大数据培训课程大纲

大数据培训课程大纲（精选8篇）

1.大数据培训课程大纲 篇一

数据结构课程教学大纲

一、课程基本概况

课程名称：数据结构

课程名称（英文）： Data Structures

课程编号：B09042

课程总学时：60（其中，讲课48，实验12）

课程学分：3

课程分类：专业选修课

开设学期：4

适用专业：计算机网络工程本科

先修课程：集合论，图论，高级语言（结构或记录，指针）

后续课程：数据库，编译原理，操作系统等

二、课程的性质、目的和任务

数据结构是计算机专业的一门核心专业课程，是软件课程中非常重要的一门课程，在整个专业教学中占有十分重要的地位，是一门理论性非常强的课程。通过课堂教学、课外练习和上机实习，使学生了解数据对象的特性，数据组织的基本方法，并初步具备分析和解决现实世界问题在计算机中如何表示和处理的能力以及培养良好的程序设计技能，为后续课程的学习和科研工作的参与打下良好的基础。

三、主要内容、重点及深度

本门课程共60学时，其中理论教学48学时，实验教学12学时。其中，理论教学部分：

第一章

绪论

（一）目的要求

了解数据结构的意义与发展过程、数据结构在计算机科学中的作用、学习本课程的目的、任务及要求。理解数据结构的基本概念；算法设计；掌握算法的时间和空间复杂度。

（二）教学内容 本章知识点：

1.相关的基本概念(掌握)；

2.算法五大要素(掌握)；

3.计算语句频度和估算算法时间复杂度的方法（掌握）。

（三）重点与难点

重点：数据结构的定义；算法的描述方法。

难点：数据结构的定义；算法与程序的区别；时间复杂度及其计算。

第二章

线性表

（一）目的要求

掌握线性表的逻辑结构；线性表的存储结构及操作的实现；理解一元多项式的表示；

（二）教学内容 本章知识点：

1.线性表的逻辑结构(掌握)；2.线性表的存储结构(掌握)；

3.线性表在顺序结构和链式结构上实现基本操作的方法(掌握)；

4.从时间和空间复杂度的角度比较线性表两种存储结构的不同特点及其适用场合(掌握)。

（三）重点与难点

重点：线性表的概念；线性表的顺序存储结构、链式存储结构及其常用算法。难点：链式存储结构及其常用算法；双向循环链表。

第三章 栈和队列

（一）目的要求

掌握栈的定义，表示及实现；表达式求值；栈与递归过程；队列的定义、表示及实现。

（二）教学内容 本章知识点： 1.栈和队列的特点(掌握)；

2.在两种存储结构上栈的基本操作的实现(掌握)； 3.循环队列和链队列的基本运算(熟练掌握)； 4.递归算法执行过程中栈状态的变化过程(掌握)。

（三）重点与难点

重点：堆栈和队列的概念；递归的定义；循环队列和链队列的基本运算。难点：递归的编程实现；循环队列和链队列的基本运算。

第四章 串

（一）目的要求

了解串的逻辑结构，存储结构；掌握串操作的实现(重点难点BF和KMP算法)串的应用。

（二）教学内容 本章知识点：

1.串的七种基本运算的定义（了解）；

2.利用这些基本运算来实现串的其它各种运算的方法(掌握)； 3.在顺序存储结构上实现串的各种操作的方法(掌握)；

4.KMP算法，熟悉NEXT函数和改进NEXT函数的定义和计算(掌握)； 5.串名的存储映象和在堆存储结构实现串操作的方法(理解)。

（三）重点与难点 重点：串定义和存储方法；串的操作 难点：串操作实现方法

第五章 数组和广义表

（一）目的要求

掌握数组的存储结构；稀疏矩阵的表示及操作的实现；广义表的定义和存储结构；广义表的递归算法。

（二）教学内容 本章知识点：1.数组在以行为主的存储结构中的地址计算方法(掌握)； 2.矩阵实现压缩存储时的下标变换(掌握)；

3.理解稀疏矩阵的两种存储方式的特点和适用范围，领会以三元组表示稀疏矩阵时进行运算采用的处理方法(掌握)；

4.广义表的定义及其存储结构，学会广义表的表头，表尾分析方法(掌握)； 5.学习编制广义表的递归算法(掌握)。

（三）重点与难点

重点：多维数组元素存储地址的计算；稀疏矩阵的三元组表示；广义表的存储定义、操作。难点：稀疏矩阵的三元组表示；广义表的存储定义、操作。

第六章 树和二叉树

（一）目的要求

了解树的基本概念；理解二叉树的性质和存储结构；遍历二叉树和线索二叉树；理解树的存储结构和遍历；集合的一种表示方法；掌握哈夫曼树及其应用；

（二）教学内容 本章知识点： 1.二叉树的结构特点(理解)；

2.二叉树的各种存储结构的特点及适用范围(掌握)； 3.按各种次序遍历二叉树的递归和非递归算法(掌握)；

4.二叉树的线索化，在中序线索树上找给定结点的前驱和后继的方法(掌握)； 5.树的各种存储结构及其特点(掌握)； 6.编写树的各种运算的算法(掌握)；

7.建立最优二叉树和哈夫曼编码的方法(掌握)。

（三）重点与难点 重点：二叉树的概念、性质；二叉树的遍历方式；构造二叉排序树。难点：二叉树的遍历方式；二叉排序树的构造方法；二叉树的线索化。

第七章 图

（一）目的要求

理解图的基本概念；图的存储结构；掌握图的遍历及应用{最小生成树，最短路径等}；拓扑排序和关键路径。

（二）教学内容 本章知识点： 1.熟悉图的各种存储结构；

2.了解实际问题与采用何种存储结构和算法有密切联系(掌握)； 3.遍历图的递归和非递归算法(掌握)；

4.应用图的遍历算法求各种简单路径问题（比如，最小生成树、最短路径、拓扑排序、关键路径等）(掌握)。

（三）重点与难点

重点：图的存储结构；图的遍历 难点：图遍历的算法；

第八章

动态存储管理

（一）目的要求

了解边界标识法和伙伴系统；无用单元收集和紧缩；

（二）教学内容 本章知识点：

1.存储器分配策略和算法（了解）；

2.无用单元收集时的标志算法（了解）。

（三）重点与难点

存储器分配策略和算法、无用单元收集时的标志算法

第九章

查找

（一）目的要求

了解静态查找表(顺序表，有序表，索引顺序表)；动态查找表(二叉排序树，平衡二叉树，B-树和B+树)的建立和查找；掌握哈希表的建立，查找及分析；

（二）教学内容 本章知识点：

1.顺序查找、折半查找和索引查找的方法、应用(掌握)；

2.二叉排序树的构造方法(掌握)；

3.二叉平衡树的建立方法(掌握)；

4.B-树，B+树和键树的特点以及它们的建立过程（理解）；

5.哈希表的构造方法(掌握)；

6.按定义计算各种查找方法在等概率情况下查找成功时和失败时的平均查找长度；

7.哈希表在查找不成功时的平均查找长度的计算方法(掌握)。

（三）重点与难点

