，資料庫中的數據存在很多異常情況，發現資料庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找觀察結果與參照之間的差別。
❻ 大數據時代的數據怎麼挖掘
3月13日下午，南京郵電大學計算機學院、軟體學院院長、教授李濤在CIO時代微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。
眾所周知，大數據時代的大數據挖掘已成為各行各業的一大熱點。
一、數據挖掘
在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵，數據挖掘可以說是大數據最關鍵也是最基本的工作。通常而言，數據挖掘也稱為DataMining，或知識發現Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。
不同的學者對數據挖掘有著不同的理解，但個人認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論演算法和應用實踐的完美結合。數據挖掘源於實際生產生活中應用的需求，挖掘的數據來自於具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自於應用實踐，同時也服務於應用實踐，數據是根本，數據挖掘應以數據為導向，其中涉及到演算法的設計與開發都需考慮到實際應用的需求，對問題進行抽象和泛化，將好的演算法應用於實際中，並在實際中得到檢驗。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是演算法分析和應用，而是一個包含數據准備和管理、數據預處理和轉換、挖掘演算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。
3.集合性（A Collection of Functionalities）：數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的演算法支撐。
4.交叉性（An Interdisciplinary Field）：數據挖掘是一門交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智慧、信息檢索、資料庫等諸多不同領域的研究成果和學術思想。同時一些其他領域如隨機演算法、資訊理論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重於應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別於其他學科的關鍵，同時，其應用特性與其他特性相輔相成，這些特性在一定程度上決定了數據挖掘的研究與發展，同時，也為如何學習和掌握數據挖掘提出了指導性意見。如從研究發展來看，實際應用的需求是數據挖掘領域很多方法提出和發展的根源。從最開始的顧客交易數據分析（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私保護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用推動的。工程性和集合性決定了數據挖掘研究內容和方向的廣泛性。其中，工程性使得整個研究過程里的不同步驟都屬於數據挖掘的研究范疇。而集合性使得數據挖掘有多種不同的功能，而如何將多種功能聯系和結合起來，從一定程度上影響了數據挖掘研究方法的發展。比如，20世紀90年代中期，數據挖掘的研究主要集中在關聯規則和時間序列模式的挖掘。到20世紀90年代末，研究人員開始研究基於關聯規則和時間序列模式的分類演算法（如classification based on association），將兩種不同的數據挖掘功能有機地結合起來。21世紀初，一個研究的熱點是半監督學習（semi-supervised learning）和半監督聚類（semi-supervised clustering），也是將分類和聚類這兩種功能有機結合起來。近年來的一些其他研究方向如子空間聚類（subspace clustering）（特徵抽取和聚類的結合）和圖分類（graph classification）（圖挖掘和分類的結合）也是將多種功能聯系和結合在一起。最後，交叉性導致了研究思路和方法設計的多樣化。
