當下，我國大數據、人工智能產業正在從起步階段步入黃金期，我國已成為數據資源大國。據媒體報道，我國大數據人才空缺，為十大高薪職業之一，供求比超過1:14。同時，我國人工智能人才的供求比例僅為1：10，人才缺口超過500萬。在總規模超過30萬億元的“新基建”中，5G、大數據中心、人工智能等新型基礎設施建設成為亮點。
2020年3月，教育部又批準了137所高校建設“數據科學與大數據技術”本科專業，批準51所高校建設“大數據管理與應用”本科專業。“數據科學與大數據技術”專業從2015年開始申報，迄今已有668所高校成功申報。“大數據管理與應用”專業從2017年開始申報，迄今已有83所高校成功申報。迄今為止，全國共有1355所職業院校成功申報了“大數據技術與應用專業”，為大數據應用型、實戰型人才培養奠定了基礎。
據專業備案結果顯示，2019年全國共有180所高校成功申報人工智能專業，新增智能制造工程專業高校80所、機器人工程專業高校62所以及智能科學與技術專業高校36所，同時全國成功申報人工智能技術服務專業的高職院校達到171所。
為了深入推進產教融合、協同育人，打破院校與企業間的人才培養“邊界”，探索新的人才培養機制和模式，培養具有創新能力、符合產業要求的復合型、創新型人才，為新舊動能的轉換提供人才支撐，成為不少院校探索和思考的方向。
針對目前高校面臨的課程、師資、科研支撐、成果轉化等瓶頸，云創專業共建結對子計劃可為合作院校提供“共同制定人才培養計劃、建設教材體系、高質量免費培養師資、全套專業課高質量免費在線直播教學、設計實驗室建設方案、協助學生實習、協助學生高質量就業、共建教育部協同育人項目、聯合科研項目申報與研究、聯合發表高質量論文、聯合科研成果報獎、助力科研成果轉化”共12項免費服務，在教育領域反響十分強烈。
其中，高質量免費培養師資和全套專業課高質量免費在線直播教學作為重要的兩項服務，受到不同層次高校的廣泛好評。而全套專業課高質量免費在線直播教學采用“雙師模式”——直播間老師負責授課，現場助教老師負責輔導，可以大大解決大數據和人工智能師資緊缺問題，提升教學質量。
為了幫助高校大數據和人工智能專業建設快速落地，培養創新人才，云創大數據將從本學期5月25日開始，推出《大數據》、《大數據導論》、《人工智能》以及《人工智能概論》免費在線直播課，歡迎各高校選修。注：以上課程只支持在線直播學習，不支持回放回看學習。
《大數據》和《人工智能》適合于本科高校大數據/人工智能專業必修課程和非大數據/人工智能專業選修課程，《大數據導論》和《人工智能概論》適合于高職高專院校大數據/人工智能專業必修課程和非大數據/人工智能專業選修課程。同時，為了保障高校的教學實踐效果，云創大數據還將為選修以上四門課程的高校免費提供大數據實驗平臺（本科與高職兩大平臺，金融、電子商務、數學統計等多個版本，共有424個大數據實驗）和人工智能實驗平臺（目前實驗總數為117個），讓高校享受到直播授課+答疑解惑+實驗實戰等個性化的服務和指導。
各高校對以上課程感興趣，且有意向選修（可同時選擇多門），只需請相關負責人根據意向課程在下方小程序中提交學校名稱、班級數、總人數、聯系人、手機號碼等信息，即可享受云創大數據提供的全套專業課高質量免費在線直播教學服務。
?
