本专业培养适应国家信息化、智能发展的迫切需要，具有扎实的信息科学、 大数据知识，熟练掌握采集、处理、分析与应用的技术与工具，具有大数据系统设计、实现与应用能力，熟悉相关法规，能够从事各行业大数据分析、处理、服务、开发、系统集成与管理维护等岗位工作，具有多学科交叉能力的复合应用型大数据人才。落实立德树人根本任务，弘扬社会主义核心价值观，坚持育人与育才相统一，培养德智体美劳全面发展的中国特色社会主义合格建设者和可靠接班人。
政治思想道德方面：拥护党的基本路线，热爱祖国，具有全心全意为人民服务的精神；遵纪守法，有良好的社会公共道德和职业道德。
能力培养方面：掌握数据科学与大数据技术专业知识和应用技术，具备从事大数据应用系统设计与实现的能力，具备基本经济分析和决策的能力，具备良好的项目交流、组织、管理、协调的能力，同时具备自主规划职业生涯的能力。
表1 职业能力分解表
专业能力 | 社会能力 | 方法能力 |
（1）具有良好的自然科学基础，扎实的信息科学基础和人文社会科学、管理科学知识 （2）熟练掌握大数据科学与技术核心专业知识和应用技术 （3）掌握数据科学的基本思维方法和研究方法，能够通过对数据的探索和分析挖掘数据价值的初步能力 （4）具备大数据工程项目的系统集成能力、应用软件设计和开发能力 （5）能够针对大数据应用领域的复杂工程问题，开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具
| （1）具备在跨职能、多学科的工程实践团队中协调、管理、竞争与合作的能力，能够将基本的工程管理原理与经济决策方法应用到实践中 （2）具有人际沟通能力，良好的团队协作和管理能力 （3）具备自主学习的能力，具有终身学习意识，运用现代信息技术手段获取相关信息和新技术、新知识，持续提高自己的能力 （4）具备良好的文献检索、研究、分析能力，能够适应数据科学与大数据技术专业新技术的发展 | （1）具备良好的抽象思维、逻辑思维，并运用到复杂工程项目的设计、实施和部署能力 （2）能够结合相关的工程知识进行合理分析，评价专业工程实践和复杂工程问题解决方案对社会、健康、安全、法律以及文化的影响，并理解应承担的责任 （3）具备良好的文献检索、研究、分析能力，能够适应人工智能专业新技术的发展
|
表2 知识、能力和素质结构要求
序号 | 职业岗位描述 | 职业岗位对应知识、能力、素质结构 | 主要链接课程 |
1 | 大数据开发工程师 | 知识：熟练使用Java 语言，可针对大数据组件进行相关开发，能够用最适合的工具解决最合适的问题，熟悉 Hadoop 或 Spark 生态相关技术，熟悉 Oracle 或 MySQL 数据库技术。 能力：有一定的应用系统分析与设计能力，有良好、规范的编程习惯和文档编写习惯。 素质：掌握科学的思维方法、工程设计方法，具备良好的工程素养；具有创新精神；具有严谨务实的工作作风和良好的团队合作能力。 | 数据挖掘技术 大数据库管理 数据采集与预处理 数据分析与融合 大数据可视化 |
2 | 大数据平台运维工程师 | 知识：熟悉Hadoop、spark及其生态圈内相关开源软件的原理及运维方。熟悉 Linux 操作系统，shell 脚本的编写。 能力：具有良好的系统性能优化及故障排除能力。 素质：有较强的学习能力，对技术有钻研精神，热衷于新技术、新理论、新开发实践的学习和实践。 | 操作系统原理 数据库系统原理 大数据库管理 Spark程序设计 数据分析与融合 |
3 | 数据可视化工程师 | 知识：熟悉 Java Web 应用开发、具备一定的架构设计能力，熟悉数据可视化开发技术、熟悉Web前端技术，掌握常用的设计模式、数据模型、数据挖掘相关知识，了解 Web 后端和大数据技术体系。 能力：具有一定的应用系统分析与设计能力，有良好、规范的编程习惯和文档编写习惯。 素质：具有良好团队协作、良好沟通等职业能力，以及良好的文化基础和修养，善于学习新知识。 | JAVA程序设计 数据挖掘技术 数据采集与预处理 大数据可视化 数据分析与融合 |
课程学分自获得时起，有效认证期限为：通识类课程最长不超过10年，其他课程最长不超过6年。
按照本专业培养方案的要求修满最低毕业学分，并达到其他相关毕业要求，即可获得江苏开放大学数据科学与大数据技术专业本科毕业文凭。符合学位授予条件者，可授予工学学士学位。
本专业模块化课程体系以能力为主线，由通识课程、专业必修课程、专业选修课程三个类别构成（见附表），具有灵活性、适应性和开放性，适应在职在岗人员学习。
（一）《数据科学导论》
课程目标：对数据科学领域有基本的认识，并对数据科学产生浓厚的兴趣，理解数据科学与统计学、数学、计算机科学等各个领域的紧密联系，掌握数据科学的思想，掌握进行数据科学研究的基本方法和流程。