前面提到的是數據挖掘的特性對研究發展及研究方法的影響，另外，數據挖掘的這些特性對如何學習和掌握數據挖掘提出了指導性的意見，對培養研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目的，業務和演算法、技術的緊密結合非常重要，了解業務、把握需求才能有針對性地對數據進行分析，挖掘其價值。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘演算法的人才。工程性決定了要掌握數據挖掘需有一定的工程能力，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理大規模數據和開發原型系統的能力，這相當於在培養數據挖掘工程師時，對數據的處理能力和編程能力很重要。集合性使得在具體應用數據挖掘時，要做好底層不同功能和多種演算法積累。交叉性決定了在學習數據挖掘時要主動了解和學習相關領域的思想和技術。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和學習數據挖掘。
二、大數據的特徵
大數據（bigdata）一詞經常被用以描述和指代信息爆炸時代產生的海量信息。研究大數據的意義在於發現和理解信息內容及信息與信息之間的聯系。研究大數據首先要理清和了解大數據的特點及基本概念，進而理解和認識大數據。
研究大數據首先要理解大數據的特徵和基本概念。業界普遍認為，大數據具有標準的「4V」特徵：
1.Volume（大量）：數據體量巨大，從TB級別躍升到PB級別。
2.Variety（多樣）：數據類型繁多，如網路日誌、視頻、圖片、地理位置信息等。
3.Velocity（高速）：處理速度快，實時分析，這也是和傳統的數據挖掘技術有著本質的不同。
4.Value（價值）：價值密度低，蘊含有效價值高，合理利用低密度價值的數據並對其進行正確、准確的分析，將會帶來巨大的商業和社會價值。
上述「4V」特點描述了大數據與以往部分抽樣的「小數據」的主要區別。然而，實踐是大數據的最終價值體現的唯一途徑。從實際應用和大數據處理的復雜性看，大數據還具有如下新的「4V」特點：
5.Variability（變化）：在不同的場景、不同的研究目標下數據的結構和意義可能會發生變化，因此，在實際研究中要考慮具體的上下文場景（Context）。
6.Veracity（真實性）：獲取真實、可靠的數據是保證分析結果准確、有效的前提。只有真實而准確的數據才能獲取真正有意義的結果。
7.Volatility（波動性）/Variance（差異）：由於數據本身含有噪音及分析流程的不規范性，導致採用不同的演算法或不同分析過程與手段會得到不穩定的分析結果。
8.Visualization（可視化）：在大數據環境下，通過數據可視化可以更加直觀地闡釋數據的意義，幫助理解數據，解釋結果。
綜上所述，以上「8V」特徵在大數據分析與數據挖掘中具有很強的指導意義。
三、大數據時代下的數據挖掘
在大數據時代，數據挖掘需考慮以下四個問題：
大數據挖掘的核心和本質是應用、演算法、數據和平台4個要素的有機結合。
因為數據挖掘是應用驅動的，來源於實踐，海量數據產生於應用之中。需用具體的應用數據作為驅動，以演算法、工具和平台作為支撐，最終將發現的知識和信息應用到實踐中去，從而提供量化的、合理的、可行的、且能產生巨大價值的信息。
挖掘大數據中隱含的有用信息需設計和開發相應的數據挖掘和學習演算法。演算法的設計和開發需以具體的應用數據作為驅動，同時在實際問題中得到應用和驗證，而演算法的實現和應用需要高效的處理平台，這個處理平台可以解決波動性問題。高效的處理平台需要有效分析海量數據，及時對多元數據進行集成，同時有力支持數據化對演算法及數據可視化的執行，並對數據分析的流程進行規范。
總之，應用、演算法、數據、平台這四個方面相結合的思想，是對大數據時代的數據挖掘理解與認識的綜合提煉，體現了大數據時代數據挖掘的本質與核心。這四個方面也是對相應研究方面的集成和架構，這四個架構具體從以下四個層面展開：
應用層（Application）：關心的是數據的收集與演算法驗證，關鍵問題是理解與應用相關的語義和領域知識。
數據層（Data）：數據的管理、存儲、訪問與安全，關心的是如何進行高效的數據使用。
