⑴ 省部共建公共大数据国家重点实验室分数
不同地区分数线不一，具体分数还是要看当年的招人才计划。
专家组评审内容包括考生的学习成绩（20%）、英语水平（15%）、参与各类研究实践情况（15%）、硕士论文和发表文章及获奖（25%）、攻读博士学位期间拟进行的科学研究设想（25%）等方面，给出百分制成绩（成绩在60分以下取消其申请资格）。
省部共建公共大数据国家重点实验室（以下称“国重实验室”）是在贵州省公共大数据重点实验室基础上，以贵州大学为依托单位，整合全省科研力量，充分借助外部智力资源进行申建。国重实验室的任务是针对公共大数据，特别是政府数据的开放、共享和应用中的“聚、通、用”需求及痛点问题，分别从人工智能、网络安全和公共管理的角度，聚焦公共大数据融合与集成、公共大数据安全与隐私保护、块数据与区域治理三个研究方向的基础研究、应用基础研究和地方产业服务，构建公共大数据“融合-安全-治理-应用”于一体交叉研发体系，组建高水平研究团队，并以贵州的国家大数据综合试验区为试验基地，推进公共大数据在治理领域的创新应用，实现大数据服务地方的功能并形成特色。
2021年4月20日，贵州省科技厅和科技部基础司在北京共同组织专家按照《省部共建国家重点实验室管理办法(试行)》的要求对“省部共建公共大数据国家重点实验室”建设运行实施方案进行了论证，同意通过建设运行实施方案论证。
国重点实验室通过整合贵州力量和柔性引进省外知名专家，组建了一支以知名教授领衔、中青年教师为骨干的学术队伍。现有固定人员编制100人，已聘固定研究人员80名，其中教育部青年长江学者1人，教育部新世纪人才3人，国务院特殊津贴专家3人，贵州省核心专家2人，贵州省省管专家4人，贵州省青年优秀科技人才培养对象3人。客座及流动人员75人，其中教育部长江学者特聘教授2人，国家杰出青年基金获得者1人。
⑵ 哪些学校有大数据分析实验室
阿里大数据实验室
阿里大数据实验室是由阿里云和慧科教育共同合作开发，包含云计算平台及大数据应用平台，提供易于维护的大数据教学、开发、分析、可视化综合实训平台，集成大数据开发系统、数据挖掘系统、大数据教学系统、案例分析系统等优势，从大数据应用工具、算法实现、数据可视化按时实验等角度，帮助学生掌握大数据领域的基础理论学习、单点技能训练和综合实战演练；并且辅以线上课程、线下项目实训，形成实现专业实验教学的多层次实验体系，为用户提供完整的高可用性的教学、实训、竞赛支持的解决方案。
建立阿里巴巴大数据学院的贵州理工学院、成都信息工程大学、北京城市学院等学校都陆续将该大数据实验室投入使用。
⑶ 实验室规划的方案应该怎么做
你的问题不是太清楚,比如: 什么样的实验项目, 具体企业的性质,多大的规划,可能要到什么层面的人的批注等. 简单来将至少需要按照商业方案来整,现简单的阐述以下内容的需要在方案:
1.>人员配置的需求,测试人员, 管理人员及处理业务的人员[如果对外]
2.>设备的需求,设备清单,备注将要的进行的测试能力清单
3.>空间的需求及规划,测试区域,样品区域,办公区域等, 考空间对不同测试的交叉影响导致结果的不可靠
4.>资金的预算及将来的回报,比如,几年能够回收本钱(考虑折旧在内),内外部的测试实验室都是要考虑的, 也有出于提高企业形象的原因来建立实验室的,但基本上都需要销售提出估计的收入数,便于判断.
5.>系统体系的建立,实验室不是人+设备沟通,这只是硬件,软件才是关键, 所以必须对软件系统的建设有一个规划, 比如多长时间满足什么样的测试标准需求,满足ISO17025的体系要求.
6.>如果需要建立或者装修,则必须考虑设计,工期,消防,法律法规等
7.>整个项目的时间表,可能是很粗的或者不准, 但作为项目的规划方可能需要包括在内.
....