重点：二叉排序树的构造方法、二叉平衡树的建立方法；哈希表的构造、应用；

难点：二叉排序树的构造及应用；哈希表的构造方法；查找的平均长度。

第十章

内部排序

（一）目的要求

掌握插入排序、交换排序(起泡排序，快速排序)、选择排序(简单选择，树形选择，堆)、归并排序、基数排序等算法。

（二）教学内容 本章知识点：

1.各种排序方法的特点并能灵活应用(掌握)； 2.各种方法的排序过程(掌握)；

3.各种排序方法的时间复杂度分析(掌握)。

（三）重点与难点

重点：各种排序方法的特点及其应用；实现排序的各种算法。难点：各种排序算法的时间复杂度分析。

十一章

外部排序

（一）目的要求

理解外部排序的基本方法；掌握败者树和多路平衡归并的实现；置换--选择排序；最佳归并树。

（二）教学内容 本章知识点：

1.外部排序的两个过程(理解)；

2.外排过程中所需进行外存读/写次数的计算方法(掌握)；

3.败者树的建立过程(掌握)；

4.实现多路归并的算法(掌握)；

5.置换-选择排序的过程(掌握)；

6.最佳归并树的构造方法（熟悉）；

7.按最佳归并树的归并方案进行平衡归并时，外存读/写次数的计算方法(掌握)。

（三）重点与难点

重点：外部排序过程和实现方法；多路并归算法及其实现； 难点：最佳并归树的构造方法及其应用。

实践教学部分：上机实验分4个专题，每个专题可提供2~4个难度不等的题目供选。

实验一

停车场管理系统

（一）实验内容 以栈模拟车场，以队列模拟车场外的便道，按照从终端读入的输入数据序列进行模拟管理。栈以顺序结构实现，队列以链表结构实现。

（二）实验过程 编程实现实验内容。

（三）实验教学基本要求

通过实例，使学生掌握栈和队列两种特殊的线性结构，掌握栈和队列的特点。实验后学生提交实验报告。

（四）实验设备和材料 计算机。

（五）实验学时 4学时

实验二

教学计划编制问题

（一）实验内容

假设任何专业都有固定的学习年限，每学年含两学期，每学期的时间长度和学分上限值均相等。每个专业开设的课程都是确定的，而且课程在开设时间的安排必须满足先修关系。每门课程有哪些先修课程是确定的，可以有任意多门，也可以没有。每门课恰好占一个学期。编制一个教学计划程序。

（二）实验过程编程实现实验内容。

（三）实验教学基本要求

通过实例，使学生熟悉图的各种存储结构的特性，掌握如何应用图结构解决具体问题。实验后学生提交实验报告。

（四）实验设备和材料 计算机。

（五）实验学时 2学时

实验三

最小生成树问题

（一）实验内容

利用克鲁斯卡尔算法求最小生成树。以文本形式输出树中各条边以及他们的权值。

（二）实验过程 编程实现实验内容

（三）实验教学基本要求

通过实例，使学生熟悉图的各种存储结构的特性，掌握如何应用图结构解决具体问题。实验后学生提交实验报告。

（四）实验设备和材料 计算机。

（五）实验学时 2学时

实验四

哈希表设计

（一）实验内容

假设人名为中国人的汉语拼音形式。待填入哈希表的人名共有30个，取平均查找长度的上限为2。哈希函数用除留余数法构造，用伪随机探测再散列法处理冲突。

（二）实验过程 编程实现实验内容

（三）实验教学基本要求 掌握索引技术的使用。

（四）实验设备和材料 计算机

（五）实验学时 4学时

五、课程教学的基本要求和主要环节

本课程可采用课堂讲授、课堂讨论、习题课等进行课堂教学;条件允许可采用CAI、电子教案、幻灯片、参观等进行辅助教学;每章布置3~6道习题以巩固教学;在课程后半程，安排3~4个上机实验，让学生应用数据结构的理论、方法，分组设计几个较大的软件，使理论与实际相结合。

考试采用闭卷方式。总成绩由平时成绩和考试成绩组成。平时成绩占30%，考试成绩占70%。

六、本课程与其它课程的联系与分工

先修课包括：集合论，图论，高级语言（结构或记录，指针）；

后续课包括：数据库，编译原理，操作系统等。

七、建议教材与参考教材

《数据结构》（C语言版）

严蔚敏等

清华大学出版社

1997 《数据结构题集》

严蔚敏等

清华大学出版社

1999

《数据结构习题与解析》

李春葆

清华大学出版社

2004

八、负责人

撰稿人：刘景汇、李玉香

审稿人：

系（院）领导：

2.大数据培训课程大纲 篇二

作为最早提出“大数据时代到来”的企业, 麦肯锡公司曾指出:“大数据已渗透到当今每一个行业和业务职能领域, 成为重要的生产因素。人们对于海量数据的挖掘和运用, 预示着新一波生产率增长和消费者盈余浪潮的到来[1]。”继云计算、物联网、移动互联网之后, “大数据”作为信息技术领域又一次颠覆性的技术革命, 已经在金融、医药、交通、海洋等各个行业以及物理学、生物学、环境学、药学等科学领域广泛应用[2]。

然而, 如何从海量并貌似杂乱无序的数据中揭示内在规律, 挖掘有用信息, 进而通过辅助决策系统、专家系统等进行科学的决策, 是大数据时代面临的重要科学问题。尤其是对这些纷繁复杂的数据进行科学的分析, 实现“数据—信息—知识”[3]三个层次的提炼, 正是“数据分析”课程主要研究的内容。

“数据分析”课程是国内绝大多数高校在信息与计算科学等信息类专业的本科生开设的必修课/选修课[4], 是“概率论与数理统计”课程的后续延伸及应用, 也是“数据挖掘”课程的先修课程。“数据分析”课程主要介绍了数据分析的基本理论与方法, 详细叙述数据分析中线性回归分析、方差分析、主成分分析、典型相关分析、判别分析、聚类分析和Bayes分析等重要的分析方法。虽然“数据分析”课程可看作数理统计学理论与方法的综合应用, 但其更注重实际的应用问题解决的全过程, 从中得到有价值的信息与知识。

在大数据时代下, 大量数据分析处理需求大大助长了各行业及企业对统计、计算机背景相结合的人才的需求[5], 如数据分析师、数据工程师、数据科学家等等, 迫切需要同时掌握数据分析的基本理论与数据分析具体技术, 并且能够通过计算机软件 (SAS、SPSS、Eviews等) 对数据进行分析与处理的复合型人才[6]。通过“数据分析”课程, 学生将初步掌握数据分析的基本理论与方法, 培养和锻炼利用实际数据来分析、解决实际问题的能力, 这些技能将对学生升学深造和就业工作, 具有非常重要的意义。

本文在对“数据分析”课程多年的观察与教学的基础上, 对本科阶段“数据分析”课程存在问题进行深入剖析, 并给出一些初步的建议。

二、存在问题

然而, 笔者在最近几年的授课过程中, 发现“数据分析”课程在学生的学习过程和能力培养方面容易存在以下问题:

