一、专业培养目标
本专业培养具有良好的数据科学基础和数据思维能力，掌握大数据技术的基础理论和专业知识，具有较好的实践能力，掌握大数据的采集、管理、分析与应用的基本方法，能够综合使用数据分析手段和算法工具解决社会发展和企业生产中有关大数据的实际问题的高素质复合型人才。在社会与专业领域发展的预期培养目标为：
培养目标1：具备扎实的专业基础，掌握大数据技术的基本理论、方法与技能。
培养目标2：具有一定的逻辑思维能力、大数据处理能力、创新能力，能够运用数学与统计学知识、计算机技术建立大数据模型并解决实际问题，服务社会。
培养目标3：具备一定的大数据技术科研水平，了解大数据技术研究发展的新成果和新动向，能够通过继续教育或其他学习渠道，与时俱进地进行知识更新和能力提升，进一步增强创新意识和开拓精神。
二、毕业要求
本专业要求学生学习并掌握大数据技术的基本理论和方法, 受到科学研究的初步训练, 能够运用所学知识和计算机技能解决实际问题； 具备包括数据思维在内的科学思维能力，能解决数据密集型问题的动手能力以及大数据分析与挖掘或大数据应用研究与开发技能；具有良好的创新和创业意识、竞争意识和团队精神。
毕业生应获得以下几方面的知识、能力和素质：
1.掌握大数据专业基础知识，能运用数据采集、分析、挖掘和可视化的方法解决数据系统中的实际问题；
2.了解数据科学、人工智能等领域理论、技术及应用的新发展，具有较强的创新意识；
3.具有个人工作和团队协作的能力，具有创新精神和自主学习与适应发展的能力。
三、招生对象与条件
本专业面向全校理工科、经济管理类学生招生，需要学生修过高等数学、概率论与数理统计2门课程。
四、学分与证书
本专业要求学生学习完规定的7门课程，修习学分17分，经学院审核、教务处审定后，随主修专业毕业证书发放微专业毕业证书。
五、课程设置
大数据分析与计算微专业课程设置及教学进程计划表
课程名称 | 课程代码 | 学分 | 总学时 | 学时分 配 | 考核 方式 | 开课单位 | 开课 时间 |
理论 | 实践 | 线上学时 | 线下学时 |
Python科学计算实践 | 09WZY01 | 2 | 48 | 16 | 32 | 16 | 32 | 考核 | 数学科学学院 | 1-1 |
数据采集与清洗 | 09WZY02 | 2 | 48 | 16 | 32 | 16 | 32 | 考核 | 数学科学学院 | 1-1 |
数据可视化 | 09WZY03 | 2.5 | 48 | 32 | 16 | 16 | 32 | 考核 | 数学科学学院 | 1-2 |
大数据原理与技术 | 09WZY04 | 3 | 64 | 32 | 32 | 32 | 32 | 考核 | 数学科学学院 | 1-2 |
数据挖掘 | 09WZY05 | 2.5 | 48 | 32 | 16 | 16 | 32 | 考核 | 数学科学学院 | 1-2 |
深度学习 | 09WZY06 | 2.5 | 48 | 32 | 16 | 16 | 32 | 考核 | 数学科学学院 | 2-1 |
大数据智能处理技术与实践 | 09WZY07 | 2.5 | 48 | 32 | 16 | 16 | 32 | 实践考核 | 数学科学学院 | 2-1 |
合计 |
| 17 | 352 | 208 | 144 | 128 | 224 |
| - | - |
备注：
1.总学时=理论学时+实践学时（实践教学含实验和上机教学），总学时=线上学时+线下学时；
2.课程代码统一按照填“两位学院代码+WZY+两位数字”编制；“开课学期”根据2年制内实际开课学期填写1-1、1-2、2-1、2-2填写，“考核方式”填写线上考试、线下考试、考核或实践考核；
3.开课单位填写任课教师所在部门或单位。
六、课程简介
对本微专业拟开设的课程进行简要介绍，包括课程主要内容、课程教学设计等，每门课300字以内。
序号 | 课程名称 | 课程简介 |
