大数据算法实验教学大纲
《大数据》课程教学大纲(本科)
《大数据》课程教学大纲课程编号：04224课程名称：大数据英文名称：Big Data课程类型：学科选修课课程要求：选修学时/学分：32/2 （讲课学时：28上机学时：4）适用专业：智能科学与技术一、课程性质与任务大数据分析是智能科学与技术、计算机科学技术等专业的一门学科选修课，该课程涉及各类常用的挖掘与分析方法，提供了从数据准备到统计分析、关联规则建立及集成学习等整个数据分析过程的内容。
本课程全面地介绍了大数据处理相关的基本概念和原理，着重讲述了介绍数据挖掘、分析相关的理论、方法及实现工具。
本课程在教学内容方面着重基本知识、基本理论和基本设计方法的讲解；在培养实践能力方面着重数据分析的基本训练，为学生今后从事大数据的研究与预测打下坚实的基础。
（本课程可支撑毕业要求中的3.3, 7.2, 10.1, 12.2）二、课程与其他课程的联系本课程的先修课程为人工智能基础、机器学习等专业基础课程。
通过对人工智能基础的学习能够掌握智能的算法和搜索技术，通过对机器学习能够了解数据的分类、过滤等方法。
这些先修课程为本课程的讲授打下了基础。
本课程的后续课程包括智能机器人、模式识别等。
通过本课程可为后续课程提供理论与方法实践基础。
三、课程教学目标1.考虑社会、健康、安全、法律、文化以及环境等因素，设计一个能实现预期功能的硬件或软件系统，进行仿真研究或开发出系统原型或实物（支撑毕业要求中的3.3）；2.能够评价智能系统工程实践对环境、社会可持续发展的影响（支撑毕业要求中的7.2）；3.将大数据技术作为重点，以应用为目的，全面介绍大数据的数据挖掘与预测方法。
使学生既能对大数据处理技术有一个全景的把握，又能深入理解和使用大数据进行决策。
4.有不断学习和适应智能科学与技术发展的能力（支撑毕业要求中的12.2）5.了解大数据挖掘与预测分析学科的前沿和最新发展动向，具有跟踪学科发展前沿的意识和文献检索基本技能。
（支撑毕业要求中的10.1）四、教学内容、基本要求与学时分配五、其他教学环节（课外教学环节、要求、目标）大作业：1.对数据挖掘的认识。
大数据教学大纲模板
二、课程代码：XX001三、课程类别：专业基础课/专业选修课四、授课对象：计算机科学与技术专业/相关理工科专业五、课程学分：XX学分六、课程学时：XX学时（理论XX学时，实验XX学时）七、先修课程：程序设计基础、数据结构、计算机网络、操作系统原理等八、课程性质与目标：1. 课程性质：本课程是一门理论与实践相结合的课程，旨在培养学生掌握大数据的基本理论、技术和应用能力。
2. 课程目标：- 掌握大数据的基本概念、技术架构和发展趋势。
- 熟悉大数据处理的基本流程，包括数据采集、存储、处理、分析和可视化。
- 掌握大数据技术栈中的关键工具和平台，如Hadoop、Spark、Flink等。
- 能够运用大数据技术解决实际问题，具备一定的项目实践能力。
九、教学内容与要求：1. 大数据概述- 大数据的概念和特点- 大数据的发展历程和趋势- 大数据的应用领域2. 大数据技术栈- Hadoop生态系统：HDFS、MapReduce、YARN、HBase等- Spark：Spark Core、Spark SQL、Spark Streaming等- Flink：流处理框架- 其他大数据技术：Hive、Pig、Impala等3. 大数据存储技术- 分布式文件系统：HDFS、Ceph等- 分布式数据库：HBase、Cassandra等4. 大数据处理技术- 数据采集与集成- 数据清洗与预处理- 数据挖掘与分析- 数据可视化5. 大数据应用案例分析- 电子商务、金融、医疗、物联网等领域的应用案例十、教学方法与手段：1. 课堂教学：讲解基本概念、技术原理和案例。
2. 实验教学：通过上机实验，让学生动手实践，加深对知识的理解。
3. 案例教学：结合实际应用案例，培养学生解决问题的能力。
4. 研究性学习：鼓励学生进行自主学习和研究，提高创新能力。