1. 理论课程难度较大, 造成学生学习困难。

“数据分析”课程作为“概率论与数理统计”、“高等代数”等课程的后续课程, 需要学生对数学类专业课有比较扎实的基础与深入的理解。如“数据分析”课程中的回归方程的显著性检验方法, 需要学生已经掌握“概率论与数理统计”的多元正态分布的定义和数字特征、假设检验等内容, 同时具有“高等代数”的矩阵运算 (包括矩阵的加、乘法, 求逆阵, 计算特征值和特征向量等) 的基础。同时, “数据分析”与“概率论与数理统计”课程在内容上也是有所差异的:前者强调从实际数据中挖掘尽可能多的有用信息, 属于后者的理论与方法的综合应用。因此, “数据分析”课程的理论难度较大, 对于学生学习提出了很高的要求。

2. 动手能力要求高, 考验学生的编程能力。

“数据分析”课程的知识点不仅仅停留在理论推导上, 对于已经建立的数学模型, 需要借助与计算机对大批量的数据进行处理, 尤其是常用的统计软件在汉化过程中, 不能很好地解决专业术语的翻译。因此在运用计算机软件解决实际问题时, 对学生计算机编程能力和专业外语知识要求也很高。如在SAS中, 有一整套的编程命令, 以命令的方式来建立数据集, 并对数据集进行操作, 甚至在实现某些分析算法 (如Box-Cox变换) 的时候, 还会调用到选择语句和循环语句。学生往往处于被动学习的地位, 只能按照教师的指导, 运行一些简单的程序, 如仅仅敲打书上例题程序, 缺少实验过程中的动手分析、设计和测试环节, 无法发挥学生的积极性与创造性。这样的实验很难让学生体会到实际的数据处理及编程环境, 学会解决编程中碰到的意外问题, 因此难以激发学生的实验兴趣, 从而降低了教学的效果。

3. 对于计算机运行结果, 需要较高的分析问题能力, 考察学生分析能力。

很多同学能够通过计算机调用统计软件中各程序模块的运行, 但仅仅能达到验证结果的目的, 往往对计算结果中所包含的统计学等深层次的含义知之甚少, 更不必说从中提炼出有用的知识。如很多同学知道某统计量的假设检验概率值p<0.0001, 仅表示出现的概率极小, 但不知道其假设条件, 故无法做出统计推断与检验。如此将计算机工具与数据分析强行割裂, 使得学生分析问题的能力很难得到提高。因此, 对于计算机运行结果, 需要较高的分析能力, 找出其问题的本质。

三、课程建议

鉴于上述存在问题, 笔者对大数据时代下“数据分析”课程进行了探索, 提出了如下建议:

1. 建议“数据分析”课程紧密衔接“概率论与数理统计”、“高等代数”等数学类基础课程。

在授课过程中, 根据学生情况, 逐步深入难度。课堂讲授理论学时建议在48个学时以上, 可确保知识的系统性和正确性, 可对教材中内容完整讲解。对于定理的证明, 建议通过黑板等传统手段仔细推导与讲解, 对于部分超出课程要求的繁难的理论证明可以略去或改为学生自学。如在典型相关分析的过程中, 对于典型相关变量和典型相关系数的求法, 可以先给学生讲解有关结果;尤其是计算矩阵平方根的逆矩阵, 着重讲解算法过程。例题和习题的选取, 一般建议选取具有实际背景的观测数据。通过这些例子的分析, 使学生了解数据分析方法的具体应用, 体会数据分析的全过程。有条件的学校可以通过微课视频等形式, 将“数据分析”各个知识点制作成微课, 供学生反复观看使用。

2. 建议增加实验学时, 培养编程动手能力。

建议“数据分析”课程安排上机实验学时不少于16个学时, 选择对常用统计软件 (SAS、SPSS或Eviews) 的一种进行仔细讲解, 使用SPSS或Eviews, 其图形界面可以帮助学生理解复杂的过程, 使用SAS可以让学生了解SAS的编程语言和语法结构。有条件的高校, 建议采用英文版的软件, 可使学生熟悉统计学的专有名词, 为今后的进一步阅读外文文献提供帮助。笔者在实际教学过程中, 结合SAS 9.4展开介绍, 上机实验学时为16课时, 可以使学生有足够的时间进行例题和习题的操作练习。在安排上机的过程中, 根据学生的具体情况, 开展如Box-Cox变换等SAS程序的阅读与编写, 加深对该变换算法的理解和该变换本质———满足线性回归模型的假设条件的理解。

3. 建议增加课程大作业, 实现数据综合分析。

课程大作业可以让学生接触到一个完整的分析问题、解决问题的过程。对于本科生来说, 建议指导教师给出一些具体的题目, 如大城市雾霾天气的影响因素、景点游客满意度等。这些热点问题更容易激发学生的学习兴趣。在大作业中, 鼓励学生通过调查问卷或查阅相关统计年鉴, 以获得相应的原始数据, 并从实际数据中不断挖掘尽可能多的有用信息以及希望从数据中得到的知识。根据计算机运行结果, 进一步分析数据特征, 学会从原始数据到有用信息再到科学知识的一个提炼过程。最后, 通过同学讨论与发言以及教师的点评, 来帮助学生培养分析问题和解决问题的能力。如针对大城市的雾霾天气, 请查找相关数据, 对可能的形成原因进行分析, 提出合理的假设, 并对治理雾霾天气提出合理化建议。可让学生查阅雾霾出现的时间、温度、湿度以及相关的工农业生产指标进行分析, 进行主成分分析等, 尝试寻找导致雾霾的主要原因。

四、结束语

随着移动设备和各类传感器的普及, 数据量已经从TB级跃升到PB、EB级乃至ZB (1ZB=10~21Byte) 级别, 大数据时代已经来临。面对如此惊人的数据, 对于数据的分析和挖掘需求已变得十分的迫切;同时, 充分利用大数据所带来的信息, 如何充分利用这些数据, 使其为国家、企业决策乃至个人服务, 是今后很长一段时间内科学研究和工程技术领域的重要内容。

在这种时代背景下, “数据分析”课程作为信息与计算科学等相关专业的一门重要课程, 将在很大程度上培养学生的数学思维与计算思维, 提升学生的分析与解决实际的问题能力, 增强学生在升学深造和就业工作时的核心竞争力, 更好地融入到大数据时代中去。

摘要：大数据时代下, 迫切需要从海量的数据中揭示内在规律、发掘有用信息、帮助人们科学决策。这正是“数据分析”课程研究的基本内容。本文分析了信息与计算科学等本科专业开设“数据分析”课程中存在的一些问题, 从教学目标、教学内容、教学方式与学时分配等方面, 提出了“数据分析”课程的一些建议及初步探索方案。

关键词：数据分析,大数据,课程探索

参考文献

[1]页川.大数据时代背景下挖掘教育数据的价值[J].中国远程教育, 2013, (4) :94-95.