演算法層（Algorithm）：主要是數據挖掘、機器學習、近似演算法等演算法的設計與實現。
平台層（Infrastructure）：數據的訪問和計算，計算平台處理分布式大規模的數據。
綜上所述，數據挖掘的演算法分為多個層次，在不同的層面有不同的研究內容，可以看到目前在做數據挖掘時的主要研究方向，如利用數據融合技術預處理稀疏、異構、不確定、不完整以及多來源數據；挖掘復雜動態變化的數據；測試通過局部學習和模型融合所得到的全局知識，並反饋相關信息給預處理階段；對數據並行分布化，達到有效使用的目的。
四、大數據挖掘系統的開發
1.背景目標
大數據時代的來臨使得數據的規模和復雜性都出現爆炸式的增長，促使不同應用領域的數據分析人員利用數據挖掘技術對數據進行分析。在應用領域中，如醫療保健、高端製造、金融等，一個典型的數據挖掘任務往往需要復雜的子任務配置，整合多種不同類型的挖掘演算法以及在分布式計算環境中高效運行。因此，在大數據時代進行數據挖掘應用的一個當務之急是要開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
之前提到一個數據挖掘有多種任務、多種功能及不同的挖掘演算法，同時，需要一個高效的平台。因此，大數據時代的數據挖掘和應用的當務之急，便是開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
2.相關產品
現有的數據挖掘工具
有Weka、SPSS和SQLServer，它們提供了友好的界面，方便用戶進行分析，然而這些工具並不適合進行大規模的數據分析，同時，在使用這些工具時用戶很難添加新的演算法程序。
流行的數據挖掘演算法庫
如Mahout、MLC++和MILK，這些演算法庫提供了大量的數據挖掘演算法。但這些演算法庫需要有高級編程技能才能進行任務配置和演算法集成。
最近出現的一些集成的數據挖掘產品
如Radoop和BC-PDM，它們提供友好的用戶界面來快速配置數據挖掘任務。但這些產品是基於Hadoop框架的，對非Hadoop演算法程序的支持非常有限。沒有明確地解決在多用戶和多任務情況下的資源分配。
3.FIU-Miner
為解決現有工具和產品在大數據挖掘中的局限性，我們團隊開發了一個新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一個用戶友好並支持在分布式環境中進行高效率計算和快速集成的數據挖掘系統。與現有數據挖掘平台相比，FIU-Miner提供了一組新的功能，能夠幫助數據分析人員方便並有效地開展各項復雜的數據挖掘任務。
與傳統的數據挖掘平台相比，它提供了一些新的功能，主要有以下幾個方面：
A.用戶友好、人性化、快速的數據挖掘任務配置。基於「軟體即服務」這一模式，FIU-Miner隱藏了與數據分析任務無關的低端細節。通過FIU-Miner提供的人性化用戶界面，用戶可以通過將現有演算法直接組裝成工作流，輕松完成一個復雜數據挖掘問題的任務配置，而不需要編寫任何代碼。
B.靈活的多語言程序集成。允許用戶將目前最先進的數據挖掘演算法直接導入系統演算法庫中，以此對分析工具集合進行擴充和管理。同時，由於FIU-Miner能夠正確地將任務分配到有合適運行環境的計算節點上，所以對這些導入的演算法沒有實現語言的限制。
C.異構環境中有效的資源管理。FIU-Miner支持在異構的計算環境中（包括圖形工作站、單個計算機、和伺服器等）運行數據挖掘任務。FIU-Miner綜合考慮各種因素（包括演算法實現、伺服器負載平衡和數據位置）來優化計算資源的利用率。
D.有效的程序調度和執行。
應用架構上包括用戶界面層、任務和系統管理層、邏輯資源層、異構的物理資源層。這種分層架構充分考慮了海量數據的分布式存儲、不同數據挖掘演算法的集成、多重任務的配置及系統用戶的交付功能。一個典型的數據挖掘任務在應用之中需要復雜的主任務配置，整合多種不同類型的挖掘演算法。因此，開發和建立這樣的計算平台和工具，支持應用領域的數據分析人員進行有效的分析是大數據挖掘中的一個重要任務。
FIU-Miner系統用在了不同方面：如高端製造業、倉庫智能管理、空間數據處理等，TerraFly GeoCloud是建立在TerraFly系統之上的、支持多種在線空間數據分析的一個平台。提供了一種類SQL語句的空間數據查詢與挖掘語言MapQL。它不但支持類SQL語句，更重要的是可根據用戶的不同要求，進行空間數據挖掘，渲染和畫圖查詢得到空間數據。通過構建空間數據分析的工作流來優化分析流程，提高分析效率。