十一、考核方式：1. 期末考试：占总评成绩的60%，考察学生对理论知识的掌握程度。
2. 实验报告：占总评成绩的20%，考察学生的实践能力和动手能力。
大数据处理与编程实践 教学大纲
《大数据处理与编程实践》课程教学大纲学分：3.5实验学时：56一、课程性质与教学目标《大数据挖处理与编程实践》是信息与计算科学专业本科生的一门专业实践必修课程。
本课程主要介绍应用Python软件及其工具箱在实际问题解决中的应用案例。
学生在学习过程中可以通过大量的应用案例和编程实战的学习，逐步掌握应用大数据技术解决不同领域中实际问题的能力。
本课程的先修课程为大学计算机基础、高等数学、数据结构、数据挖掘、机器学习。
二、基本要求通过本课程的教学，了解应用大数据挖掘的不同方法解决实际问题的基本步骤和思想。
能比较熟练地用Python软件和数据分析工具软件进行关联规则挖掘、聚类分析和分类分析，解决各种实际问题。
三、主要教学方法理论分析、案例讲解、实验演示、讨论、上机实践。
四、实验教学内容第一讲数据分析基础【授课学时】2学时【基本要求】通过介绍数据分析的基本任务和基本建模过程，加深对大数据处理的理解。
【教学重难点】重点：数据分析过程。
难点：分析目标的确定。
【授课内容】数据分析基本任务；定义分析目标；数据采样；数据探索；数据预处理；建立模型;模型评价等。
第二讲Python数据分析【授课学时】10学时【基本要求】学会PythOn的基本操作，熟悉PythOn数据分析工具，掌握利用PythOn调用各种数据分析工具来解决实际问题。
【教学重难点】重点：Python的基本操作和Python数据分析工具。
难点：熟练掌握每种数据分析工具的特点。
【授课内容】PythOn数据分析平台；PythOn数据分析工具；资源配置使用设置等。
第三讲数据探索与数据预处理【授课学时】6学时【基本要求】学习数据探索的基本方法，通过编程来验证和实践每类数据预处理方法（数据缺失值、噪声数据、数据变换、数据降维、数据集成等），加深对每种数据预处理方法的理解和感受。
【教学重难点】重点：据探索的基本方法。
难点：各种数据预处理方法。
【授课内容】数据质量分析；数据特征分析；数据缺失值；噪声数据；数据变换；数据降维等。
大数据课程教学大纲
大数据课程教学大纲大数据课程教学大纲随着信息技术的快速发展，大数据已经成为当今社会的热门话题。
在这个信息爆炸的时代，大数据分析和处理能力已经成为企业和组织中不可或缺的一部分。
因此，大数据课程的教学也变得越来越重要。
本文将探讨大数据课程教学大纲的设计和内容。
一、引言大数据课程的引言部分应该介绍大数据的概念和重要性。
这一部分可以包括以下内容：1. 大数据的定义：什么是大数据？为什么大数据如此重要？2. 大数据的应用领域：大数据在商业、医疗、金融等领域的应用案例。
3. 大数据的挑战和机遇：大数据分析面临的挑战以及大数据分析带来的机遇。
二、数据收集与存储数据收集与存储是大数据分析的第一步。
这一部分应该包括以下内容：1. 数据收集方法：如何收集大数据？包括传感器、日志、社交媒体等数据收集方法。
2. 数据存储技术：如何存储大数据？包括关系型数据库、NoSQL数据库、分布式存储等技术。
三、数据清洗与预处理数据清洗与预处理是大数据分析的关键步骤。
这一部分应该包括以下内容：1. 数据清洗技术：如何处理脏数据、缺失数据、异常数据等问题？2. 数据预处理技术：如何进行数据规范化、数据变换、数据集成等预处理操作？四、数据分析与挖掘数据分析与挖掘是大数据课程的核心内容。
这一部分应该包括以下内容：1. 数据分析方法：如何使用统计学、机器学习、数据挖掘等方法进行数据分析？2. 数据可视化技术：如何使用可视化工具和技术呈现数据分析结果？五、大数据应用案例大数据课程应该包含一些实际的应用案例，以便学生能够将所学知识应用到实际问题中。
这一部分可以包括以下内容：1. 商业领域的大数据应用案例：如电子商务、金融风险分析等。