[2]董志清, 廖正琦.《多元统计分析》课程的教学体会及探讨[J].重庆文理学院学报 (自然科学版) , 2010, (2) :82-84.

[3]董梅生.提高应用统计学课程教学效果的几点体会[J].安徽工业大学学报 (社会科学版) , 2011, (3) :119-120.

[4]梅长林, 范金城.数据分析方法[M].北京:高等教育出版社, 2006.

[5]向程冠, 熊世桓, 王东.浅谈高校大数据分析人才培养模式[J].中国科技信息, 2014, (9) :138-139.

3.大数据培训课程大纲 篇三

【关键词】大数据 统计学 挑战 机遇 教学

【基金项目】贵州省科技厅、贵州民族大学联合基金（黔科合J字LKM[2011]09号）

【中图分类号】G642 【文献标识码】A 【文章编号】2095-3089（2014）08-0235-01

1.引言

“大数据”时代的来临和“大数据”处理技术的发展深深的影响着统计学的发展。能否利用传统的统计理论和统计方法对海量的数据做出快速、准确的处理并获取相关信息？如何对传统的统计理论与方法进行改进或探索新的统计理论和方法来对大数据进行挖掘与处理以获取信息？如何在“大数据”时代背景下培养符合市场需求的统计分析师或数据分析师？如何将“大数据”处理技术融入相关统计学课程教学以促进数据处理与分析技术的发展？这些都是我们在统计学相关课程教学过程中必须思考的一个问题。

2.大数据与统计学

“大数据”随着社交网络、物联网、云计算等的兴起而产生。一般认为大数据具有规模性、多样性、实时性及价值性四个基本特征，包含分析、带宽和内容三个要素。“大数据”在数据来源、数据结构和处理方法方面对传统的统计分析方法产生了冲击。第一，在大数据背景下，数据来源不再是原来的简单抽样，而是“样本即总体”，直接将总体作为研究对象。第二，在大数据时代，研究对象也不是原来单一的结构化数据，由于数据的多样化与规模化，我们更多的是研究非结构数据，采用人工智能来进行数据挖掘和信息获取。第三，数据处理方法也不是简单的采用传统的假设检验方法进行研究，特别是对于统计学中的异常点，不再采取以往的丢弃或者平滑处理方式。

“大数据”处理技术对统计学的发展提出了巨大挑战，但我们必须认识到学科之间的发展是相互交融的，“大数据处理技术”其本质上是数据处理与分析技术，其发展对统计学学科的发展也有积极的一面，同时统计学作为一门独立的学科，有其自身独特的学科优势。首先，海量的数据有利于提高各类统计分析的精度，如减小抽样误差等。其次，较之于传统的统计学方法，现有的“大数据”分析方法难度较大、成本较高、耗时较长。而在实际的应用中，我们关心的不是数据量的多少，而是数据量所蕴含的信息。传统的统计学分析方法是以较少的数据进行精确度相对较高的统计分析，这是“大数据”分析所无法替代的。另一方面，统计学在数据收集方法、模型选择、模型假设以及模型诊断方面有很大优势。而且并不是所有的问题都具有海量的数据，并不是每一个“大数据”问题都適合用现有的“大数据处理技术”来处理。

3.对策与建议

3.1 夯实基础教学

针对以上的分析我们可以看出，大数据对统计学的发展既是机遇，又是挑战。因此我们在教学过程中要夯实统计学基础知识的教学，讲清楚统计学的基本原理与基本方法，特别是数据分析与数据处理的基本原理与方法。对于许多传统领域，如生物、医药以及质量与可靠性工程等，我们面对的多是“小数据”而不是大数据，因此基于样本的统计分析方法仍然是进行此类问题研究的最有效的科学手段。

另一方面，我们要结合大数据技术的特点，对统计学的基本知识进行拓展教育，引导学生思考怎样将已有的统计学基本原理与方法运用到大数据处理的技术研究中。如在大数据环境下怎样进行数据的收集、筛选与甄别、存储与分析等，如何分析并厘清可能的数据来源与范围，如何建立相关指标体系并对数据进行分类，如何制定或调整相应的统计参考标准，以及如何对依靠非传统数据源加工生产的统计数据进行规范的统计推断等。

随着大数据时代的来临，各行各业对具有统计背景知识人才的需求必定越来越多。因此，在统计学教学过程中，一定要结合各专业的特点，特别是“大数据”的特点，切实加强统计学的基础知识教学与拓展教学。

3.2 加强统计学专业软件教学

“大数据”环境下，对统计人才需求也发生了变化。面对海量的数据与多样化的数据，一名合格的统计人才或数据分析人才不单需要良好的统计素养与扎实的统计基础知识，更需要具有数据的存储与整理能力、计算能力以及数据分析与处理能力等。这就要求在教学过程中，加强统计软件或数学软件的教学。

针对传统的“数学证明+手工计算”或“重理论轻专业统计软件”的统计学课程教学模式，可将统计软件或数学软件融入课堂教学并安排一定的课时上机学习统计软件，以此提高学生数据处理能力，加深对统计学基本原理的理解与掌握。

在加强统计软件或数学软件，如SPSS、R、SAS以及Matlab的教学过程中，要摈弃“会软件的操作即会统计技术”的思维，要让学生真正掌握相关操作与相关算法，深入思考算法的实现与相关理论的应用。同时引导学生思考对“大数据处理”的技术要求，包括数据搜集、发掘、存储以及计算分析过程中的算法与设备要求等，引导学生针对大数据进行软件升级与开发。

3.3 突出案例教学与实践教学

大数据的产生和发展源于规模经济问题或超规模经济问题的研究。每一个大数据问题的研究都是与实际经济或社会问题紧密相联的，因此，在实际教学过程中，要突出案例教学与实践教学，由易到难，通过案例教学逐步引入大数据的概念以及大数据处理的基本技术，提高学生的分析全局观以及进行实际数据分析与处理的能力。

教学改革的目的是培养在“大数据”时代背景下，符合市场需求的专业统计人才，而合格的专业统计人才必须具备良好的统计实践能力。案例教学与统计实践活动是培养学生统计实践能力的有效途径。因此，在教学过程中，一方面，教师可融合各种与实际问题相关的案例进行分析和讲解，加深学生对相关统计理论知识的理解，激发学生的学习兴趣，培养学生解决实际问题的能力。另一方面，教师可以组织多种形式的课堂或课堂外的统计实践活动以培养学生统计实践。如，指导学生针对他们感兴趣的与经济、社会发展相关的统计实际问题展开统计研究，设计调查问卷，收集数据、整理和分析数据，撰写研究报告，实现对实际问题的分析和解决等。

4.结束语

总之，在“大数据”环境下我们既要积极面对挑战，又要紧紧抓住机遇，切实结合“大数据”的特点和“大数据处理技术”发展的需求，既加强对传统的统计学方法、统计理论的教学，又积极开展 “大数据“环境下的拓展教学，推动统计学的发展，在数据收集、数据分析以及统计制度等方面进行改革和创新。

参考文献：

[1]李国杰. 大数据研究的科学价值[J]. 中国计算机学会通讯，2012，8（9） .