製造業是指大規模地把原材料加工成成品的工業生產過程。高端製造業是指製造業中新出現的具有高技術含量、高附加值、強競爭力的產業。典型的高端製造業包括電子半導體生產、精密儀器製造、生物制葯等。這些製造領域往往涉及嚴密的工程設計、復雜的裝配生產線、大量的控制加工設備與工藝參數、精確的過程式控制制和材料的嚴格規范。產量和品質極大地依賴流程管控和優化決策。因此，製造企業不遺餘力地採用各種措施優化生產流程、調優控制參數、提高產品品質和產量，從而提高企業的競爭力。
在空間數據處理方面，TerraFly GeoCloud對多種在線空間數據分析。對傳統數據分析而言，其難點在於MapQL語句比較難寫，任務之間的關系比較復雜，順序執行之間空間數據分許效率較低。而FIU-Miner可有效解決以上三個難點。
總結而言，大數據的復雜特徵對數據挖掘在理論和演算法研究方面提出了新的要求和挑戰。大數據是現象，核心是挖掘數據中蘊含的潛在信息，並使它們發揮價值。數據挖掘是理論技術和實際應用的完美結合。數據挖掘是理論和實踐相結合的一個例子。
❼ 教育測量與大數據挖掘是干什麼的
教育測量與大數據挖掘是使用數據挖掘的方法對教育信息進行大數據挖掘
但從考試成績中含有很多噪音, 因為學生... 教育數據挖掘是數據挖掘的一個比較新的應用領域, 它有著很好的前景, 也面臨著巨大的挑戰
為大數據時代的一個新興研究領域，教育數據挖掘技術在教學活動中的作用日益突出。
❽ 什麼是大數據，什麼又是數據挖掘
大數據(big data)，或稱巨量資料，指的是所涉及的資料量規模巨大到無法通過目前主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。(在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》中，大數據指不用隨機分析法(抽樣調查)這樣的捷徑，而採用所有數據的方法)大數據的4V特點：Volume(大量)、Velocity(高速)、Variety(多樣)、veracity(真實性)。大數據需要特殊的技術，包括大規模並行處理(MPP)資料庫、數據挖掘電網、分布式文件系統、分布式資料庫、雲計算平台、互聯網和可擴展的存儲系統。
大數據的4個「V」，或者說特點有四個層面：第一，數據體量巨大。從TB級別，躍升到PB級別；第二，數據類型繁多。前文提到的網路日誌、視頻、圖片、地理位置信息等等。第三，數據的來源，直接導致分析結果的准確性和真實性。若數據來源是完整的並且真實，最終的分析結果以及決定將更加准確。第四，處理速度快，1秒定律。最後這一點也是和傳統的數據挖掘技術有著本質的不同。業界將其歸納為4個「V」
從某種程度上說，大數據是數據分析的前沿技術。簡言之，從各種各樣類型的數據中，快速獲得有價值信息的能力，就是大數據技術。明白這一點至關重要，也正是這一點促使該技術具備走向眾多企業的潛力。
搜索下各種網路，上面都有。說白了，就是數據量非常龐大。這確實是近幾年的熱點問題。
❾ 哪個學校有大數據專業
一 大數據專業有哪些學校
大數據只是計算機專業的一個分支，所以沒有哪個學校把大數據立為一個專業，除非是培訓機構
二 全國有哪些院校招數據與大數據技術專業
目前全國各類高校、高職院校已陸續開始圍繞大數據專業建設展開研究並申報大數據專業。作為交叉型學科，大數據的相關課程涉及數學、統計和計算機等學科知識，「數據科學與大數據技術」專業也強調培養具有多學科交叉能力的大數據人才。
三 全國有哪些高等院校開設大數據相關專業
具體來你可以去到各自的官方網自站去了解更多的信息。
排名不分先後：
北京大學——北京大數據研究院
清華大學(分數線,專業設置)——清華大學數據研究院
人民大學——統計與大數據研究院
復旦大學——大數據學院
中南大學——中南大學信息安全與大數據研究院
西南交通大學——金融大數據研究院
貴州大學——貴州大學大數據與信息工程學院
南京郵電大學—— 南京郵電大學鹽城大數據研究院
四 有哪些大學的哪些專業是與大數據有關的
一、開設了大數據的大學：
1、北京大學