2. 社会领域的大数据应用案例：如城市交通管理、医疗健康管理等。
六、大数据伦理与隐私保护在进行大数据分析时，伦理和隐私保护问题也需要被关注。
这一部分应该包括以下内容：1. 大数据伦理问题：如何处理数据隐私、数据安全等伦理问题？2. 隐私保护技术：如何使用加密、脱敏等技术保护数据隐私？七、大数据课程实践大数据课程应该包含实践环节，让学生能够亲自动手进行大数据分析。
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。
大数据教学大纲
大数据教学大纲
一、前言
随着互联网的快速发展和信息化时代的到来，大数据作为一项新的
技术革新，引起了越来越多的关注。
为了更好地推进大数据教学工作，完善大数据人才培养的体系，本文编写了大数据教学大纲，以期能够
为广大师生提供指导和帮助。
二、大数据教学的概述
1.1 大数据概念
1.2 大数据技术特征
1.3 大数据的应用领域
1.4 大数据行业趋势
三、大数据教学的目标和任务
2.1 培养学生大数据思维方式
2.2 提高学生的大数据技能
2.3 培养学生的团队协作能力
四、大数据教学的课程设置与教学方法
3.1 大数据课程设置
3.2 大数据教学方法
3.3 大数据实验室建设
五、大数据教学的评估与质量保证
4.1 大数据教学评估
4.2 大数据教学质量保证
六、大数据教学的实践与应用
5.1 大数据竞赛与实践
5.2 大数据与企业合作
七、结语
综上所述，大数据教学大纲旨在通过制定更为系统的教学目标、教学内容、教学方法和质量监控制度，来促进大学生的大数据技能与实际应用能力的提升，培养大规模数据处理和分析方面的专业人才，满足现代互联网+时代对高级人才的需求。
《大数据分析》课程教学大纲
《大数据分析》课程教学大纲一、课程基本信息课程名称：大数据分析课程代码：＿____课程类别：专业必修课总学时：＿____学分：＿____适用专业：＿____二、课程的性质、目标和任务（一）课程性质《大数据分析》是一门涉及多学科知识交叉融合的课程，它融合了统计学、计算机科学、数学等领域的知识和技术，旨在培养学生具备大数据分析和处理的能力，以应对日益增长的数据驱动的决策需求。
（二）课程目标1、使学生了解大数据分析的基本概念、原理和方法，掌握大数据分析的流程和技术。
2、培养学生运用大数据分析工具和技术解决实际问题的能力，能够对大规模数据进行采集、存储、处理、分析和可视化。
3、提高学生的数据分析思维和创新能力，能够从数据中发现有价值的信息和知识，为企业和社会的决策提供支持。
4、培养学生的团队合作精神和沟通能力，能够在大数据分析项目中与团队成员有效地协作和交流。
（三）课程任务1、讲解大数据分析的基本概念，包括大数据的特点、数据类型、数据来源等。
2、介绍大数据存储和管理技术，如分布式文件系统、NoSQL 数据库等。
3、教授数据预处理的方法，包括数据清洗、数据集成、数据变换等。
4、讲解数据分析的方法和技术，如描述性统计分析、回归分析、聚类分析、分类分析等。
5、介绍大数据可视化的技术和工具，培养学生将分析结果以直观、有效的方式展示出来的能力。
6、通过实际案例和项目实践，让学生掌握大数据分析的全过程，提高学生的实际动手能力和解决问题的能力。
三、课程教学内容和要求（一）大数据分析概述1、大数据的概念、特点和应用领域。
2、大数据分析的流程和方法。
3、大数据分析的工具和技术。
（二）大数据存储与管理1、分布式文件系统（如 HDFS）的原理和应用。
2、 NoSQL 数据库（如 MongoDB、Cassandra）的特点和使用。
3、数据仓库的概念和构建方法。
（三）数据预处理1、数据清洗的方法和技术，包括缺失值处理、异常值处理、重复值处理等。
《Hadoop大数据技术》课程实验教学大纲