云創大數據還計劃從下學期9月份開始提供9門大數據和人工智能專業的專業直播課程，敬請期待！具體課程如下：
大數據（本科）：《大數據》、《Python程序設計》、《云計算》
大數據（專科）：《大數據導論》、《Python語言》、《云計算導論》
人工智能（本科）：《人工智能導論》、《Python程序設計》、《人工智能數學基礎》
人工智能（專科）：《人工智能概論》、《Python語言》、《云計算導論》
如有疑問，請咨詢宋倩：
聯系方式：
郵箱：songqian@cstor.cn
手機：13905177044
大數據（適合于本科高校）
一、課程性質、目的與要求
課程性質：本科高校大數據專業必修課程、非大數據專業選修課程。
課程目的：通過對大數據的相關知識介紹，使學生掌握大數據的概念和原理，熟悉大數據的理論與算法，了解大數據未來發展趨勢，能夠利用所學知識，進行大數據應用實現和算法設計，培養學生運用大數據技術解決大數據行業應用問題。
課程要求：本課程系統介紹了大數據的理論知識和實戰應用，包括大數據概念與應用、數據采集與預處理、數據挖掘算法與工具、R語言、深度學習以及大數據可視化等，并深度剖析了大數據在互聯網、商業和典型行業的應用。期望學生對大數據處理技術有比較深入的理解，能夠從具體問題或實例入手，利用所學的大數據知識在應用中實現數據分析和數據挖掘。
二、教學內容
總學時：36學時
第1章 大數據概念與應用 2學時
基本要求：熟悉大數據的概念與意義、大數據的來源、大數據應用場景及大數據處理方法等內容。
重點：大數據的定義、研究內容與應用。
難點：無。
第2章 數據采集與預處理 4學時
基本要求：熟悉常用的大數據采集工具，特別是Apache Kafka數據采集使用方法；熟悉數據預處理原理和方法，包括數據清洗、數據集合、數據轉換；掌握數據倉庫概念與ETL工具Kettle的實際應用。
重點：Apache Kafka數據采集、數據清洗、數據倉庫與ETL工具。
難點：ETL工具Kettle的實際應用。
第3章 數據挖掘算法 6學時
基本要求：熟悉常用的數據挖掘算法，內容上從分類、聚類、關聯規則和預測模型等數據挖掘常用分析方法出發掌握相對應的算法，并能熟練進行數據挖掘算法的綜合應用。
重點：分類算法、聚類算法、關聯規則、時間序列預測。
難點：數據挖掘算法的綜合應用。
第4章 大數據挖掘工具 4學時
基本要求：熟練掌握機器學習系統Mahout和大數據挖掘工具Spark Mllib下的分類算法、聚類算法、協同過濾算法的使用，并對其他數據挖掘工具有所了解。
重點：Mahout安裝與使用、Spark Mllib工具的使用。
難點：Mahout和Spark Mllib工具的使用。
第5章 R語言 4學時
基本要求：了解R語言的發展歷程、功能和應用領域；熟悉R語言在數據挖掘中的應用；掌握R語言在分布式并行實時計算環境Spark中的應用SparkR。
重點：R語言基本功能、R語言在數據挖掘中的應用、SparkR主要機器學習算法。
難點：R語言與數據挖掘。
第6章 深度學習 4學時
基本要求：了解深度學習的發展過程和實際應用場景，并結合人腦的工作原理，理解深度學習的相關概念和工作機制，做到能夠熟練使用常用的深度學習軟件。
重點：人腦神經系統與深度學習、卷積神經網絡、深度置信網絡、循環（遞歸）神經網絡、TensorFlow和Caffe。
難點：人工神經網絡。
第7章 大數據可視化 4學時
基本要求：熟悉大數據可視化的基礎知識；掌握文本可視化、網絡可視化、時空數據可視化、多維數據可視化等常用的大數據可視化方法，可通過Excel、Processing、NodeXL和ECharts軟件實現數據的可視化。