不是太全, 仅作为参考吧
⑷ 大数据怎样影响着金融业
大数据可以挖掘和分析金融信息深层次的内容，使决策者能够把握重点，引导战略方向。
正在来临的大数据时代，金融机构之间的竞争将在网络信息平台上全面展开，说到底就是“数据为王”。谁掌握了数据，谁就拥有风险定价能力，谁就可以获得高额的风险收益，最终赢得竞争优势。
中国金融业正在步入大数据时代的初级阶段。经过多年的发展与积累，目前国内金融机构的数据量已经达到100TB以上级别，并且非结构化数据量正在以更快的速度增长。金融机构行在大数据应用方面具有天然优势：一方面，金融企业在业务开展过程中积累了包括客户身份、资产负债情况、资金收付交易等大量高价值密度的数据，这些数据在运用专业技术挖掘和分析之后，将产生巨大的商业价值；另一方面，金融机构具有较为充足的预算，可以吸引到实施大数据的高端人才，也有能力采用大数据的最新技术。
总体看，正在兴起的大数据技术将与金融业务呈现快速融合的趋势，给未来金融业的发展带来重要机遇。
首先，大数据推动金融机构的战略转型。在宏观经济结构调整和利率逐步市场化的大环境下，国内金融机构受金融脱媒影响日趋明显，表现为核心负债流失、盈利空间收窄、业务定位亟待调整。业务转型的关键在于创新，但现阶段国内金融机构的创新往往沦为监管套利，没有能够基于挖掘客户内在需求，提供更有价值的服务。而大数据技术正是金融机构深入挖掘既有数据，找准市场定位，明确资源配置方向，推动业务创新的重要工具。
其次，大数据技术能够降低金融机构的管理和运行成本。通过大数据应用和分析，金融机构能够准确地定位内部管理缺陷，制订有针对性的改进措施，实行符合自身特点的管理模式，进而降低管理运营成本。此外，大数据还提供了全新的沟通渠道和营销手段，可以更好的了解客户的消费习惯和行为特征，及时、准确地把握市场营销效果。
第三，大数据技术有助于降低信息不对称程度，增强风险控制能力。金融机构可以摈弃原来过度依靠客户提供财务报表获取信息的业务方式，转而对其资产价格、账务流水、相关业务活动等流动性数据进行动态和全程的监控分析，从而有效提升客户信息透明度。目前，先进银行已经能够基于大数据，整合客户的资产负债、交易支付、流动性状况、纳税和信用记录等，对客户行为进行全方位评价，计算动态违约概率和损失率，提高贷款决策的可靠性。
当然，也必须看到，金融机构在与大数据技术融合的过程中也面临诸多挑战和风险。
一是大数据技术应用可能导致金融业竞争版图的重构。信息技术进步、金融业开放以及监管政策变化，客观上降低了行业准入门槛，非金融机构更多地切入金融服务链条，并且利用自身技术优势和监管盲区占得一席之地。而传统金融机构囿于原有的组织架构和管理模式，无法充分发挥自身潜力，反而可能处于竞争下风。
二是大数据的基础设施和安全管理亟待加强。在大数据时代，除传统的账务报表外，金融机构还增加了影像、图片、音频等非结构化数据，传统分析方法已不适应大数据的管理需要，软件和硬件基础设施建设都亟待加强。同时，金融大数据的安全问题日益突出，一旦处理不当可能遭受毁灭性损失。近年来，国内金融企业一直在数据安全方面增加投入，但业务链拉长、云计算模式普及、自身系统复杂度提高等，都进一步增加了大数据的风险隐患。
三是大数据的技术选择存在决策风险。当前，大数据还处于运行模式的探索和成长期，分析型数据库相对于传统的事务型数据库尚不成熟，对于大数据的分析处理仍缺乏高延展性支持，而且它主要仍是面向结构化数据，缺乏对非结构化数据的处理能力。在此情况下，金融企业相关的技术决策就存在选择错误、过于超前或滞后的风险。大数据是一个总体趋势，但过早进行大量投入，选择了不适合自身实际的软硬件，或者过于保守而无所作为都有可能给金融机构的发展带来不利影响。
应该怎样将大数据应用于金融企业呢？
尽管大数据在金融企业的应用刚刚起步，目前影响还比较小，但从发展趋势看，应充分认识大数据带来的深远影响。在制订发展战略时，董事会和管理层不仅要考虑规模、资本、网点、人员、客户等传统要素，还要更加重视对大数据的占有和使用能力，以及互联网、移动通讯、电子渠道等方面的研发能力；要在发展战略中引入和践行大数据的理念和方法，推动决策从“经验依赖”型向“数据依靠”型转化；要保证对大数据的资源投入，把渠道整合、信息网络化、数据挖掘等作为向客户提供金融服务和创新产品的重要基础。
（一）推进金融服务与社交网络的融合
我国金融企业要发展大数据平台，就必须打破传统的数据源边界，注重互联网站、社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户和市场资讯。首先要整合新的客户接触渠道，充分发挥社交网络的作用，增强对客户的了解和互动，树立良好的品牌形象。其次是注重新媒体客服的发展，利用各种聊天工具等网络工具将其打造成为与电话客服并行的服务渠道。三是将企业内部数据和外部社交数据互联，获得更加完整的客户视图，进行更高效的客户关系管理。四是利用社交网络数据和移动数据等进行产品创新和精准营销。五是注重新媒体渠道的舆情监测，在风险事件爆发之前就进行及时有效的处置，将声誉风险降至最低。
（二）处理好与数据服务商的竞争、合作关系