课程代码： 1041139课程名称： Hadoop 大数据技术/Hadoop Big Data Technology 课程类别：专业必修课 总学分： 3.5 总学时： 56实验/实践学时： 24合用专业：数据科学与大数据技术 合用对象：本科先修课程： JAVA 程序设计、 Linux 基础《Hadoop 大数据技术》课程是数据科学与大数据技术专业的专业必修课程，是数据科学与 大数据技术的交叉学科，具有极强的实践性和应用性。
《Hadoop 大数据技术》实验课程是理论 课的延伸，它的主要任务是使学生对Hadoop 平台组件的作用及其工作原理有更深入的了解，提 高实践动手能力，并为 Hadoop 大数据平台搭建、基本操作和大数据项目开辟提供技能训练，是 提高学生独立操作能力、分析问题和解决问题能力的一个重要环节。
实验目的：1.掌握 Hadoop 伪分布式模式环境搭建的方法；2.熟练掌握 Linux 命令(vi 、tar 、环境变量修改等)的使用。
实验设备：1.操作系统： Ubuntu16.04实验/实践项目名称实验一 Hadoop 环境搭建实验二 通过 API 和 Shell 访问 HDFS 实验三 MapReduce 基础编程与 WordCount 程序实验四 HBase 的安装与配置、 Shell 访 问与 Java API 访问实验五 基于 Local 模式的 Hive 环境搭 建和常用操作实验六 Flume 的安装与基本使用 实验七 Sqoop 的安装与基本使用合计对应的课程 教学目标52 1 、2116 6实验 类型 综合性 验证性 验证性综合性验证性验证性 验证性实验 学时 4 4 4422 4 24实验 要求 必做 必做 必做必做必做必做 必做每组 人数 1 1 1111 1序 号 1 2 3456 72.Hadoop 版本：2.7.3 或者以上版本实验主要内容及步骤：1.实验内容在Ubuntu 系统下进行Hadoop 伪分布式模式环境搭建。
《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。
《大数据分析技术》课程教学大纲
《大数据分析技术》课程教学大纲一、课程基本信息二、课程教学目标大数据分析技术是分析和处理大数据的手段和方法，当今大数据作为信息的重要载体在信息化社会扮演着重要的角色。
通过研究有关信息获取、信息传输、信息处理与信息控制等核心基础，掌握运用现代计算机工具高效求解科学与工程问题的数学理论与方法。
通过本课程的学习，学生们能够：从大数据中获取有用的信息；提高信息素养；获得驾驭大数据的能力。
三、教学学时分配《大数据分析技术》课程理论教学学时分配表＊理论学时包括讨论、习题课等学时。
《大数据分析技术》课程实验内容设置与教学要求一览表四、教学内容和教学要求第一章大数据挖掘分析概述（3学时）（一）教学要求通过本章内容的学习，使学生了解高维海量数据挖掘技术等。
（二）教学重点与难点教学重点：数据挖掘技术教学难点：大数据降维理论与方法（三）教学内容第一节大数据概述第二节数据降维基本原理第三节数据挖掘的起源与发展第二章数据降维（12学时）（一）教学要求通过本章内容的学习，使学生掌握高维数据降维的基本理论与方法等。
（二）教学重点与难点教学重点：常见的数据降维算法的特点教学难点：常见的数据降维算法的原理以及性能（三）教学内容第一节线性与非线性降维技术第二节监督与非监督式降维算法第三节基于全局与局部方法的数据降维本章习题要点：大数据降维技术。
第三章聚类分析及其应用（9学时）（一）教学要求通过本章内容的学习，使学生掌握常见聚类算法及其在大数据分析中的应用等。
（二）教学重点与难点教学重点：聚类算法基本原理、及其归类教学难点：常见聚类算法的优缺点及适宜的数据集、高维数据的聚类结果的有效性（三）教学内容第一节层次聚类（Hierarchical Clustering）1．合并法2．分解法3．树状图第二节非层次聚类1．划分聚类2．谱聚类本章习题要点：聚类算法及其应用。
第四章大规模机器学习（12学时）（一）教学要求通过本章内容的学习，使学生掌握大规模机器学习算法及其在大数据分析中的应用等。
