新时代背景下数据科学与大数据专业人才培养的若干思考

聚焦新时代复合型数据科学与大数据专业人才的培养,提出要围绕育人目标制定人才培养方案,并不断优化;要坚持"引进来,走出去"原则建设师资队伍;要坚持高标准、宽视野的要求进行课程建设;要调用校内外一切资源建设实验室.文章提出要从系统论、控制理论的视角构建数据科学与大数据专业人才培养协同系统.     

大数据时代下信息与计算科学专业人才培养模式浅谈

大数据具有数据量巨大、数据形式多样化等特点,大数据时代的到来对现代人才的综合素质提出了更高的要求,其中信息素养也成了现代人参与大数据时代的必备素质.信息与计算科学专业是高校培养信息专业人才的主要学科,而在当前的教育环境中,专业教学不仅要求学生掌握专业的计算机操作能力,还应该从信息运用的角度对数据进行收集与筛选,因此,本文从大数据时代的特点出发,结合目前高校信息与计算科学专业在人才培养中存在的问题,探究科学的人才培养模式.     

工程教育专业认证背景下数据科学与大数据技术专业人才和课程培养体系研究

数据科学与大数据技术专业作为一门新兴专业,对我国信息技术发展及综合实力的提高有举足轻重的意义.文章首先指出数据科学与大数据技术专业在师资、科研、教学方面存在的主要问题,其次围绕"新工科","工程认证"等理念,从数据科学与大数据技术专业的人才培养模式以及课程教学模式创新两方面作出了实践,制定了数据科学与大数据技术专业的课程体系,给出了针对数据科学与大数据技术专业学生的能力培养矩阵方案.     

大数据科学与工程专业设置探索

针对贵州大数据产业发展的实际需情况,分析大数据的关键技术及特点,结合贵州发展和打造大数据产业的三大机遇和五大优势,对贵州大学设置大数据科学与工程专业的优势进行了分析和展望,利用更好的培养大数据产业人才。     

大数据科学与工程专业设置探索

针对贵州大数据产业发展的实际需情况,分析大数据的关键技术及特点,结合贵州发展和打造大数据产业的三大机遇和五大优势,对贵州大学设置大数据科学与工程专业的优势进行了分析和展望,利用更好的培养大数据产业人才。     

大数据时代背景下信息与计算科学专业多学科交叉融合人才培养模式探索

大数据时代对信息与计算科学专业带来新的发展契机,但同时,大数据分析处理中的多学科交叉融合,使专业人才培养面临更多前所未有的挑战。为此,通过对大数据背景下,信息与计算科学专业人才培养中存在问题的分析,提出从稳固专业思想、构建课程体系、改革教学方法、搭建实践平台,以及提高师资队伍水平等五方面,对现有的专业人才培养模式进行完善和提升,这对于探索多学科交叉融合人才培养模式,培养高素质的应用复合型人才具有重要的借鉴作用。     

数据科学与大数据技术专业建设研究与实践

在调研国内外数据科学与大数据技术专业建设情况的基础上,提出培养具有行业特色和可持续竞争力的大数据卓越人才的建设目标,阐述如何构建贯通式能力培养的课程体系,构建校企融合协同育人体系,构建多层次一体化的实验环境,培养师资队伍以及构建教学质量持续改进体系,从而形成多层次、多类型、健全的卓越人才培养体系。     

新工科视域下农业院校大数据专业人才培养模式研究

国内数据科学与大数据技术专业是“新工科”专业之一。现阶段,大数据专业人才缺乏,因此探索大数据专业人才培养模式已然成为高校建设的研究重点。本文研究了新工科视域下农业院校大数据专业建设方法,采用校企合作的方式搭建大数据实践平台,以大幅提升学生的实验环境。结合农业院校的特点提出校企协同育人、科研项目融入教学和学科竞赛相结合的大数据专业创新人才培养模式。     

大数据时代计算机专业人才培养研究

大数据给计算机专业人才培养提出新的能力要求,并在教学方法上带来新的变化。针对以上问题,文章提出相应对策,说明计算机人才培养的具体方法。     

Systems science in the new era: intelligent systems and big data

<正>This study introduces the emergence, research challenges,and future development of intelligent systems and big data(ISBD) and discusses the significance of ISBD to systems science. To this end, an overview of systems science is first presented, followed by the conclusion that the development of artificial intelligence(AI) has promoted the derivation and development of intelligent systems(ISs).     

