大数据分析A教学大纲.doc
大数据教学大纲
大数据教学大纲随着科技的快速发展和互联网的普及，大数据已经成为当今社会中一个重要的领域。
大数据的涌现对企业、政府和个人都带来了许多机遇和挑战。
为了适应这个时代变化的需求，大数据教育应该成为教育体系的一部分。
本文将就大数据教学大纲进行详细介绍，以期给相关教育机构提供一些建议和灵感。
第一部分：导论1.1 大数据的定义和概念- 介绍大数据的基本概念，包括数据类型、数据来源和数据特征等。
1.2 大数据的应用领域- 介绍大数据在商业、医疗、金融等领域的应用案例。
1.3 大数据的价值和意义- 探讨大数据对决策制定、资源规划和业务发展的重要性。
第二部分：技术基础2.1 数据采集和处理技术- 介绍数据采集的方法，如传感器、网络爬虫和人工采集等，并讨论数据清洗和预处理的技术。
2.2 大数据存储与管理- 探讨分布式文件系统、NoSQL数据库和云存储等技术，以及其在大数据存储与管理方面的应用。
2.3 大数据分析与挖掘- 介绍大数据分析的基本方法，如数据挖掘、机器学习和统计分析等，并重点讨论大数据分析的挑战和解决方案。
第三部分：应用案例3.1 商业智能- 分析大数据在市场营销、销售预测和客户关系管理等方面的应用案例。
3.2 医疗健康- 探讨大数据在疾病预测、个性化治疗和医疗资源分配等方面的应用案例。
3.3 城市规划- 介绍大数据在交通流量控制、垃圾处理和资源配置等方面的应用案例。
第四部分：教学方法与评估4.1 教学方法- 探讨大数据教学的教学方法，如案例研究、实践项目和小组合作等，以培养学生的实际应用能力。
4.2 评估方法- 提出大数据教学评估的准则和标准，包括理论考试、实验报告和项目评估等。
第五部分：资源支持5.1 教材和参考书籍- 推荐一些经典的大数据教材和参考书籍，以供教师和学生备用。
5.2 实验室和设备支持- 提供一些必要的实验室设备和软件工具，以支持学生的大数据实践操作。
结语通过本大纲，希望大数据教学能够引导学生了解大数据的基本概念、技术和应用。
大数据分析(A)教学大纲
清华大学大数据方向硕士学位公共必修课课程数据分析学（I）Data Analytics (I)开课单位：数据分析学（I）课程组授课教师: 黎波、张楠、郑路、庞珣、苏毓淞、罗昊、王程韡（暂定）教学目的：本课是针对社会科学和管理类研究学开设的数据分析基本课程。
通过本课的学习，学生将对（大）数据分析的价值、意义和基本原理建立清晰和比较全面的认识，掌握有关数据发掘、处理、建模和解释的基本原理和方法，了解和熟悉数据分析在社会科学研究、商业分析和公共管理等领域的实际案例。
Data Analytics (I) is a graduate level course mainly designed for students with social sciences and management background. The objective of the course to give students a broad overview of the basic principles and applications of data analytics. Students will also be familiar with the various aspects of data analytics such as exploring, managing, modeling and interpreting data. Students’ learning will also be enhanced by their exposure to real life applications of data analytics in social science research, business analysis and public management.主要教材：<Data Mining and Business Analytics with R> by Johannes Ledolter, 2013, Wiley<An Introduction to Statistical Learning: with Applications in R> by Gareth James et al, 2013, Springer<Analyzing Social Networks> by Stephen Borgatti et al, 2013, SAGE<Multilevel and Longitudinal Modeling using Stata> by Sophia Rabe-Hesketh and Anders Skrondal, 2008, Stata教学软件：R, Stata, UCINET教学内容：一、统计分析1.数据分析简介2.概率论基础3.