关于大数据的教学大纲
关于大数据的教学大纲大数据的教学大纲随着信息技术的快速发展，大数据已经成为当今社会中一个热门的话题。
大数据的应用已经渗透到各个行业，包括商业、医疗、金融等等。
了解和掌握大数据的知识和技能已经成为现代教育的重要组成部分。
因此，制定一份完善的大数据教学大纲就显得尤为重要。
一、引言在引言部分，我们可以简要介绍大数据的定义和重要性。
大数据是指规模庞大、复杂多样的数据集合，这些数据集合可以被用于提取信息、推断模式和支持决策。
大数据的重要性在于它可以帮助我们发现隐藏在数据中的有价值的信息，从而帮助我们做出更加准确的决策。
二、基础知识在这一部分，我们可以介绍一些关于大数据的基础知识。
首先，我们可以讲解大数据的特点，如数据的规模、速度和多样性。
其次，我们可以介绍一些常见的大数据技术和工具，如Hadoop、Spark等。
最后，我们可以讲解一些基本的数据处理和分析方法，如数据清洗、数据挖掘等。
三、大数据的应用在这一部分，我们可以介绍大数据在不同领域的应用。
例如，在商业领域，大数据可以帮助企业分析市场趋势、预测销售量等，从而制定更加有效的营销策略。
在医疗领域，大数据可以帮助医生分析患者的病历数据，提供更加个性化的治疗方案。
在金融领域，大数据可以帮助银行分析客户的消费习惯和信用记录，从而评估风险和制定贷款政策。
四、大数据的伦理和法律问题在这一部分，我们可以讨论大数据所带来的伦理和法律问题。
例如，大数据的应用可能会侵犯个人隐私，我们应该如何保护个人隐私？另外，大数据的分析结果可能会带来偏见和歧视，我们应该如何避免这些问题的出现？同时，我们还可以介绍一些相关的法律法规，如数据保护法和隐私法。
五、大数据的未来发展趋势在这一部分，我们可以展望大数据的未来发展趋势。
随着技术的进步，大数据的规模和复杂性将会继续增加。
同时，大数据的应用将会涉及更多的领域，如智能交通、智能家居等。
我们可以讨论一些相关的技术和趋势，如人工智能、物联网等。
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随着信息技术的迅速发展，大数据分析成为了当今社会中一个热门的话题。
大数据分析技术的应用范围广泛，从商业到医疗，从政府到教育，无处不在。
为了培养学生对大数据分析的理解和应用能力，制定一份完整的大数据分析教学大纲是非常重要的。
一、引言在引言部分，我们可以介绍大数据分析的定义、背景以及重要性。
大数据分析是指通过收集、存储和分析大量的数据来发现模式、趋势和洞察力的过程。
随着互联网的普及和技术的进步，我们面临着海量的数据，这些数据蕴含着无限的价值。
因此，掌握大数据分析技术对于个人和组织来说都至关重要。
二、基础知识在基础知识部分，我们可以介绍大数据分析所涉及的基本概念和技术。
包括数据收集、数据存储、数据处理和数据可视化等方面。
学生需要了解不同类型的数据源，如结构化数据和非结构化数据，以及如何有效地收集和处理这些数据。
此外，学生还需要学习数据存储和管理的技术，如关系型数据库和分布式文件系统。
最后，学生需要学习如何使用数据可视化工具，将分析结果以图表、图像等形式展示出来。
三、数据分析方法在数据分析方法部分，我们可以介绍一些常用的数据分析方法和技术。
例如，学生可以学习如何使用统计学方法来分析数据，如描述统计和推断统计。
此外，学生还需要学习一些机器学习算法，如聚类、分类和回归。
这些算法可以帮助学生从数据中发现模式和关联，并进行预测和决策。
四、实践案例在实践案例部分，我们可以引入一些实际的案例来帮助学生将所学知识应用到实际问题中。
例如，学生可以分析某个公司的销售数据，找出销售增长的原因和趋势。
又或者，学生可以分析某个医院的病人数据，预测病人的风险和治疗效果。
通过实践案例的学习，学生可以更好地理解和掌握大数据分析的实际应用。
五、伦理和法律问题在伦理和法律问题部分，我们可以引入一些与大数据分析相关的伦理和法律问题。