大數據是一個新的專業，國內首次出現這個專業是在2016年的時候，當時新設這個專業的高校全國只有3所有，其中就有北京大學。
(4)哪個學校有大數據專業擴展閱讀：
大數據專業主要課程
C程序設計、數據結構、資料庫原理與應用、計算機操作系統、計算機網路、Java語言程序設計、Python語言程序設計，大數據演算法、人工智慧、應用統計（統計學）、大數據機器學習、數據建模、大數據平台核心技術、大數據分析與處理,大數據管理、大數據實踐等課程。
數據（big data）
指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據 *** ，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
五 大數據有這個方面的專業嗎哪個學校有
北京航空航天大學——大數據技術與應用軟體工程（北航軟體學院），是回國內首所開設大數據相關答專業的高校，2013年與慧科校企合作開設該專業。
清華大學——數據科學研究院大數據專業於2014年招收學生
復旦大學——2015年9月開設數據科學專業
外經濟貿易大學——大數據分析與應用碩士層次專業；
武漢大學——大數據技術與應用碩士專業
華南理工大學——移動雲計算與大數據工程碩士專業
大連理工大學、廣東開放大學、北京城市學院、成都信息工程大學有本科層次大數據方向專業
六 數據科學與大數據技術專業有哪些學校
大數據的時代，很多學校都開設了大數據相關的專業和課程。在教育部公布的高校新增專業名單中，有32所高校成為第二批成功申請「數據科學與大數據技術」本科新專業的高校。
從兩次獲批的」數據科學與大數據技術專業」名單中可以看出，該專業學制都為四年，授予工學學位或理學學位。
第一批成功申請該專業的高校共有3所，為北京大學、對外經濟貿易大學及中南大學，於2016年2月獲得教育部批准。
「大數據」專業學什麼？
方向一↗ 數據挖掘、數據分析&機器學習方向
方向二↗大數據運維&雲計算方向
方向三↗Hadoop大數據開發方向
精通任何方向之一者，均會 「 前（錢）」途無量。
三個方向中，大數據開發是基礎。以Hadoop開發工程師為例，Hadoop入門月薪已經達到了 8K 以上，工作1年月薪可達到 1.2W 以上，具有2-3年工作經驗的hadoop人才年薪可以達到30萬—50萬，一般需要大數據處理的公司基本上都是大公司，所以學習大數據專業也是進大公司的捷徑！
「大數據」專業畢業以後干什麼？
事實上，大數據工作者可以施展拳腳的領域非常廣泛，從國防部、互聯網創業公司到金融機構，到處需要大數據項目來做創新驅動。數據分析或數據處理的崗位報酬也非常豐厚，在矽谷，入門級的數據科學家的收入已經是6位數了(美元)。
目前全國各類高校、高職院校已陸續開始圍繞大數據專業建設展開研究並申報大數據專業。作為交叉型學科，大數據的相關課程涉及數學、統計和計算機等學科知識，「數據科學與大數據技術」專業也強調培養具有多學科交叉能力的大數據人才。該專業重點培養具有以下三方面素質的人才：一是理論性的，主要是對數據科學中模型的理解和運用；二是實踐性的，主要是處理實際數據的能力；三是應用性的，主要是利用大數據的方法解決具體行業應用問題的能力。
七 中國有哪些大學招收大數據，數據分析專業的研究生
目前大學還沒有開始大數據和數據分析專業的課程，一些基礎的東西還是有的，不過屬於計算機專業裡面的分支。專業的大數據和數據分析還是的去培訓的。不過以後大學會慢慢開設大數據的課程的吧。檸檬學院大數據。
八 哪些大學都有大數據技術與應用專業呢
這個專業屬來於前沿科技專業，目自前開設該專業的高校（比如：北航、貴州大學、對外經貿大學、華南理工大學、廣東開放大學、宜春學院等）都採用校企合作的方式辦學，引入校企雙師資進行授課，注重理論與實踐相結合，該專業融入了大數據分析挖掘與處理、移動開發與架構、軟體開發、雲計算等前沿技術，同時引入企業真實項目演練，旨在培養適應新形勢，具有新思維和技能的高層次、實用型、國際化的復合型大數據專業人才。
九 國內有哪些大學大數據專業比較好
這個專業屬於前沿科抄技專業，目前開設該專業的高校（比如：北航、貴州大學、對外經貿大學、華南理工大學、廣東開放大學、宜春學院等）都採用校企合作的方式辦學，引入校企雙師資進行授課，注重理論與實踐相結合，該專業融入了大數據分析挖掘與處理、移動開發與架構、軟體開發、雲計算等前沿技術，同時引入企業真實項目演練，旨在培養適應新形勢，具有新思維和技能的高層次、實用型、國際化的復合型大數據專業人才。