数理统计基础4.R软件简介，使用R进行探索性数据分析5.线性回归模型6.多层次、纵贯性数据分析(Multilevel and Longitudinal Modeling)7.非参数回归二、机器学习8.正则化监督学习（Supervised learning with regularization）9.在抽样统计学(Resampling methods)10.树状模型方法、支持向量机（Tree-based methods, Support vector machines）11.非监督学习：聚类、降维（Unsupervised learning: clustering, dimension reduction）三、综合应用12.文本挖掘和情感分析（Text Mining and Sentiment Analysis）13.社会网络分析（Social Network Analysis）14.政策信息学简介（Policy Informatics）成绩构成：平时作业20%期中考试20%期末考试30%学期论文30%。
《大数据分析导论》教学大纲
《大数据分析导论》教学大纲大数据分析导论教学大纲一、课程简介（100字）本课程是介绍大数据分析领域的基本概念、理论和应用的导论课程。
通过本课程，学生将了解大数据分析的基本原理、方法和工具，学会利用大数据进行数据抽取、数据清洗、数据挖掘和数据可视化分析等数据处理和分析技术。
二、教学目标（200字）1.理解大数据分析的基本概念、理论和方法。
2.掌握大数据处理和分析的基本技术和工具。
3.能够运用大数据分析方法解决实际问题。
4.培养学生的数据分析能力和科学研究思维。
5.培养学生的团队合作和创新实践能力。
三、教学内容（600字）1.大数据分析概述-大数据的定义和特点-大数据分析的应用领域和意义-大数据分析的挑战和机遇2.大数据处理和分析基础-大数据收集、存储和处理技术-大数据分析的基本方法和流程-数据可视化和交互式分析技术3.大数据挖掘技术-数据预处理和特征选择-分类和预测分析-聚类分析和关联规则挖掘-基于时序数据的挖掘4.大数据分析工具和平台- Hadoop和MapReduce基础- Spark和Flink的使用-数据库和数据仓库技术-数据挖掘工具和平台的使用5.大数据分析案例研究-大数据分析在电商、金融、医疗等领域的应用-大数据分析在社交网络和互联网上的应用-大数据分析在政府和企业决策中的应用四、教学方法（200字）1.讲授与讨论相结合：通过讲解理论知识，引导学生理解大数据分析的基本概念和方法，并通过案例分析及讨论，加深学生对理论的理解和应用能力的培养。
2.实践与项目结合：结合实际数据和项目，进行数据抽取、清洗、分析和可视化工作，让学生亲身参与大数据分析的实际操作，提升他们的实践能力和团队合作能力。
3.课堂演示与实验：通过课堂演示和实验，向学生展示大数据处理和分析的具体技术和工具使用方法，帮助学生掌握相关技术和工具。
4.个人研究与团队合作：鼓励学生进行个人研究和项目实践，同时注重培养学生的团队合作和创新实践能力。
大数据分析基础课程教学大纲详细完整标准版.doc
《大数据分析基础》课程教学大纲课程名称：大数据分析基础适用专业：会计学、审计学、财务管理学时：32学时。
其中理论16学时，实践16学时学分：2学分大纲执笔人：XX大纲审核人：XX制定时间：20XX年XX月一、课程简介：课程类型：专业课课程性质：必修内容要点：随着“大智移云物”（大数据、人工智能、移动互联网、云计算与物联网）技术的发展，很多财会人员正积极向智能可视化的财务分析方向转型。
2019年2月，国际著名咨询机构Gartner公司发布的《商业智能和分析平台魔力象限》年度报告显示，微软超越一切对手，再次成为最具领导力和超前愿景的 BI公司。
本课程以微软Power BI为工具，以案例驱动方式讲解数据分析（数据获取与整理、数据建模、数据可视化）的一般思路及方法，为后续课程打下基础。
先修课程：《计算机基础》、《会计学基础》、《管理学》后续课程：《数据库基础与应用》二、课程培养目标（知识、能力、素质）一级指标二级指标三级指标1.知识目标1. 1通用知识（1）了解大数据相关的基础常识，形成一定的大数据文化；（2）了解数据分析的相关知识，形成一定的数据分析意识。
1.2专业知识（1）理解大数据的定义和数据分析的要求；（2）掌握PowerrBI的使用。
2.能力目标2. 1获取知识的能力（1）能够独立的通过专业书籍、网站资源等信息媒介，获取大数据、数据分析、数据可视化相关的识，具备一定的自学能力；(2)能够通过理论学习、实践操作、综合实验、小组讨论和合作等方式获取知识。
2. 2应用知识的能力(1)能收集、处理、准备和加工数据；(2)能熟练使用PowerrBI完成数据分析和数据可视化2. 3迁移知识能力(1)能够利用数据分析思维去思考和解决生活、工作、学习中遇到的问题；(2)能够通过学习PowerrBI,养成解决类似问题的能力。