例如，学生需要了解数据隐私和安全的重要性，并学习如何保护个人信息。
此外，学生还需要了解数据使用的合法性和道德性，并遵守相关的法律和规定。
- 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)。
《大数据算法》实验教学大纲
大纲制定（修订）时间： 2017 年 11 月
课程名
称：《大数据算法》课程编码： 0 课程类别：专业基础课课程性质：选修
适用专业：通信工程
课程总学时： 40
实验（上机）计划学时： 8
开课单理学院
一、大纲编写依据
1.信息与计算科学 2017-2020 版教学计划；
2.信息与计算科学专业《大数据算法》理论教学大纲对实验环节的要求。
二、实验课程地位及相关课程的联系
1.《大数据算法》是信息与计算科学专业的一门专业方向课程；
2.本实验项目是《大数据算法》课程综合知识的运用；
3.大数据不论在研究还是工程领域都是热点之一，算法是大数据管理
与计算的核心主题，通过上机实验，不仅巩固学生在课堂上所学的知识，加深对大数据算法的理解，更重要的是通过实验题目，提高学生的动手能力，增强学生就业的竞争力；
4.本实验为后续的毕业设计有指导意义。
三、本课程实验目的和任务
1.理解大数据算法的基本理论，训练运用大数据思想对实际问题进行分析、设计、实践的基本技术，掌握科学的实验方法；
2.培养学生提炼、分析问题和独立解决问题的能力；
3.通过实验使学生能够正确使用一种大数据算法环境；
4.通过综合性、设计性实验训练，使学生初步掌握简单的概率算法、
I/O 有效算法、并行算法的设计方法；
5.培养正确记录实验数据和现象，正确分析算法性能的能力，以及正确书写实验报告的能力。
四、实验基本要求
1.实验项目的选定依据教学计划对学生实践能力培养的要求；
2.巩固和加深学生对大数据算法设计与分析方法的理解，提高学生结合运用所学知识解决问题的能力；
3.实验项目要求学生掌握大数据算法基本知识、MapReduce简单编程技术，并运用相关知识自行设计实验方案，完成解决一定问题的小型程序。
4.通过实验，要求学生做到：
（1）能够预习实验，自行设计实验方案，并撰写实验报告；
（2）学会一种大数据算法开发环境的使用，能利用该环境编制简单的外存有效的算法以及并行算法，验证课程中涉及的知识点，并独立设计算法解决某一实际问题；
（3）能够独立分析程序运行结果，分析算法性能
五、实验内容和学时分配
六、教材（讲义、指导书）
1.《大数据算法》，王宏志编著，机械工业出版社，2015
2.《算法导论》（第 3 版），（美）Thomas , Charles , Ron aid , and
Clifford Stein 著，陈建平，徐云等译，机械工业出版社，2007.
3•《大数据实验手册》，刘鹏编，电子工业出版社，2017年
七、考核方法和评分标准
1.按照实验指导书的具体要求，根据每个学生实验前的预习准备，
实验过程的考查，实验操作情况及实验报告的质量，综合给出实验成绩
2.实验评分应包括三个方面：
（1）实验预习回答提问占20%
（2）实验操作能力及实验纪律占40%
（3）实验报告占40%
3.评分等级
评分成绩分优、良、中、及格和不及格五个等级。
优：90分以上
良： 80-89 分中： 70-79 分
及格： 60-69 分
不及格： 59分及以下
具体评定标准如下：
优：实验纪律、预习、操作技能很好，实验报告书写工整无原则错误；
良：实验纪律、预习、操作技能较好，实验报告中原则错误不超过一个；
中：实验纪律、预习、操作技能一般，实验报告中原则错误不超过两个；
及格：实验纪律、预习、操作技能较差，实验报告中原则错误不超过三个；
不及格：实验中严重违章违纪，预习、实验技能均较差，实验报告中数据严重错误。
八、使用说明
1. 本实验教学大纲一般随课程进度进行安排，也可集中安排；
2. 完成实验教学内容，并提交相应实验报告。