1 | Python科学计算实践 | Python科学计算实践是以Python语言为工具进行科学计算的一门课程。Python 是进行大数据分析所需要掌握基础性语言和分析工具，是面向未来的学生掌握大数据科学计算和大数据分析技术的学习基础。本课程在教学内容方面着重以 Python 语言基本语法、Python 语言科学计算和数据分析工具包应用为主。通过基础知识简介和编程示范，以及多个 Python 语言编程训练实验项目，培养学生一定的 Python 语言基础编程能力、科学计算和数据分析理解和应用实践能力。 |
2 | 数据采集与清洗 | 数据采集与清洗是计算机基础理论与应用实践相结合的课程，它担负着系统、全面地理解大数据，提高大数据应用技能的重任。通过本课程的学习，让学生接触并了解大数据分析的工作原理和使用方法，使学生具有Python大数据分析、设计和可视化开发的能力，具备Kettle大数据清洗和存储的基本技能，并具有较强的分析问题和解决问题的能力，为将来从事大数据相关领域的工作打下坚实的基础。 |
3 | 大数据原理与应用 | 大数据原理与应用是大数据技术入门课程，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、数据仓库Hive、基于内存的大数据处理架构Spark、流计算框架Flink、大数据在各个领域的应用。在Hadoop、HDFS、HBase、MapReduce、Hive、Spark和Flink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。
|
4 | 数据可视化 | 数据可视化是大数据技术中用于展示数据的一门课程。本课程将学习如何使用Python的各种可视化库，如Matplotlib、Seaborn、Geoplotlib和Bokeh，进而利用真实的数据创建有效的数据可视化结果。除此之外，学生还将学习不同类型图表的特性，并对其优缺点进行比较，这将有助于学生选取相应的图表类型，以适应数据的可视化操作。 |
5 | 深度学习 | 深度学习是一门讲授和讨论深度学习的主要理论和关键技术的课程，主要内容有深度学习基础、卷积神经网络、循环神经网络、深度生成模型、深度学习正则化等以及上述深度学习理论在图像、自然语言处理等领域的主要应用，同时也介绍了一些新兴的深度学习模型及其应用。课程注重深度学习实践能力的锻炼和培养，通过引入多个深度学习课程实验，提升同学们的动手能力。通过本课程的学习，本微专业的学生能够掌握深度学习的基本理论和关键技术，提高基于深度学习技术进行科学研究与应用开发的能力。 |
6 | 数据挖掘 | 数据挖掘是介绍数据挖掘的基本概念、技术和方法，培养学生在大数据环境下进行数据分析的能力的一门课程。课程主要内容包括数据挖掘概述、数据预处理、数据挖掘工具与技术、数据挖掘方法以及数据挖掘实践，通过实际案例和项目，让学生亲自动手进行数据挖掘的实践操作。课程教学设计结合理论和实践，注重培养学生的数据分析和问题解决能力。通过理论讲解、案例分析和编程实践等多种教学形式，引导学生深入理解数据挖掘的原理、技术和方法。课程设置实践项目，让学生运用所学知识解决真实问题。教师提供指导和反馈，帮助学生理解挖掘过程中的关键步骤和挑战，培养他们的数据思维和创新能力，为将来在数据科学领域的工作和研究奠定基础。 |
7 | 大数据智能化处理技术与实践 | 大数据智能化处理技术与实践是计算机基础理论与应用实践相结合的课程。课程内容包括大数据概述、Scala 语言基础、Spark 的设计与运行原理、Spark 环境搭建和使用方法、RDD 编程、Spark SQL、Spark Streaming 和 Spark MLlib等。通过本课程的学习，将帮助学生形成基础的Spark应用程序编程能力，为学生使用 Spark技术解决实际科研问题和未来从事大数据相关工作奠定基础。 |