重點：數據可視化流程、大數據可視化方法、大數據可視化軟件與工具。
難點：時空數據可視化、多維數據可視化。
第8章 互聯網大數據處理 4學時
基本要求：掌握互聯網信息抓取技術，能夠通過互聯網信息抓取、文本分詞、倒排索引與網頁排序這4個主要步驟實現互聯網大數據處理，并能夠熟練運用。
重點：Nutch爬蟲、文本分詞、倒排索引、網頁排序。
難點：倒排索引。
第9章 大數據商業應用 2學時
基本要求：熟悉用戶畫像和精準營銷的構建；熟悉廣告推薦系統的建設；熟悉互聯網金融的應用方法。
重點：用戶畫像構建流程、用戶標簽、廣告推薦、互聯網金融應用方向。
難點：信用評分算法、分類模型的性能評估。
第10章 行業大數據 2學時
基本要求：以地震大數據、交通大數據、環境大數據和警務大數據為例來熟悉行業大數據的應用，學會利用數據創造價值。
重點：理解數據和數據分析在業務活動中的具體表現。
難點：無。
三、課程安排
通過在線直播的方式進授課。授課時間為：2020年5月25日開課
具體課程安排如下：
四、課時分配
五、建議教材與教學參考書
大數據導論（適合于高職高專院校）
一、課程性質、目的與要求
課程性質：高職高專院校大數據專業必修課程、非大數據專業選修課程。
課程目的：本課程力求加深學生在程序設計方法上的理解和把握，通過相關的事例讓學生對各知識點先了解，再理解，最后逐步掌握。整個過程融“教、學、練”于一體，加強學生實踐動手能力、獨立思考問題和解決問題的能力，達到正確靈活地利用操作系統各知識點來解決相關問題的目標，并為后續專業基礎課程、專業課程的學習奠定扎實的基礎。
課程要求：本課程在教學過程中，根據高職培養應用型人才的特點，以典型工作任務為主線、以各種資源管理為核心，以培養能力和提高興趣為目標，變應試為應用，重視在新形勢下的新方法、新規則和新思想的傳授。著重培養學生能靈活應用這些思想和方法的能力。課程教學中要遵循理論來自于實踐的原則，融“教、學、練”于一體，體現“在做中學，在學中做，學以致用”，以增強知識點的實踐性，激發學生的學習興趣。在實踐教學環節中則融入相關理論知識，突出理論來自于實踐和指導實踐的作用，使學生的知識應用根據學習的內容提升一個新的高度。
具體目標：
知識目標
?大數據基本概念和應用
?大數據的架構
?大數據的采集和預處理
?大數據的存儲
?大數據分析
?大數據可視化
?大數據的商業應用
技能目標
?大數據的基本概念和應用范圍
?理解大數據架構的相關概念
?理解大數據采集和預處理相關的概念，掌握數據采集相關技術的應用，了解大數據預處理相關技術
?理解大數據存儲相關概念，掌握大數據存儲相關技術
?了解大數據分析相關概念，了解大數據分析的相關技術
?理解數據可視化的相關概念，掌握大數據可視化的相關技術
?了解大數據的商業應用情況
二、教學內容
總學時：36學時
第1章 大數據基本概念和應用 2學時
基本要求：了解大數據的相關概念，了解大數據的來源、特征和意義、了解大數據的表現形態、了解大數據的各種應用場景。
重點：大數據的定義、大數據的市場應用。
難點：無。
第2章大數據的架構 4學時
基本要求：掌握大數據的分類，了解數據類型，了解大數據的解決方案、理解Hadoop的核心設計，了解Hadoop的平臺搭建。
第3章 大數據的采集和預處理 8學時
基本要求：熟悉常用的大數據采集工具，特別是Apache Kafka數據采集使用方法；熟悉數據預處理原理和方法，包括數據清洗、數據集合、數據轉換；掌握數據倉庫概念與ETL工具的實際應用。
重點：Apache Kafka數據采集、數據清洗、數據倉庫與ETL工具