课程学分：3学分
课程主要内容：数据采集、数据管理、数据治理、数据分析、数据可视化、大数据平台的基本概念和方法、数据安全与隐私、算法偏见数据伦理问题的应对办法。
实践条件要求：无。
（二）《大数据库管理》
课程目标：了解大数据知识体系；了解Hadoop的发展历史、重要特性和应用现状，Hadoop项目结构及其各个组件，并熟练掌握Hadoop平台的安装和使用方法；掌握Hadoop分布式文件系统HDFS的重要概念、体系结构、存储原理和读写过程，并熟练掌握分布式文件系统HDFS的使用方法；了解分布式数据库HBase的访问接口、数据模型、实现原理和运行机制，并熟练掌握HBase的使用方法；熟练掌握分布式编程框架MapReduce的基本原理和编程方法等。
课程学分：4学分
课程主要内容：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、基于内存的大数据处理架构Spark、大数据在互联网、生物医学和物流等各个领域的应用。
实践条件要求：Hadoop、MapReduce、HDFS、HBase、Spark。
（三）《数据采集与预处理》
课程目标：构建大数据的知识架构，了解大数据处理的全流程，了解数据采集、数据迁移的主流工具和方法，掌握数据预处理的基本原理，并具备开展初级实践的能力，为学生在相关领域的职业发展奠定重要基础。
课程学分：4学分
课程主要内容：大数据概述、数据采集基础、大数据采集架构、大数据迁移技术和工具、数据预处理技术、大数据采集与预处理综合实践等。
实践条件要求：Chukwa、Flume、Scribe、Kafka、kettle。
（四）《数据挖掘技术》
课程目标：了解数据挖掘发展趋势和应用前景，掌握数据挖掘的基本概念，熟悉聚类分析、分类发现和关联规则等数据挖掘算法的使用环境、算法特点，并能进行算法复杂性的分析；了解知识图谱的挖掘方法和挖掘工具；培养能够利用数据挖掘算法解决应用问题的能力。
课程学分：4学分
课程主要内容：数据仓库、OLAP与数据立方体、数据挖掘基础、关联挖掘、聚类分析、分类、神经网络、统计分析、知识图谱等。
实践条件要求：Analysis Services、SQL Server、weka、Eclipse。
（五）《数据分析与融合》
课程目标：了解数据分析与融合基础理论和概念；掌握Numpy的Pandas工具，便捷高效地实施数据加载、数据规整、数据聚合与分组、缺失值填补等数据分析，旨在培养学生对数据分析和融合能力。
课程学分：4学分
课程主要内容：基本的向量数组等概念和在中的使用方法，Pandas的基本数据结构Series、DataFrame；加载不同格式的数据；数据过滤、合并、聚合与分组计算；延伸接口、扩展数据类型。
实践条件要求：Python、Pandas。
（一）课程管理
课程学分与学习时间对应，1学分对应24学时，延续4个学习周；包括自主利用学习资源的学习、与辅导教师互动和与同学互动的学习时间总和。课程根据需要按周开出。
2学分课程约对应48学时，延续8个学习周。
3学分课程约对应72学时，延续12个学习周。
4学分课程约对应96学时，延续16个学习周。
（二）“形势与政策”课说明
1.“形势与政策”课由学校马克思主义学院统一组织开课，统一管理任课教师，宣传部、学生工作处、教务处等相关部门配合做好教学管理工作。
2.马克思主义学院依据教育部每学期印发的《高校“形势与政策”课教学要点》安排教学。
3.“形势与政策”课每学期开课不低于8学时，共计2学分。
（三）主要实践性教学环节
本专业强调实际操作技能的培养，配套设计了毕业论文（设计）和课程实践教学环节。
课程实验和课程设计：大数据可视化实训、大数据技术应用实训。
毕业论文（设计）：毕业论文（设计）是最终的实践环节，有一定的综合性与复杂性，着重培养学生综合运用所学理论知识和技能解决实际问题的能力。通过校企合作，提供学生在相关企业生产一线实践的机会，选择与现实任务相联系的课题，在学校课程导师和企业指导教师的共同指导下完成毕业设计。
（四）教学过程质量保证
1．聘请优秀的学科专家和行业、企业名家担任专业建设的带头人和课程主讲；按照课程教学要求，建设课程教学资源，并建立资源使用评价反馈体系；根据规定的师生比，严格按照要求组建课程教学团队，明确师生对应关系；根据各门课程的特点，制定考核方案，推进多种形式的考核方式、考核内容改革。
2．开展网上匿名学生评教、专家评教、社会公众评教和教师互相评教的活动，针对教学全过程及课程考核资源进行监控、评价和分析、反馈。
你可能感兴趣的专业 更多