当前各大电商平台上，每天都有大量交易发生，但这些交易的支付结算大多被第三方支付机构垄断，传统金融企业处于支付链末端，从中获取的价值较小。为此，金融机构可考虑自行搭建数据平台，将核心话语权掌握在自己的手中。另一方面，也可以与电信、电商、社交网络等大数据平台开展战略合作，进行数据和信息的交换共享，全面整合客户有效信息，将金融服务与移动网络、电子商务、社交网络等融合起来。从专业分工角度讲，金融机构与数据服务商开展战略合作是比较现实的选择；如果自办电商，没有专业优势，不仅费时费力，还可能丧失市场机遇。
（三）增强大数据的核心处理能力
首先是强化大数据的整合能力。这不仅包括金融企业内部的数据整合，更重要的是与大数据链条上其他外部数据的整合。目前，来自各行业、各渠道的数据标准存在差异，要尽快统一标准与格式，以便进行规范化的数据融合，形成完整的客户视图。同时，针对大数据所带来的海量数据要求，还要对传统的数据仓库技术，特别是数据传输方式ETL（提取、转换和加载）进行流程再造。其次是增强数据挖掘与分析能力，要利用大数据专业工具，建立业务逻辑模型，将大量非结构化数据转化成决策支持信息。三是加强对大数据分析结论的解读和应用能力，关键是要打造一支复合型的大数据专业团队，他们不仅要掌握数理建模和数据挖掘的技术，还要具备良好的业务理解力，并能与内部业务条线进行充分地沟通合作。
（四）加大金融创新力度，设立大数据实验室
可以在金融企业内部专门设立大数据创新实验室，统筹业务、管理、科技、统计等方面的人才与资源，建立特殊的管理体制和激励机制。实验室统一负责大数据方案的制定、实验、评价、推广和升级。每次推行大数据方案之前，实验室都应事先进行单元试验、穿行测试、压力测试和返回检验；待测试通过后，对项目的风险收益作出有数据支撑的综合评估。实验室的另一个任务是对“大数据”进行“大分析”，不断优化模型算法。在“方法论上。
（五）加强风险管控，确保大数据安全。
大数据能够在很大程度上缓解信息不对称问题，为金融企业风险管理提供更有效的手段，但如果管理不善，“大数据”本身也可能演化成“大风险”。大数据应用改变了数据安全风险的特征，它不仅需要新的管理方法，还必须纳入到全面风险管理体系，进行统一监控和治理。为了确保大数据的安全，金融机构必须抓住三个关键环节：一是协调大数据链条中的所有机构，共同推动数据安全标准，加强产业自我监督和技术分享；二是加强与监管机构合作交流，借助监管服务的力量，提升自身的大数据安全水准；三是主动与客户在数据安全和数据使用方面加强沟通，提升客户的数据安全意识，形成大数据风险管理的合力效应。
⑸ 大数据解决方案都有哪些
在信息时代的我们，总会听到一些新鲜词，比如大数据，物联网，人工智能等等。而现在，物联网、大数据、人工智能已经走进了我们的生活，对于很多人看到的大数据的前景从而走进了这一行业，对于大数据的分析和解决是很多人不太了解的，那么大数据的解决方案都有哪些呢？一般来说，大数据的解决方案就有Apache Drill、Pentaho BI、Hadoop、RapidMiner、Storm、HPCC等等。下面就给大家逐个讲解一下这些解决方案的情况。
第一要说的就是Apache Drill。这个方案的产生就是为了帮助企业用户寻找更有效、加快Hadoop数据查询的方法。这个项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等。
第二要说的就是Pentaho BI。Pentaho BI 平台和传统的BI 产品不同，它是一个以数据流程为中心的，面向解决方案的框架。其目的在于将一系列企业级BI产品、开源软件、API等等组件集成起来，这样一来就方便了商务智能应用的开发。Pentaho BI的出现，使得一系列的面向商务智能的独立产品如Jfree、Quartz等等，能够集成在一起，构成一项复杂的、完整的商务智能解决方案。
然后要说的就是Hadoop。Hadoop 是一个能够对海量数据进行分布式处理的软件框架。不过Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。另外，Hadoop 依赖于社区服务器，所以Hadoop的成本比较低，任何人都可以使用。
接着要说的是RapidMiner。RapidMiner是世界领先的数据挖掘解决方案，有着先进的技术。RapidMiner数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。
Storm。Storm是自由的开源软件，一个分布式的、容错的实时计算系统。Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。 Storm支持许多种编程语言，使用起来非常有趣。Storm由Twitter开源而来，其它知名的应用企业包括Groupon、淘宝、支付宝、阿里巴巴、Admaster等等。
最后要说的就是HPCC。什么是HPPC呢？HPCC是High Performance Computing and Communications(高性能计算与通信)的缩写。HPCC主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆比特网络技术，扩展研究和教育机构及网络连接能力。