[2]姜奇平. 2013 全球大数据-大数据的时代变革力量[J]. 互联网周刊，2013，1.

[3]游士兵，张佩，姚雪梅.大数据对统计学的挑战和机遇 [J]. 珞珈管理评论标，2013，2（13）.

作者简介：

4.数据结构与算法课程教学大纲 篇四

数据结构与算法（Data Structures）

计算机技术已成为现代化发展的重要支柱和标志，并逐步渗透到人类生活的各个领域。随着计算机硬件的发展，对计算机软件的发展也提出了越来越高的要求。由于软件的核心是算法，而算法实际上是对加工数据过程的描述，所以研究数据结构对提高编程能力和设计高性能的算法是至关重要的。

非数值计算问题的数学模型不再是传统的数学方程问题，而是诸如表、树、图之类的数据结构。因此，简单地说，数据结构是一门研究非数值计算的程序设计问题的学科，主要研究数据的逻辑结构、存储结构和算法。

一、教学目的与要求---了解数据的逻辑结构和物理结构；

教学要求在每章教学内容给出，大体上为三个层次：了解、掌握和熟练掌握。他们的含义大致为：了解是正确理解概念，掌握是学会所学知识，熟练掌握就是运用所学知识解决实际问题。

教学目的为：了解算法对于程序设计的重要性 ； 学习掌握基本数据结构的描述与实现方法，熟练掌握典型数据结构及其应用算法的设计。了解算法分析方法。

二、教学重点与难点--数据结构中基本概念和术语，算法描述和分析方法。

1、链表插入、删除运算的算法。算法时间复杂度

2、后缀表达式的算法，数制的换算

利用本章的基本知识设计相关的应用问题

3、循环队列的特点及判断溢出的条件

利用队列的特点设计相关的应用问题

4、串的模式匹配运算算法

5、二叉树遍历算法的设计

利用二叉树遍历算法，解决简单应用问题 哈夫曼树的算法

6、图的遍历

最小生成树

最短路径

7、二叉排序树查找

平衡树二叉树

8、堆排序

快速排序 归并排序

三、教学方法与手段-充分利用多媒体教学工具，配合黑板上的教学内容较难部分的算法实现过程演义

四、教学内容、目标与学时分配

教学内容 教学目标 课时分配

1、绪论

数据结构的内容

逻辑结构与存储结构

算法和算法分析

2、线性表

线性表的定义与运算

线性表的顺序存储

线性表的链式存储

3、栈

栈的定义与运算

栈存储和实现

栈的应用举例

4、队列

队列的定义与基本运算

队列的存储与实现

队列的应用举例

5、串

串的定义与基本运算

串的表示与实现

串的基本运算

6、树和二叉树

树的定义和术语

二叉树树的基本概念和术语 遍历二叉数和线索二叉树

二叉树的转换

二叉树的应用

哈夫曼树及其应用

7、图

图的定义和术语

图的存储结构

图的遍历算法

图的连通性

8、查找

查找的基本概念与静态查找 动态查找

哈希表

了解

了解

掌握

熟练掌握顺序表存储地址的计算

掌握单链表的结构特点和基本运算

掌握双链表的结构特点和基本运算

掌握栈的定义与运算

掌握栈的存储与实现

熟练掌握栈的各种实际应用

掌握队列的定义与基本运算

熟练掌握队列的存储与实现

掌握循环队列的特征和基本运算

了解串的逻辑结构

掌握串的存储结构

熟练掌握串的基本运算

了解

了解二叉树

熟练掌握二叉树定义和存储结构

了解二叉树的遍历算法

掌握

掌握哈夫曼的建立及编码

了解

了解

熟练掌握

熟练掌握

了解

熟练掌握

了解哈希表与哈希方法

4学时

1学时

1学时

2学时

8学时

2学时

2学时

4学时

8学时

2学时

2学时

4学时

6学时

2学时

2学时

2学时

6学时

2学时

2学时

2学时

12学时

2学时

2学时

2学时

2学时

2学时

2学时

8学时

2学时

2学时

2学时

2学时

8学时

4学时

2学时

2学时

9、排序

12学时 插入排序

熟练掌握基本思想

3学时 快速排序

了解各种内部排序方法和特点

3学时 选择排序

掌握

2学时 各种排序方法比较

掌握

2学时

实验内容 实验目标 课时分配 算法编程实验：

1、用指针方式编写程序 复习C（C++）语言指针、结构体等的用法

2、对单链表进行遍历

链表的描述与操作实现

3、栈及其操作

描述方法及操作

4、编写串子系统1 串的特点及顺序定长存储、操作、查找

5、编写串子系统 2 串的特点及顺序定长存储、操作、查找

6、编写树子系统1 二叉树的特点及存储方式、创建、显示、遍历等

7、编写树子系统2 二叉树的特点及存储方式、创建、显示、遍历等

8、图子系统

图的邻接矩阵的存储、遍历、广度/深度优先搜索

9、查找子系统

理解查找基本算法、平均查找长度、静态、动态查找等

五、考试范围与题型

1、考试范围与分数比例

1)绪论

12% 2)线性表

17% 3)栈

7% 4)队列

6% 5)串

4% 6)树和二叉树

14% 7)图

15% 8)查找

4% 9)排序

21%

2、考试题型与分数比例

1)名词解释

18% 2)判断对错

16% 3)填空

16% 4)单项选择

18% 5)应用

32%

六、教材与参考资料

1、教材： 实用数据结构基础（谭浩强）中国铁道出版社

2、参考资料： 数据结构（严蔚敏）清华大学出版社

数据结构实用教程（徐孝凯）清华大学出版社

（撰写人：

5.大数据培训课程大纲 篇五

一、课程基本信息

1、课程英文名称：Data Structure Course Designing

2、课程类别：专业基础课程

3、课程学时：2周

4、学

分：2

5、先修课程：《C语言程序设计基础》、《离散数学》、《数据结构》

6、适用专业：信息计算

7、大纲执笔：计算机科学与技术教研室 杨先凤

8、大纲审批：计算机科学学院学术委员会

9、制定(修订)时间：2011年12 一．课程设计性质

本实践性教学环节为信息计算专业所开设的专业基础必修课。是《数据结构》课程的后续配套实践性课程。

二、课程的目的与任务

《数据结构》是一门实践性较强的课程，为了学好这门课程，必须在掌握理论知识的同时，加强上机实践，设置《数据结构课程设计》实践环节十分重要。本课程设计的目标就是要达到理论与实际应用相结合，提高学生组织数据及编写大型程序的能力，并培养基本的、良好的程序设计技能以及合作能力。