十 大數據專業的本科院校有哪些
清華、復旦的大數據處理，也就是數學分析都挺好。
❿ 大數據時代 大學哪些專業涉及大數據技術與應用
大數據時代 大學哪些專業涉及大數據技術與應用
早在1980年，未來學家阿爾文？托夫勒在 《第三次浪潮》一書中，就將大數據譽為「第三次浪潮的華彩樂章」。現在的大數據更是站在互聯網的風口浪尖上，是公眾津津樂道的熱門詞彙。同時這股熱潮也催熱了大學里的大數據專業。
到底什麼是大數據？本科專業中哪個專業是和它相對應的？一般開設在哪些院系？對外經濟貿易大學信息學院副院長華迎教授詳解這個大家關注的熱門專業。
一、專業解析
什麼是大數據？
進入互聯網時代，中國的網民人數已超7億，大數據的應用涉及到生活的方方面面。例如，你在網站上買書，商家就會根據你的喜好和其他購書者的評價給你推薦另外的書籍；手機定位數據和交通數據可以幫助城市規劃；甚至用戶的搜索習慣和股市都有很大關系。
在談到大數據的時候，人們往往知道的就是數據很大，但大數據≠大的數據。對外經濟貿易大學信息學院副院長華迎教授介紹：「現在的大數據包括來自於多種渠道的多類數據，其中主要來源網路數據。數據分析不是新的，一直都有，但是為什麼叫大數據呢？主要是因為網路數據的格式、體量、價值，都超出了傳統數據的規模。對這些海量信息的採集、存儲、分析、整合、控制而得到的數據就是大數據。大數據技術的意義不在於掌握龐大的數據信息，而在於對這些數據進行專業化處理，通過『加工』實現數據的『增值』，更好地輔助決策。」
數據科學與大數據技術專業
本科專業中和大數據相對應的是「數據科學與大數據技術」專業，它是2015年教育部公布的新增專業。2016年3月公布的《高校本科專業備案和審批結果》中，北京大學、對外經濟貿易大學和中南大學3所高校首批獲批開設「數據科學與大數據技術」專業。隨後第二年又有32所高校獲批「數據科學與大數據技術」專業。兩次獲批的名單中顯示，該專業學制為四年，大部分為工學。
「數據科學與大數據技術是個交叉性很強的專業，很難說完全歸屬於哪個獨立的學科。所以，不同的學校有的是信息學院申報，有的.是計算機學院牽頭申報，有的設在統計學院，還有的在經管學院。像北京大學這個專業是放在理學下，授予理學學位。大多數是設在工學計算機門類下，授予的是工學學位。」華迎教授說：「數據科學很早就存在，是個比較經典的學科，現在和大數據技術結合形成了這個專業。目前教育部設定的本科專業名稱為『數據科學與大數據技術』，專科名稱是『大數據技術與應用』。」
數據科學與大數據技術學什麼？
以對外經濟貿易大學該專業為例，專業知識結構包括數學、統計、計算機和大數據分析四大模塊，具體課程設置如下：
數學：數學分析一、數學分析二、高等代數、離散數學。統計學：概率論與數理統計、多元統計分析、隨機過程。計算機：數據結構、計算機組成原理、操作系統、資料庫系統原理、C++程序設計、Java程序設計、Python與大數據分析、科學計算與Matlab應用、R語言等。大數據分析：數據科學導論、機器學習與數據挖掘、信息檢索與數據處理、自然語言處理、智能計算、推薦系統原理、大數據分析技術基礎、數據可視化、大數據存儲與管理、大數據分析實踐等課程。
華迎教授介紹：「數據科學與大數據技術是一門實踐性很強的新興交叉復合型學科，無論是開設在哪個學院下，數學、統計學、計算機三大塊課程是必須得有。各高校在這幾門背景學科的基礎上，交叉融合其他的專業知識技能。如我校在數學、統計學、計算機知識體系模塊中又增加了體現學校特色的財經類行業應用和外語模塊，以提升學生的行業應用能力和國際化水平。根據各校偏重的專業方向，課程設置有所差異，感興趣的同學可以具體查看各校的專業和課程設置情況。」
二、專業與就業
行業增速快 人才缺口180萬
隨著移動互聯網和智能終端的普及，信息技術與經濟社會的交匯融合，引發了數據迅猛增長。新摩爾定律認為，人類有史以來的數據總量，每過18個月就會翻一番。而海量的數據蘊含著巨大生產力和商機。
2011年至2014年四年間，我國大數據處於起步階段，每年均增長在20%以上。2015年，大數據市場規模已達到98.9億元。2016年增速達到45%，超過160億元。預計2020年，我國大數據市場規模將超過8000億元，有望成世界第一數據資源大國。但數據開放度低、技術薄弱、人才缺失、行業應用不深入等都是產業發展中亟待解決的問題。