3.素质目标3.1团队协作能力通过学生小组形式开展学习与实践，使学生形成良好的团队合作意识与能力，养成良好的团队沟通技巧，能寻找有效的团队学习工作方法。
《大数据分析》教学大纲
《大数据分析》教学大纲大数据分析教学大纲一、课程简介大数据分析是指通过对庞大、多样、复杂的数据进行挖掘、整理和分析，以获得有价值的信息和洞察，并支持决策和业务优化的过程。
本课程旨在介绍大数据分析的基本理论、方法和工具，培养学生的数据分析思维、数据处理和挖掘能力，从而为未来的数据驱动型工作提供基础。
二、教学目标1.理解大数据分析的基本概念和应用场景；2.掌握大数据分析的基本方法和技术；3.培养数据处理和挖掘的能力，能够针对实际问题进行数据分析；4.掌握常用的大数据分析工具和平台，能够进行实际数据分析项目。
三、教学内容1.大数据分析概述a.大数据概念和特点b.大数据分析的意义和应用场景c.大数据分析的挑战和问题2.数据预处理a.数据清洗和去噪b.数据集成和转换c.数据规范化和归一化d.数据离散化和分类3.数据挖掘a.数据挖掘的基本任务和流程b.关联规则挖掘c.分类和预测d.聚类分析和异常检测e.时间序列分析和预测4.大数据分析工具与平台a. Hadoop和MapReduceb. Spark和Spark MLlibc. Python数据分析库（NumPy、Pandas、Matplotlib等）d. 数据可视化工具（Tableau、Power BI等）5.实际案例分析a.电商网站用户行为分析b.社交媒体文本情感分析c.金融欺诈检测d.健康数据监测与预测四、教学方法1.理论讲授：教师通过课堂讲解，介绍大数据分析的基本理论和方法，引导学生理解相关概念和原理。
2.实践操作：通过实际案例和数据集，进行数据分析和处理实验，培养学生的实际操作能力。
3.学生互动：通过小组讨论、问题解答等形式，引导学生积极参与到课堂中，促进知识的交流和分享。
4.课堂演示：教师通过实际案例演示和工具使用演示，帮助学生掌握大数据分析工具和平台的使用方法。
5.作业和项目：布置编程作业和实际项目，让学生在实践中巩固所学知识，并培养解决实际问题的能力。
大数据教学大纲
大数据教学大纲一、引言近年来，随着信息技术的不断发展，大数据已经成为我们生活和工作中不可或缺的一部分。
为了满足社会对专业人才的需求，大数据教育逐渐受到重视。
本教学大纲旨在为大数据教育提供一个详细的教学指南，以确保学生能够全面掌握大数据相关知识和技能。
二、教学目标1. 了解大数据的基本概念和发展趋势；2. 理解大数据的核心技术和方法；3. 掌握大数据分析和挖掘工具的使用；4. 培养学生的数据处理与决策能力；5. 培养学生的团队合作和问题解决能力。
三、教学内容1. 大数据概述1.1 大数据的定义和特点1.2 大数据的发展历程1.3 大数据对社会经济的影响2. 大数据基础知识2.1 数据存储与管理- 分布式文件系统- NoSQL数据库2.2 数据采集与清洗- 数据抓取与爬虫技术- 数据清洗与预处理2.3 数据分析与挖掘- 数据可视化- 数据建模与预测3. 大数据技术框架3.1 Hadoop生态圈- Hadoop分布式存储与计算 - MapReduce编程模型- HDFS与YARN3.2 Spark与大数据处理- Spark核心概念与架构- Spark SQL与流数据处理- Spark机器学习库4. 大数据应用案例4.1 金融领域的大数据应用4.2 零售行业的大数据应用4.3 电子商务的大数据应用五、教学方法1. 理论授课：通过课堂讲解，系统性介绍大数据的基本概念、技术和应用。
2. 实践操作：组织学生进行实际的大数据分析项目，让学生亲自操作和实践，巩固所学知识。
3. 小组讨论：组织学生进行小组讨论，共同解决实际问题和案例，培养团队合作与沟通能力。
六、教学评估1. 期中考试：对学生对于大数据基础概念、技术和工具的理解进行考察。
2. 实践项目评估：根据学生的实际操作能力和项目表现进行评估。
3. 期末论文：要求学生撰写一篇关于大数据应用的论文，评估他们对大数据理论与实践的综合能力。
七、参考教材1. 《大数据导论与应用》作者：李红梅、王小平2. 《大数据技术与应用》作者：张鹏、李建辉3. 《大数据挖掘与分析方法》作者：王亚南、杨新华八、教学资源1. 大数据分析软件：Hadoop、Spark等2. 数据采集与处理工具：Python、R、SQL等3. 数据可视化工具：Tableau、Power BI等九、结语通过本教学大纲，我们旨在培养学生在大数据领域的专业能力和实践能力，帮助他们适应社会发展对大数据专业人才的需求。
大数据测试分析教学大纲
大数据测试分析教学大纲大数据测试分析教学大纲随着信息技术的迅猛发展，大数据已经成为当今社会中不可忽视的一部分。
大数据分析作为一门重要的学科，对于培养学生的数据分析能力和解决实际问题的能力具有重要意义。