1．通过本环节的充分编程实践和实际应用，进一步熟悉与巩固C语言语法知识和程序设计的基本方法;2．通过应用进一步体会数据结构中常用算法的实质,建立算法优劣的概念以及算法评估分析和比较的方法;3．借助适当题材的程序设计实训，加深体会利用数据结构的算法技法和C语言程序设计解决实际问题的基本环节的思维过程;4．利用适当形式的命题，加深体会结构化程序设计的方法, 培养自顶而下、逐步细化的编程思维方式;5．通过一定的文档要求，培养学生良好的程序设计风格,包括程序结构形式,行文格式和程序正文格式等。

三、课程的基本要求

要求通过本实践性环节,能较好地巩固前导相关的C语言程序设计与数据结构课程的相关知识,强化程序的编写和阅读能力，能较好地满足全国计算机软件专业技术资格和水平考试之初级程序员的水平考核要求。

四、课程设计原则

本环节总体上以上机编程独立操作实践为主，教师指导为辅，在实践中不断学习。本环节主要突出实际应用，尤其要强调学生自主设计，独立思考。

五、课程设计内容

每个同学从下面题目中随机抽取2—5个题目（具体选几个，由同学依据自己的能力确定，至少有2个），认真完成，要求程序能运行，将运行结果截图附在课程设计报告里，源程序代码要一同打印附在报告后面。

题目一

城市链表 题目二

约瑟夫环 题目三

线性表的逆置 题目四

商品货架管理 题目五

停车场管理 题目六

文学研究助手 题目七

简单行编辑程序 题目八

二叉树的建立与遍历 题目九

图遍历的演示 题目十

统计成绩 题目十一

员工管理系统 题目十二

工程造价最小问题 题目十三

订票系统 题目十四

迷宫求解 题目十五

校园导游程序

题目十六

运动会分数统计 题目十七

一元多项式计算 题目十八

猴子选大王

题目十九

建立二叉树，层序、先序遍历（用递归或非递归的方法都可以）题目二十

赫夫曼树的建立

题目二十一

纸牌游戏 题目二十二

图的建立及输出 题目二十三

拓扑排序 六.、课程设计的考核方式

采用上机情况、程序质量、实习报告相结合的形式，满分为100分。

1． 上机情况（20%）

包括出勤情况、调试表现。

2． 程序质量（50%）

3． 实习报告（30%）

七、成果形式

除要求提供正确的程序源代码文件及相关数据文件可供演示检查外，应强调文档的分量、完善性和规范性要求，文档应有相当的占分比例。实习报告的开头应给出题目、班级、姓名、学号和完成日期，并包括课题分析、方案确定、概要设计、详细设计、调试分析、用户使用说明、测试结果、附录（带注释的源程序，或文件名清单）等几个主要方面内容。值得注意的是，要注意要求学生实习报告的各种文档资料要在程序开发的过程中逐渐充实形成，而不是最后补写。八.数据结构课程设计参考材料

《数据结构 C语言》 严蔚敏 清华大学出版社 《C言程序设计》 谭浩强 清华大学出版社 《数据结构习题》 李春保 清华大学出版社 《数据结构习题》 严蔚敏 清华大学出版社 《C语言与数据结构》 王立柱 清华大学出版社

6.大数据培训课程大纲 篇六

成都大数据培训班哪家好？学习大数据正是时候

成都国信安大数据培训由副教学总监，优秀讲师带队并亲自授课，秉承成都国信安一贯的专业品质态度，在课程质量，学生素质，就业服务上相当严格要求，并以学业满意就业为目标，打造国内优秀大数据培训班，感兴趣的同学不妨关注国信安教育基地了解一下

在入门阶段对计算机水平的要求并不算高，比如有人建议你学这学那，于是新手们又开始学习这种语言，搞到最后，什么语言都没搞懂，时间大把大把的流失，热情消耗殆尽。要解决这个问题，首先要明白一个根本问题，怎样挑选适合入门的编程语言？

首先，这门语言必须简单易学，有趣，而且要有一定的热度，有热度才能有更多的人一起交流讨论。不仅要想学，还要会学、学好IT技术。未来随着人工智能等一大批新兴行业的兴起势必会引起行业的快速发展。

现在是大数据时代，信息化社会。有人说，掌握大数据，就是掌握着机遇。现在网上的信息技术，程序也好，大数据也好，这些都是编程的各种语言衍生出来的结果，那么初学编程到底该选哪门语言学习呢，下面小编给你说道说道，希望对想要学习编程语言的新人有所帮助。

不同的领域有不同的应用语言，作为初学编程语言的新人该如何选择自己喜欢的编程语言呢？

四川地处中国大西南，肥沃的土地，丰富的自然资源，悠久的历史和绚烂多彩的少数民族文化，构成了多样性的自然和文化旅游资源。随着IT培训的飞速发展以及人们生活水平的提高，IT培训已成为很多80后、90后、00后学技术的首选。但是，没有基础能不能学会成了很多学生和家长担心的首要问题。为此，小编前往学校教学一线，与众多实操大师一起探讨并分析了四川国信安职业培训学校的教学模式以及能否学会等诸多问题。

IT培训这点事，外行看热闹，内行看门道。对于一些相关经验，还是听老师傅的~好了，废话少说，下面来看看小编为大家带来的IT培训相关资讯吧～ 国信安教育基地

近年来，我国大数据产业发展进入爆发期，由于成熟的人才培训体系尚未建立，直接导致人才短缺的问题日益突出。“我们面临的很严重的问题就是应用场景和人才的问题，应用场景的问题是需要时间，人才问题是我这么多年来碰到的最严峻的问题。” 人才不足限制了大数据产业创新发展的成效。清华大学计算机系教授武永卫透露的数据显示，未来3至5年，中国需要180万数据人才，截至目前，中国大数据从业人员只有约30万人。LinkedIn（领英）发布的《2016年中国互联网最热职位人才报告》则显示，数据分析是当下中国互联网行业需求旺盛的6类人才职位之一。

同时，大数据行业选才的标准也不断变化。初期，大数据人才的需求主要集中在ETL研发、系统架构开发、数据仓库研究等偏硬件领域，以IT、计算机背景的人才居多。随着大数据往各垂直领域的延伸发展，对统计学、数学专业的人才，主要从事数据分析、数据挖掘、人工智能等偏软件领域的需求加大。在高端人才稀缺的现实情况下，企业多选择从海外和传统行业挖掘跨界人才，但仍然无法满足国内市场的大量需求。针对大数据人才供应不足的现象，各种培训机构和各大高校也开始强化大数据人才的培养。但培养大数据人才需要时间，在短期内对于大数据领域的高端人才仍然会呈现出供不应求的现象。值得注意的是，今年3月份，教育部公布了第二批获准开设“数据科学与大数据技术”的高校名单，加上第一批获批的北京大学、对外经济贸易大学、中南大学，一共35所高校获批开设该专业。今年开始，部分院校将招收第一届大数据专业本科生。国信安教育基地

对于大数据人才建设，潘文表示，要建立适应大数据发展需求的人才培养和评价机制，并建立健全多层次、多类型的大数据人才培养体系。同时，还要完善配套措施，培养大数据领域创新型领军人才，吸引海外大数据高层次人才来华就业、创业。