重點：分類算法、聚類算法、關聯規則、時間序列預測。Apache Kafka數據采集、數據清洗、數據倉庫與ETL工具。ETL工具Kettle的實際應用
難點：數據挖掘算法的綜合應用。
第4章 大數據的存儲 6學時
基本要求：理解大數據存儲相關概念、理解數據倉庫的概念，了解數據倉庫的組成和構建方式、掌握大數據存儲相關技術的應用。
重點：云存儲系統的結構模型、分布式文件系統、數據庫。
第5章 大數據分析 8學時
基本要求：了解大數據分析相關概念，了解大數據分析的相關技術，通過上機項目實例進行練習。
重點：數據分析方法、數據挖掘算法。
第6章 大數據可視化 6學時
基本要求：熟悉大數據可視化的基礎知識；掌握文本可視化、網絡可視化、時空數據可視化、多維數據可視化等常用的大數據可視化方法，可通過Excel、Processing、NodeXL和ECharts軟件實現數據的可視化。
重點：數據可視化流程、大數據可視化方法、大數據可視化軟件與工具。
難點：時空數據可視化、多維數據可視化。
第7章 大數據的商業應用 2學時
基本要求：了解國外大數據應用經典案例以及以地震大數據、交通大數據、環境大數據和警務大數據為例來熟悉行業大數據的應用，學會利用數據創造價值。
重點：理解數據和數據分析在業務活動中的具體表現。
三、課程安排
通過在線直播的方式進授課。授課時間為：2020年5月26日開課
具體課程安排如下：
四、課時分配
五、建議教材與教學參考書
人工智能（適合于本科高校）
一、教學內容
總學時：24學時
第1章緒論 2學時
基本要求：了解人工智能是什么，它如何發展到現在的，以及它的研究范疇，以及應用領域有哪些。
重點：人工智能涉及的研究范疇和應用領域
難點：無
第2章知識表示 2學時
基本要求：熟悉知識與知識表示的定義及知識表示方法、謂詞邏輯表示法、了解產生式規則表示法，掌握知識圖譜的表示方法及框架，了解腳本表示法。
重點：知識圖譜的表示方法
難點：無
第3章智能搜索 2學時
基本要求: 基本要求熟悉搜索技術相關概念；熟悉廣度優先算法，深度優先算法，啟發式算法，遺傳算法，微觀粒子群算法概念，熟悉相關算法流程。
重點：重點：掌握各類搜索算法的基本概念
難點：無
第4章自動推理 1學時
基本要求：了解確定性推理的幾種方法，包括：自然演繹推理、歸結演繹推理等。了解非確定性推理的幾種方法：包括概率方法、主觀Bayes方法、可信度推理方法、模糊推理方法。
重點：無
難點：無
第5章機器學習 2學時
基本要求：熟悉機器學習基本概念，熟悉機器學習相關算法概念，熟悉機器學習簡單實驗（7行代碼）。涉及算法類別有（1）有監督；（2）無監督；（3）概率圖模型；（4）集成學習；熟悉相關數學公式以及算法展示結果
重點：機器學習相關算法類別的機器以及算法概念
難點：
第6章深度學習 4學時
基本要求：了解深度學習的形成過程、模型訓練的基本方法、正則化方法，深度學習中的優化方法，以及深度學習的軟硬件實現。
重點：BP神經網絡原理，正反向傳播
難點：無
第7章卷積神經網絡 3學時
基本要求：了解卷積神經網絡的發展過程，以及卷積神經網絡中各種結構的計算過程，包括，卷積層、池化層、全連接層。此外還要了解兩個經典的卷積神經網絡LeNet和AlexNet網絡的結構，能夠基本看懂網絡中的各個結構代表什么操作。
重點：卷積層、池化層、全連接層是如何計算的
難點：無
第8章循環神經網絡 2學時
基本要求：了解循環神經網絡的基本工作原理、模型缺陷、其他變體以及在各方面的應用。
重點：RNN的工作原理及它的應用
難點：RNN變體的計算方式的理解
第9章自然語言處理 3學時
基本要求：了解自然語言處理基礎理論與應用范圍，掌握自然語言模型，掌握情感分析基本原理，了解自然語言模型在消歧中的應用。