为了更好地引导学生学习大数据测试分析，制定一份完善的教学大纲是必不可少的。
一、引言大数据测试分析作为一个新兴的学科，本节将对大数据测试分析的基本概念进行介绍，并阐述大数据测试分析在实际应用中的重要性和意义。
二、大数据测试分析的基本原理本节将详细介绍大数据测试分析的基本原理，包括数据收集、数据清洗、数据存储、数据分析和数据可视化等方面。
通过理论讲解和实例分析，使学生对大数据测试分析的基本流程和方法有一个清晰的认识。
三、大数据测试分析的工具和技术本节将介绍大数据测试分析中常用的工具和技术，包括Hadoop、Spark、Python等。
通过对这些工具和技术的学习和实践，学生可以掌握大数据测试分析的实际操作能力。
四、大数据测试分析的实际应用本节将以实际案例为基础，介绍大数据测试分析在不同领域的应用。
通过对这些案例的分析和讨论，学生可以了解大数据测试分析在解决实际问题中的作用和效果。
五、大数据测试分析的挑战与发展本节将对大数据测试分析面临的挑战进行分析，并展望大数据测试分析的未来发展趋势。
通过对这些问题的思考和讨论，学生可以加深对大数据测试分析的理解，并为未来的学习和研究提供思路和方向。
六、大数据测试分析的实践项目本节将设计一系列的实践项目，要求学生运用所学的大数据测试分析知识和技术，解决实际问题。
通过实践项目的完成，学生可以巩固所学知识，提升实际操作能力，并培养解决问题的能力和团队合作精神。
七、大数据测试分析的评估与考核本节将介绍大数据测试分析的评估与考核方式，包括平时成绩、实践项目成绩、期末考试等。
通过科学合理的评估与考核，可以全面客观地评价学生的学习成果和能力水平。
八、总结与展望本节将对整个教学过程进行总结，并展望大数据测试分析教学的未来发展。
大数据处理与分析实验课程大纲
大数据处理与分析实验课程大纲一、课程概述本课程旨在介绍大数据处理与分析的基本原理和方法，通过实验帮助学生掌握相关工具和技术，培养学生对大数据处理与分析的实际应用能力。
二、课程目标1. 理解大数据的概念及其在现代社会中的重要性。
2. 掌握大数据处理与分析的基本原理和方法。
3. 掌握常用的大数据处理与分析工具和技术。
4. 培养学生的数据处理与分析能力，提高其解决实际问题的能力。
三、教学形式本课程采用理论授课与实验相结合的教学形式。
理论授课主要介绍大数据处理与分析的基本原理和方法，实验环节通过实际操作帮助学生熟悉相关工具和技术。
四、课程内容1. 大数据概论- 大数据的定义与特点- 大数据在各行业的应用案例- 大数据驱动的社会变革2. 数据获取与存储- 数据获取的常用方法与技术 - 大数据存储技术及其特点 - 数据质量与数据清洗3. 数据处理与预处理- 数据处理的基本原理与方法 - 高效数据处理的技术- 数据的清洗、转换和集成 4. 数据分析与建模- 数据分析的基本概念与方法 - 数据挖掘与机器学习算法 - 数据可视化与分析报告撰写 5. 大数据处理与分析工具- Hadoop与MapReduce- Spark与Spark Streaming- HBase与MongoDB6. 实验项目- 实验一：大数据获取与存储- 实验二：数据预处理与清洗- 实验三：数据分析与建模- 实验四：大数据处理与分析实战五、实验要求1. 学生需按时参加实验课，并完成实验报告。
2. 学生需独立完成实验项目，并按要求提交相关成果。
3. 学生需积极参与实验中的讨论与分享，互相学习，共同提高。
六、考核方式1. 实验报告：占总成绩的40%。
2. 实验项目成果：占总成绩的30%。
3. 期末考试：占总成绩的30%。
七、参考书目1. 《大数据时代》 - 维克托·迈尔-舍恩伯格2. 《数据科学中的R语言实战》 - 特德·帕德奈克,伊恩·培泽尔3. 《数据挖掘：概念与技术》 - 伊恩·哥伦,艾芙·沃曼,威廉·弗雷泽,豪斯洛普八、备注本课程教材可根据需要适当调整，开展额外的课程讲座和学术交流，以拓展学生的知识领域和视野。
《大数据分析》教学大纲
《大数据分析》课程教学大纲
【课程名称】大数据分析
【课程类型】专业必修课
【授课对象】大数据技术与应用、云计算技术与应用专业
【学时学分】周学时6，共72学时，3学分
【课程概况】
《大数据分析》课程是大数据技术与应用、云计算技术与应用专业必修课，是计算机基础理论与应用实践相结合的课程，也是大数据专业的高核心课程，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。
本课程的先修课为《Python程序设计》、《大数据导论》、《数据库设计》和《计算机网络基础》课程，要求学生掌握计算机软件范围的算法结构设计和程序设计的方法，大数据体系结构和网络技术的基本使用方法。
【课程目标】
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。