成都国信安信息产业基地有限公司（简称“国信安”）是中国电子科技集团公司（简称“中国电科”）下属子集团——中国电子科技网络信息安全有限公司（简称“中国网安”）的全资子公司。于2002年由成都市政府倡导发起，依托中国电科、中国网安的行业和产业集团资源，形成了以信息化和软件技术为核心的教育培训、检测评测、产业促进服务的三大业务群。建立起了研发、测试、教育、人才培训、就业服务为一体的教育业务，旨在为中国电科集团单位，成都乃至西部地区电子信息、信息安全、服务外包等产业领域的发展提供源源不断的人才储备和输送。截至目前，成都国信安已经培养了上千万名学员，学员毕业之后的薪资远远超过其他IT技能培训。独立研发大数据教材，开设的大数据工程师课程、大数据分析课程、大数据可视化课程以及 大数据运维课程，等都受到了广大学员的欢迎！

如果大家需要了解大数据课程或者是获取相关课程资料，可以登陆我们的官网http://进行了解

7.大数据培训课程大纲 篇七

近年来,随着数据的极速膨胀,大数据技术研究越来越深入,并且得到了广泛的应用。因此,为了适应大数据发展的要求,Apache基金会开发了一个分布式系统架构——Hadoop,已成为广泛应用的大数据运算平台。同时,高职院校应调整相关专业的培训计划,增加Hadoop课程教学,调整培养目标,以满足大数据技术发展的人才需求。具体的培养目标是:培养具有计算机网络、大数据及云计算的专业知识,实践能力强、职业道德素养高,具备云平台的管理能力和网络软件开发能力,能够从事网络工程设计实施、网络高级管理维护、网络开发、云平台组建及管理以及大数据存储、计算及分析等岗位的高级技能型人才。

2 Hadoop架构

如图1所示,Hadoop的核心设计就是:HDFS文件系统和Map Reduce编程模型。HDFS为海量的数据提供了存储,则Map Reduce为海量的数据提供了计算。用户可以基于Hadoop开发分布式程序,并且使用集群计算机的能力实现数据的分布式并行处理,实现充分利用集群的威力进行高速运算和存储。

1)Hadoop节点

Hadoop主要包括Master Node主节点和Slave Node从节点。

Master Node主要运行Name Node名称节点和Job Tracker任务追踪,前者主要负责数据存储(HDFS)的调度,后者负责数据并行处理(Map-Reduce)的调度。它们主要运行在管理端服务器上。

Slave Node主要运行Data Node数据节点和Task Tracker实例追踪,它的运行需要大量计算机的支持,完成具体的分布式数据存储以及运行计算。每个Slave Node都运行Data Node和Task Tracker,Task tracker由Job Tracker管理,Data Node由Name Node管理。

2)Hadoop数据流

在Hadoop中,每个Map Reduce任务都被初始化为一个Job,每个Job又可以分为两种阶段:map阶段和reduce阶段。这两个阶段分别用两个函数表示,即map函数和reduce函数。map函数接收一个<key,value>形式的输入,然后同样产生一个<key,value>形式的中间输出,Hadoop函数接收一个如<key,(list of values)>形式的输入,然后对这个value集合进行处理,每个reduce产生0或1个输出,reduce的输出也是<key,value>形式的。

3)Hadoop生态系统

如图2所示,随着Hadoop研究的深入,其它围绕Hadoop的开源项目也在发展,比例HBase、Hive、Pig、Zookeeper等构建了Hadoop生态系统,它们隶属于不同的项目组,提供了更完整的大数据处理方案。其中,生态系统的核心仍是HDFS和Map Reduce。

3 Hadoop课程教学实施

3.1 Hadoop教学平台

1)拓扑结构

现有计算机实验室大多已构建成局域网,因此可以基于现有实验室计算机和交换机,完成Hadoop教学平台的构建。网络拓扑如图3所示。

2)系统要求

Master Node主节点服务器需要较高的运算能力,因此要求使用较快的CPU和较大的内存,其他节点使用原有配置。所有计算机采用Linux Ubuntu 64位网络操作系统,可以提供稳定的网络服务和计算性能。

3)Cloudera CDH开源框架

目前,主要的免费Hadoop提供商为Apache Hadoop(原始版,其他均基于此版本改进)、Cloudera CDH(Cloudera’s Distribution Including Apache Hadoop,CDH)、Hortonworks HDP(Hortonworks Data Platform,HDP)。由于Cloudera CDH的优点,绝大多数应用选择CDH。Cloudera CDH和Apache Hadoop相比主要改进如下:

(1)CDH版本划分清晰,只有CDH3和CDH4两个系列,在兼容性、安全性和稳定性性都比Apache Hadoop要好。

(2)CDH更新速度快,并且能够及时修改Bug,比比Apache hadoop同功能版本提早发布。

(3)CDH支持Kerberos安全认证,与Apache Hadoop简单的用户名认证相比,要安全的多。

(4)CDH文档清晰,便于用户的阅读和操作。

(5)CDH支持多种安装包,安装更灵活,如Yum/Apt包、Tar包、RPM包等。然而,Apache Hadoop只支持Tar包安装。

3.2 Hadoop教学内容

如表1所示,Hadoop教学内容主要包括大数据基础、Hadoop原理、Hadoop实现及Hadoop应用四大模块,每一个模块又包含子模块。

各子模块的具体教学内容如下:

1)大数据基础:大数据概念、云计算、云管理平台。

2)Hadoop基础:Hadoop介绍、Hadoop基本概念、Hadoop应用案例。

3)Hadoop生态系统:HBase数据存储、Flume、Sqoop数据集成、Spark数据处理、Hive、Pig和Impala数据分析、Oozie工作流引擎、Mahout机器学习。

4)Hadoop集群:HDFS文件系统、Map Reduce模型、硬件要求、Hadoop集群搭建

5)Map Reduce原理:Map Reduce API接口、Driver、Mapper及Reducer编写、Eclipse Hadoop开发。

6)Hadoop API使用:Tool Runner的使用、Combiner的使用、Setup和Cleanup的使用、HDFS程序访问、Distributed cache的使用。

7)Hadoop数据处理:Partitioners和Reducers、数据的输入与输出。

8)Map Reduce应用:大数据集的排序与查询、二次排序、数据索引、字频统计、数据集合并。

9)Hadoop工具使用:Sqoop示例RDBMS转成HDFS、Flume示例实时数据管理(日志文件)、Oozie示例、Pig示例。

10)大数据案例应用:HIVE案例应用、HBase案例应用。

4 结束语

文中分析了大数据背景下的应用技术,对人才培养提出了新的要求。另外,基于Hadoop架构,并详细说明了Hadoop课程实施的具体方案,完善了计算机相关专业的教学体系,有效促进了课程改革和调整。

摘要：大数据技术的发展对人才的需求发生了变化,提出高职计算机相关专业增加Hadoop课程作为教学内容,调整人才培养计划,以满足大数据技术岗位的要求。文中分析了Hadoop的架构,并给出了Hadoop教学平台的实施方案和具体的课程教学内容,促进教学改革的实施。

关键词：大数据,高职,计算机,Hadoop课程,教学改革

参考文献

[1]陈吉荣,乐嘉锦.基于Hadoop生态系统的大数据解决方案综述[J].计算机工程与科学,2013,35(10).