根據領英發布《2016年中國最熱職位人才報告》顯示，有六類熱門職位的人才當前都處於供不應求狀態，稀缺程度各有不同，其中，數據分析人才的供給指數最低，僅為0.05，屬於高度稀缺。
中國商業聯合會數據分析專業委員會資料顯示，未來3至5年，中國需要180萬數據人才，但截至目前，中國大數據從業人員只有約30萬人。同時，大數據行業選才的標准也在不斷變化。初期，大數據人才的需求主要集中在ETL研發、系統架構開發、數據倉庫研究等偏硬體領域，以IT、計算機背景的人才居多。隨著大數據往各垂直領域延伸發展，對統計學、數學專業的人才，數據分析、數據挖掘、人工智慧等偏軟體領域的需求加大。
大數據主要就業方向
2015年9月國務院印發《促進大數據發展行動綱要》，系統部署大數據發展工作。《綱要》明確提出了七方面政策機制，其中第六條就是加強專業人才培養，建立健全多層次、多類型的大數據人才培養體系。目前，大數據主要有三大就業方向：大數據系統研發類、大數據應用開發類和大數據分析類。具體崗位如：大數據分析師、大數據工程師等。
「大數據分析師是用適當的統計分析方法對收集來的大量數據進行分析，強調的是數據的應用，側重於統計層面內容會多一些。比如做產品經理，可以通過數據建立金融模型，來推出一些理財產品。而大數據工程師則側重於技術，主要是圍繞大數據平台系統級的研發，偏開發層面。」華迎教授介紹：「我們把大數據分析在業務中使用的流程總結起來，分為以下幾個步驟：數據獲取和預處理、數據存儲管理、數據分析建模、數據可視化。在這個應用流程中，畢業生可以根據自己的興趣和特長，在不同的環節選擇就業。」
三、報考指南
院校開設情況
教育部關於公布2015年度普通高等學校本科專業備案和審批結果的通知教育部關於公布2016年度普通高等學校本科專業備案和審批結果的通知在「教育部2015年度普通高等學校本科專業備案和審批結果」中北京大學、中南大學、對外經貿大學成為首批開設 「數據科學與大數據技術」本科專業的高校，隨後中國人民大學、北京郵電大學、復旦大學等32所高校成為第二批成功申請該專業的高校。目前，我國已有35所高校獲批「數據科學與大數據技術」本科專業，第三批申請結果也即將公布。
數據科學與大數據技術是個交叉性強、跨學科的專業，很難說是完全歸屬與那個獨立的學科。高校牽頭申報的學院不同，培養重點和授予的學位可能不一樣。因為課程來自於不同的學院，也有高校是聯合一些學院單獨成立機構來申報。從名單可以看出，在大部分開設院校中該專業都屬於工學類，有個別院校將其歸屬在理學門類，授予理學學位。
有志於學習數據科學與大數據技術專業的學生，可以從大學的傳統優勢領域和行業背景考慮選擇。比如，復旦大學的大數據技術本科專業是設在大數據學院下；北京大學是在數學院開設了該專業，偏數學的內容更多一些。對外經濟貿易大學該專業設在信息學院，因為財經是學校傳統優勢，專業還會偏重經濟、金融等相關學科領域的知識。
錄取分數不低
從2017年數據科學與大數據技術專業的錄取情況看，該專業的錄取分數還是比較高的。以對外經濟貿易大學和重慶理工大學為例，2017年對外經貿大學數據科學與大數據技術專業在京理科一批錄取最高分653分，最低分646分，平均分650分，平均分高出北京一本批次線113分。
重慶理工大學理學院院長李波介紹，學校理學院有金融數學、數學與應用數學、信息與計算科學、應用統計學、應用物理學、新能源科學與工程專業，數據科學與大數據技術是2017年獲批後開設的。盡管該專業屬於本科二批招生，但首批數據科學與大數據技術專業所招73名學生的平均分超一本線20分左右，並且第一志願錄取率達百分之百。
只招理科生 注意大類招生
考生報考時要注意，目前獲批開設的院校並非在所有省都有招生計劃，還有的高校是按大類招生。如北京郵電大學該專業2017年本科就是按計算機大類招生。隨著各省高考改革的實施，越來越多的省份加入新高考的序列，未來會有更多的高校施行按大類招生。
值得注意的是，數據科學與大數據技術只招理科生，但女生的比例並不低。據華迎教授介紹：「第一年招生時，我們以為這純工科專業絕大部分都會是男生報考，錄取後發現女生還是很多的，女生比例大概佔了這個專業總人數的一半兒。」 重慶理工大學2017年的首批73名學生中，男生45人，女生28人，女生比例占總人數38%。