重點：自然語言模型，情感分析基本原理
難點：無
第10章分布式智能 1學時
基本要求：了解分布式智能的三種形式，包括：多智能體系統、邊緣計算系統和群體感知系統。還要了解四種人工智能協同體系，以及分布式智能的幾種應用。
重點：分布式智能涉及到的技術有哪些
難點：無
第11章 智能機器人 1學時
基本要求：了解智能機器人的基本概念、智能機器人關鍵技術、智能機器人控制策略、智能機器人在各領域的應用情況。
重點：無
難點：無
第12章人工智能前沿 1學時
基本要求：了解智人工智能的前沿技術及其基本原理。
重點：無
難點：無
二、課程安排
通過在線直播的方式進授課。授課時間為：2020年5月26日開課
具體課程安排如下：
三、課時分配
四、建議教材與教學參考書
人工智能概論（適合于高職高專院校）
一、教學內容
總學時：22學時
第1章AI時代的起航 2學時
基本要求：大致了解人工智能是什么？它的發展經過、常見應用、幾種流派。以及目前人工智能面臨的機遇和挑戰，還有我們學習人工智能應該需要具備怎樣的能力。
重點：人工智能三個階段的主流技術以及這些技術的局限性，目前的幾個流派以及其代表算法。
難點：無
第2章感受AI 1學時
基本要求：了解人工智能在各個行業的應用，以及目前各種應用的大概水平
重點：無
難點：無
第3章知識圖譜與知識表示 2學時
基本要求：掌握基本命題邏輯及一階謂詞邏輯，熟悉基于知識的表示方法，了解知識圖譜與知識庫，了解如何使用python構建基于知識圖譜的問答程序。
重點：命題邏輯、一階謂詞邏輯
難點：無
第4章搜索技術 2學時
基本要求：了解什么是搜索技術，以及基于廣度、深度、啟發式的搜索技術有哪些，它們是如何工作的。此外還需要了解遺傳算法和微粒群算法的基本工作原理。
重點：搜索技術涉及到的各種方法。
難點：遺傳算法和微粒群算法的原理理解
第5章機器學習 4學時
基本要求：了解什么是機器學習，知道機器學習數據集標注和劃分的方法，模型評估的方法，以及按照學習方式劃分的各種算法，包括有監督學習算法中的線性回歸、決策樹、SVM算法，無監督學習中的聚類、關聯分析、降維等算法，還有集成學習的一些算法。
重點：機器學習的分類及常見算法
難點：各種算法中數學思想的理解
第6章深度學習 4學時
基本要求：要了解深度學習是什么，怎么發展到現在的，以及人工神經網絡、卷積神經網絡，強化學習的的工作原理和應用，還要了解目前的深度學習主流框架等相關知識。
重點：人工神經網絡的工作原理
難點：誤差反向傳播算法，強化學習工作原理
第7章 自然語言處理 4學時
基本要求：了解自然語言處理應用領域，熟悉詞法分析、句法分析、語義分析的基本原理與方法，了解如何使用python進行中文文本分析與可視化。
重點：詞法分析、句法分析、語義分析的基本原理與方法
難點：無
第8章智能控制技術 1學時
基本要求：了解自動控制技術是什么，它的組成和原理是什么。并需要分別了解模糊控制、專家控制、神經網絡控制三種方法
重點：三種模糊控制大致原理
難點：無
第9章工業機器人技術 1學時
基本要求：了解工業機器人是什么，以及目前全球九大工業機器人巨頭。了解工業機器人的核心技術、編程軟件、產業鏈，以及它的操作與維護。
重點：機器人的核心技術
難點：無
第10章建筑智能化技術 1學時
基本要求：熟悉建筑智能化技術概念，了解智能建筑集成系統，了解建筑設備裝置智能化；
了解建筑智能化應用系統；了解建筑智能化系統運維；
重點：熟悉建筑智能化技術概念
難點:無。
二、課程安排
通過在線直播的方式進授課。授課時間為：2020年5月25日開課
具體課程安排如下：
三、課時分配
四、建議教材與教學參考書
?