[2]陈玺.Hadoop生态体系安全框架综述[J].信息安全研究,2016,2(8).

[3]鲍爱华,陈卫卫.云计算课程内容体系的建设与实践[J].计算机工程与科学,2014,36(A2).

[4]许娟,袁家斌.云计算课程教学内容和教学方法的选择[J].现代计算机,2014(6).

[5]杨旻.Hadoop云计算平台在高校实验室教学环境中的实现[J].电脑知识与技术,2011(9).

8.大数据培训课程大纲 篇八

【关键词】大数据 服装史 体验式 教学改革

【中图分类号】G642 【文献标识码】A 【文章编号】2095-3089（2016）01-0147-02

一、大数据时代背景分析

互联网时代的今天人们用“大数据”来描述和定义信息爆炸时代产生的海量数据，庞大的数据资源使得各个领域开始了量化进程，这一词语主要是用来描述为更新网络搜索索引需要进行批量处理或分析的大量数据集，不仅用来描述大量的数据，还涵盖了处理数据的速度。随着“大数据”时代的到来人们的思维领域、商业领域、管理领域都发生了巨大变革。如今人们获取数据信息的方式众多，网络已经成为了获取数据信息和分享数据前沿的主要平台，大数据网络发展和数据的承载加快了人们认识世界和参与社会活动的步伐。

二、大数据时代对当今高等教育的影响

以往的高等教育模式都是以学年制为主，现在越来越多高等院校开始尝试更加开放式的教学制度，推行学分制模式，这一模式在课程教学及教学管理上都更为灵活，对学生自主学习的能力也提出了更高的要求。“大数据”时代的到来对传统的教学课堂带来不小影响，各种新型的教学媒介和载体的运用为教学服务，各种海量信息的冲击，思维方式的转变，教师们如何利用当下“大数据”时代的优势，培养学生获取有效信息数据的能力，如何对传统的教学课堂、有限的学时量进行拓展，利用新兴的“慕课”、“微课”资源平台去丰富学生的专业视野，从而推动教学改革。

三、目前服装专业史论课程的教学情况

服装史论课程作为在整个专业知识结构中的地位举足轻重。它主要是让学生了解东西方服饰发展的整个过程，不同历史时期、不同地域的服饰特点，认识服装变迁的规律。学生通过对东西方的服装不同特征进行比较，掌握东西方服饰文化的差异，并为现今的服装设计提供借鉴与理论依据。

目前众多高校在此课程在教学形式上和教学手段上比较单一，都是采取老师课堂讲授知识点、学生记笔记的形式，老师平铺直叙，学生也都通过死记硬背的方式进行学习，最终的教学效果不尽人意。传统的教学模式影响学生学习服装史的兴趣，抹杀了其学习主动性，更别提去进一步深入研究，学会运用过去的历史为当今的服装设计服务，同时也让学生对此课程产生了不重视的心理，使此课程在专业知识构架中的地位被削弱。对于授课老师来说，每次的史论课讲授也是身心疲惫，使得许多老师也不愿承担任专业史论课程的教学任务。在作业练习的设置上主要是文字分析形式，难度较低，也不能体现出当今对学生提出的“复合型”、“应用型”、“综合型”全方位发展的要求。

四、运用大数据思维结合“体验式”教学方法的实践

人类的学习过程分为左脑式学习和右脑式学习。左脑式学习重理论，右脑式学习重实践。美国组织行为学教授大卫·库伯提出了体验学习圈，即活动（体验）——发表——反思——理论——应用——活动（体验），依次循环。他认为：有效的学习应从体验开始，进而发表看法，然后进行反思，再总结形成理论，最后将理论应用于实践。“体验式”学习也被看作是“右脑式学习”，在国外教育中非常受重视。

在服装史论课程中导入“体验式”教学方法根据学生的认知特点和规律， 通过创造实际的情境和机会，呈现或再现、还原教学内容， 使学生在亲历的过程中理解并建构知识、培养能力、产生兴趣的教学形式，最终以亲身实践来检验服装史论知识。这种教学方法强调主体对象的亲历性和教学过程的寓教于乐，分为直观感受型、动手操作型、社会调查型、师生置换型、角色模拟型等。教师在授课环节中结合相关视频资料，带领学生去服饰博物馆实地考察收集资料，利用大数据时代优势和海量的网络信息资源进行线上的国内外服饰博物馆学习，让学生能够直观感受到服饰文化的魅力；授课环节中将当今流行的“慕课”、“微课”平台引进课堂，通过线上线下相结合的教学手段来丰富拓展原本的课堂教学；同时培养学生自主学习和团队合作，将师生角色进行互换，学生们分组合作，针对老师所给的问题进行探究，再以团队形式在课堂上进行讲述和发表，“让学生当一回老师”，勇于表达，各抒己见，为其营造思考、分析、研究的空间，同时也使他们的语言表达能力得到锻炼，这种开放课堂、活跃氛围、轻松的学习环境学生非常喜欢和认可。

服装史论课程的作业设置文字形式居多，非常“平面化”，学生也是在较为枯燥的练习中去机械被动地接受知识。授课教师在作业设置时应选择多种形式，加强此课程与先修和后续课程间的联系，例如手绘表现重要时期的服装样式，利用PPT或者电子文件的形式去收集关于某一时期服装风貌的资料，发散思维，让学生也能够顺应大数据时代发展趋势学会利用现有的网络资源将课堂教学进行延伸；还可将一些立体化的作业加入其中，为小人偶或真实比例制作中外服装，用实物进行表现，将以往服装史作业 “立体化”，学生在制作表现过程中会去思考服装三个要素之间如何协调和搭配，充分感受到动手实践制作的乐趣，提升其学习服装史论课的兴趣。

五、改革后的服装史论课程教学效果反馈

服装史论课程教学的目的就是让学生通过学习中外服装发展演变的过程，掌握每一时期的服饰特征，“古为今用、洋为中用、融会贯通”，真正学习研究历史服装，并为现代服装设计提供借鉴。运用大数据思维结合“体验式”教学方法进行课程教学实践效果明显，学生在“开放、轻松”的课堂中了解到古今中外的服饰发展和演变历程，在学习专业知识的基础上“触类旁通”，扩大了知识领域，提升了学习兴趣，加强了实践动手能力，对重点知识的记忆也再不是机械化的，而是在“体验式”情境中进行学习，这种知识的储存也会更持久。

参考文献：

[1]【英】维克托·迈尔-舍恩伯格著.大数据时代.杭州：浙江人民出版社.2013.1.

[2] 周成平.外国优秀教师是如何教学的.南京：南京大学出版社2009.1.

[3]周成平.外国优秀教师的教育特色.南京：南京大学出版社2009.1.

[4]黄能馥 李当岐等编.武汉：湖北美术出版社2002.3.