通过上述的内容，想必大家已经知道了大数据的解决方案了吧，目前世界范围内拥有的大数据解决方案种类较多，只有开发并使用好最先进的，最完备的大数据解决方案，一个公司，甚至一个国家才能走在世界前列。
⑹ 大数据分析系统平台方案有哪些
目前常用的大数据解决方案包括以下几类
一、Hadoop。Hadoop 是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。
二、HPCC。HPCC，High Performance Computing and Communications(高性能计算与通信)的缩写。HPCC主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆 比特网络技术，扩展研究和教育机构及网络连接能力。
三、Storm。Storm是自由的开源软件，一个分布式的、容错的实时计算系统。Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。 Storm支持许多种编程语言，使用起来非常有趣。Storm由Twitter开源而来
四、Apache Drill。为了帮助企业用户寻找更为有效、加快Hadoop数据查询的方法，Apache软件基金会近日发起了一项名为“Drill”的开源项目。该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等。
⑺ 哪类院校适合建设大数据实验室
1、 开设单独的大数据课程的高校
目前该类院校还是占多数，主要是因为教育版主管部门对开设新的权专业方向有一定的约束，对开设单独课程则不加限制。此类高校可以通过先开设大数据技术基础的导论性课程使学生接触了解大数据知识和相关技术，建立大数据思维。推荐教材：厦门大学林子雨老师的《数据技术原理与应用》，该教材提供全套的课件、视频、习题、实验指导、学习指南。同时打算开设课程的院校可以安排授课教师参加有林子雨博士开办的“大数据教师培训交流班”，解决授课教师的问题。
2、 开设数据科学与大数据专业方向的高校
目前国内已经申请获批开设数据科学与大数据技术专业方向有30多所。针对该类院校，我们建议可以通过建设大数据实验室对学生进行大数据知识的全面培养，使得学生能够系统的学习到大数据专业技能，从而胜任数据工程师、大数据分析师等工作。同时选用企业级大数据应用环境作为学生的实践环境，实现真正的产学研用。
完美校园大数据实验室建设主要由四部分建设内容构成，分别是：
大数据实验室硬件环境建设
大数据实验室软件环境建设
大数据基础课程内容建设
大数据行业项目案例课程建设
⑻ 大数据解决方案有哪几种类型
一、Hadoop。Hadoop 是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。
二、HPCC。HPCC，High Performance Computing and Communications(高性能计算与通信)的缩写。HPCC主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆 比特网络技术，扩展研究和教育机构及网络连接能力。
三、Storm。Storm是自由的开源软件，一个分布式的、容错的实时计算系统。Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。 Storm支持许多种编程语言，使用起来非常有趣。Storm由Twitter开源而来，其它知名的应用企业包括Groupon、淘宝、支付宝、阿里巴巴、乐元素、Admaster等等。
四、Apache Drill。为了帮助企业用户寻找更为有效、加快Hadoop数据查询的方法，Apache软件基金会近日发起了一项名为“Drill”的开源项目。该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等。
五、RapidMiner。RapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。
⑼ 全国首个国家大数据工程实验室获批，未来要干些啥
近日，国家发改委员批复建设全国首个国家大数据工程实验室——政府专治理大数据应用属技术国家工程实验室。该工程实验室由中国电子科技集团牵头，联合电子科技大学（大数据研究中心承建）、国信优易数据有限公司等共同组建。
是不是应该来个大大的赞！
电子科大要做什么？
电子科技大学是政府治理大数据应用技术国家工程实验室排名首位的共建单位，也是目前为止国家大数据工程实验室系列里面第一个高校单位。
作为此次工程实验室的重要参与方，电子科大将围绕如何高效运用政府数据，提升政府治理效能的迫切需求做重点研究，参与建设政府治理大数据应用技术研究平台，并与众合作单位共同建立成熟的政务大数据应用仿真试验平台，以形成国内一流的科研环境，培养和汇聚政府治理大数据应用高端技术人才，主动承担国家和行业重大科研项目。
电子科大还将在建设工程实验室中发挥带头引领作用，集聚整合创新资源，增强产学研用结合，为促进大数据产业快速发展，培育和发展战略性新兴产业提供动力支持。