【课程内容及学时分布】
【课程要求与成绩评定】。
大数据分析课程教学大纲
learn the contents through a series of practical data analysis projects. In each project,
the students implement and experience the data analysis operations and process, then the teacher generalizes the knowledge, methods used in the project, and the
教学内容
学时
数据分析概念介绍
Introduction to data 1
analysis
R 语言学习
3
Learning R
预测水藻爆发项目
Project: Predicting 5
Algae Blooms
数据预处理及试探
性分析
Data preprocessing 1 *教学内容、进度安排及 and exploratory
专业方向选修 A 组-服务领域
授课对象 （Audience）
授课语言
(Language of Instruction) *开课院系 （School） 先修课程
（Prerequisite） 授课教师
（Instructor）
工业工程 全英文（English）
机动学院 (School of Mechanical Engineering)
*课程简介（Description）
related knowledge framework and thinking methods. In this way, the students learn by doing, and gradually master the fundamental methods, skills, and knowledge of data analysis. The main teaching contents include: the data analysis tool R language, data preprocessing, exploratory data analysis (EDA), construction of predication
大数据分析A教学大纲
大数据分析A教学大纲 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】清华大学大数据方向硕士学位公共必修课课程数据分析学（I）DataAnalytics(I)开课单位：数据分析学（I）课程组授课教师:黎波、张楠、郑路、庞珣、苏毓淞、罗昊、王程韡（暂定）教学目的：本课是针对社会科学和管理类研究学开设的数据分析基本课程。
通过本课的学习，学生将对（大）数据分析的价值、意义和基本原理建立清晰和比较全面的认识，掌握有关数据发掘、处理、建模和解释的基本原理和方法，了解和熟悉数据分析在社会科学研究、商业分析和公共管理等领域的实际案例。
DataAnalytics(I)主要教材：<DataMiningandBusinessAnalyticswithR>byJohannesLedolter,2013,Wiley<AnIntroductiontoStatisticalLearning:withApplicationsinR>byGarethJamesetal,2013,Spring er<AnalyzingSocialNetworks>byStephenBorgattietal,2013,SAGE<MultilevelandLongitudinalModelingusingStata>bySophiaRabe-HeskethandAndersSkrondal,2008,Stata教学软件：R,Stata,UCINET教学内容：一、统计分析1.数据分析简介2.概率论基础3.数理统计基础4.R软件简介，使用R进行探索性数据分析5.线性回归模型6.多层次、纵贯性数据分析(MultilevelandLongitudinalModeling)7.非参数回归二、机器学习8.正则化监督学习（Supervisedlearningwithregularization）9.在抽样统计学(Resamplingmethods)10.树状模型方法、支持向量机（Tree-basedmethods,Supportvectormachines）11.非监督学习：聚类、降维（Unsupervisedlearning:clustering,dimensionreduction）三、综合应用12.文本挖掘和情感分析（TextMiningandSentimentAnalysis）13.社会网络分析（SocialNetworkAnalysis）14.政策信息学简介（PolicyInformatics）成绩构成：平时作业20%期中考试20%期末考试30%学期论文30%。