MR-ELM: a MapReduce-based framework for large-scale ELM training in big data era

In the big data era, extreme learning machine (ELM) can be a good solution for the learning of large sample data as it has high generalization performance and fast training speed. However, the emerging big and distributed data blocks may still challenge the method as they may cause large-scale training which is hard to be finished by a common commodity machine in a limited time. In this paper, we propose a MapReduce-based distributed framework named MR-ELM to enable large-scale ELM training. Under the framework, ELM submodels are trained parallelly with the distributed data blocks on the cluster and then combined as a complete single-hidden layer feedforward neural network. Both classification and regression capabilities of MR-ELM have been theoretically proven, and its generalization performance is shown to be as high as that of the original ELM and some common ELM ensemble methods through many typical benchmarks. Compared with the original ELM and the other parallel ELM algorithms, MR-ELM is a general and scalable ELM training framework for both classification and regression and is suitable for big data learning under the cloud environment where the data are usually distributed instead of being located in one machine.     

Holistic data-driven requirements elicitation in the big data era

Digital transformation stimulates continuous generation of large amounts of digital data, both in organizations and in society at large. As a consequence, there have been growing efforts in the Requirements Engineering community to consider digital data as sources for requirements acquisition, in addition to human stakeholders. The volume, velocity and variety of the data make requirements discovery increasingly dynamic, but also unstructured and complex, which current elicitation methods are unable to consider and manage in a systematic and efficient manner. We propose a framework, in the form of a conceptual metamodel and a method, for continuous and automated acquisition, analysis and aggregation of heterogeneous digital sources that aims to support data-driven requirements elicitation and management. The usability of the framework is partially validated by an in-depth case study from the business sector of video game development.

     

大数据时代网络安全及预测技术研究

大数据时代信息技术的快速发展,依托于各类硬件防护设备的网络体系架构的异构数据量每天以指数级的量级递增,基于传统的网络安全防护技术无法有效的适用于具有海量数据的特征网络安全和分析预测等工作,因此海量数据的保存、使用、以及分析等信息挖掘和数据分析预测逐步成为社会各界重视和当前的研究趋势。本文以海量的异构数据为研究对象,识别网络安全大数据的典型特征,结合情报预测的主要方法,创新性的提出了大数据特征下的网络安全预测分析技术,提高网络安全风险识别和预测、俞静能力,有效的改善网络防护效果。     

大数据时代数据挖掘与分析课程教学改革探究

从理论知识、编程实践、工程实战三个方面对数据挖掘与分析课程进行教学改革.课程采用Python编程语言,围绕贵州省经济文化特色及大数据发展战略,充分运用大数据、数据挖掘、知识图谱等新兴技术来分析贵州省各领域现状,挖掘其内在价值.近三年的教学实践证明了该教学改革的创新性和有效性,培养了学生的大数据思维,为贵州省聚焦大数据战...     

大数据背景下的数据挖掘课程教学新思考

当今社会已经步入大数据时代,数据挖掘已经成为商业、医疗、制造业和政务管理等应用领域的重要技术,具有十分重要的社会价值。数据挖掘课程综合了多门学科知识,其教学设计和教学方式直接影响到教学效果和人才培养的质量。针对大数据的特点,以构建课程核心知识体系为主题,采用案例教学法,改革传统的教学评价方式,理论结合实践进行了研究生数据挖掘课程教学创新尝试,其教学达到了预期效果,受到学生好评。     

大数据时代用户信息隐私问题对策研究

在大数据时代,如何解决用户隐私问题已经成为近年来大数据领域学者研究的热点问题之一.文章提出从大数据收集、大数据存储和大数据应用三个阶段进行综合治理,各方联动以共同应对用户信息隐私问题,并针对具体阶段制定相应的对策.     

面向大数据的内存数据管理研究现状与展望

对面向大数据的内存数据管理技术的相关研究进行综述。梳理大数据环境下数据管理技术发展的脉络和格局的变化;分析新环境下的内存数据管理技术面临的发展机遇与研究挑战;介绍相关的前沿研究,其中包括分布式编程模型、混合存储体系结构、内存数据管理等;给出技术和管理上的发展展望。