《大数据分析》课程大纲
“大数据分析概论”课程大纲课程名称大数据分析概论Course Name Introduction to Big Data Analysis课程代码学时Course Number 32Course Time 开课学期第 X学期学分Course Semester The X semester Credit公共必修课程 Public Compulsory Courses 课程类别公共选修课程 Public Elective CoursesCourse 专业必修课程 Major Compulsory Courses Category 专业选修课程 Major Elective Courses( 根据情况选择）开课单位Institute适用年级和专业本科生Applicable Students考核方式考试 ExaminationAssessment Method 考查 Test平时成绩占比期末成绩占比Percentage ofPercentage of Final PeacetimeAchievements Achievements先修课程Prerequisite教师团队Team of Teachers教学目标Teaching Objectives《大数据分析概论》课程是满足社会对复合型高级专业人才的需求，培养专业素质高，知识面广的复合型中高级专业人才。
开展《大数据分析概论》课程教学有利于学生理解、学习国内外先进的大数据处理和分析技术，适应时代和国家的要求，培养具有专业技能和广阔视野的研究生，增强学生的竞争力；通过本课程的教学，力求使学生达到：1.引发学生对数据科学的兴趣，明确数据的重要性；2.了解大数据的基本概念，养成数据安全意识；3.熟悉常用的数据分析方法，掌握数据处理的初级操作；4.了解数据可视化的意义和基本方法；5.熟悉大数据在不同领域的应用，探寻大数据在本专业领域的应用；6.激发学生的科研、创业的热情；课程内容简介Teaching Contents本课程将探讨大数据分析的进本概念和方法，内容深入浅出，简单易懂，适合不同专业的学生学习。
- 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)。
清华大学大数据方向硕士学位
公共必修课课程
数据分析学（ I ）
DataAnalytics(I)
开课单位：数据分析学（ I）课程组
授课教师 :黎波、张楠、郑路、庞珣、苏毓淞、罗昊、王程韡（暂定）
教学目的：
本课是针对社会科学和管理类研究学开设的数据分析基本课程。
通过本课的学习，学
生将对（大）数据分析的价值、意义和基本原理建立清晰和比较全面的认识，掌握有
关数据发掘、处理、建模和解释的基本原理和方法，了解和熟悉数据分析在社会科学
研究、商业分析和公共管理等领域的实际案例。
DataAnalytics(I)主要教材：
<DataMiningandBusinessAnalyticswithR>byJohannesLedolter,2013,Wiley
<AnIntroductiontoStatisticalLearning:withApplicationsinR>byGarethJamesetal,2013,Springe r
<AnalyzingSocialNetworks>byStephenBorgattietal,2013,SAGE
<MultilevelandLongitudinalModelingusingStata>bySophiaRabe-HeskethandAndersSkrondal, 2008,Stata
教学软件： R,Stata,UCINET
教学内容：
一、统计分析
1.数据分析简介
2.概率论基础
3.数理统计基础
4.R 软件简介，使用 R 进行探索性数据分析
5.线性回归模型
6.多层次、纵贯性数据分析 (MultilevelandLongitudinalModeling)
7.非参数回归
二、机器学习
8.正则化监督学习（ Supervisedlearningwithregularization）
9.在抽样统计学 (Resamplingmethods)
10.树状模型方法、支持向量机（ Tree-basedmethods,Supportvectormachines）
11.非监督学习：聚类、降维（ Unsupervisedlearning:clustering,dimensionreduction）
三、综合应用
12.文本挖掘和情感分析（ TextMiningandSentimentAnalysis）
13.社会网络分析（ SocialNetworkAnalysis）
14.政策信息学简介（ PolicyInformatics）
成绩构成：
平时作业20% 期中考试20% 期末考试30% 学期论文30%。