BE模式下的大数据技术专业建设探讨

管 涛，刘 宁

（1.郑州航空工业管理学院 计算机科学与应用系，河南 郑州 450015；2.航空经济发展河南省协同创新中心，河南 郑州 450015）

1 背 景

1.1 大数据背景

大数据是国家的战略资源，是当今国内外主流的发展趋势之一。发展大数据有利于推动相关产业的进步，引导企业向互联网领域转型，提高政府决策的效率和质量。当前，国内的大数据政策积极向好。2017年，第12届全国人民代表大会第五次会议上李克强总理作政府工作报告，指出要深入实施“中国制造2025”，加快大数据、云计算、物联网应用。

在大数据教育领域，教育部发布了大数据相关专业的政策。2016年，教育部发布的“2015年度普通高等学校本科专业备案和审批结果”中首次增加了“数据科学与大数据技术专业”，北京大学、对外经济贸易大学及中南大学获批。2017年3月，教育部发布了“教育部关于公布2016年度普通高等学校本科专业备案和审批结果的通知”，共32所高校获批“数据科学与大数据技术专业”。纽约大学Vasant Dhar指出：“Data science is the study of the generalizable extraction of knowledge from data。”[1]周傲英等人在《大数据》中介绍了国内外大学开设数据科学课程的分布情况，指出了开设数据科学的必要性[2]。徐吴等人强调数据科学作为通识教育的重要性[3]。

大数据领域就业前景广阔，目前国内外大数据人才缺口巨大，及早完善大数据专业培养体系对人才队伍建设具有重要的意义。2016年，北京大学成立博雅大数据学院，积极探索大数据人才培养模式，致力于解决我国大数据人才极度缺少的问题。博雅大数据学院院长欧高炎指出“人才是大数据产业生存和发展的命脉”[4]。

如何建设大数据专业，开展大数据教研、人才培养工作，目前没有统一的标准，缺少系统化的方法。走在前列的大学积极探索适合自己的教育模式。例如，复旦大学采取“2+2”的本科大数据培养模式；清华大学数据科学研究院开展了大数据硕士项目；鄂维南院士在北京大学建成了本硕博3个层次的大数据教育体系。

解决大数据教育问题，需要根据学校的定位及跨学科、复合型人才的积极参与和领导的前瞻性决策，做好大数据专业的顶层设计，构建大数据专业建设方法论，建立具有学校特色的OBE模式培养体系。

1.2 OBE模式

在传统的教学模式中，课堂教学、课后辅导视角教学更注重知识的传授、解惑和知识模板的套用，较少注重学生在相关学科的能力的培养。为了提高学生的综合能力和素质，国外提出了一种面向基础教育的新模式——outcomes-based education（OBE），目标在于通过课程学习提高学生的分析和解决问题的能力，而不仅仅是学习到课本知识。在OBE的模式中，教师需要根据课程的内容，设置需要达到的目标点（能力达到目标），然后根据知识点撰写教学计划、教学大纲、OBE教案，提出面向能力培养的教学方法、准备相应的课件、制定合理的评价方式等[5-6]。

2 大数据知识体系

2.1 知识体系

大数据是一个多学科交叉的领域，涉及数学、计算机科学、应用领域学科，对人才培养提出了很高的要求。Vasant Dhar教授提到：“A data scientist requires an integrated skill set spanning mathematics,machine learning,arti fi cial intelligence,statistics,databases,and optimization,along with a deep understanding of the craft of problem formulation to engineer effective solutions。”[1]可见，大数据科学家需要涉猎的专业课程十分广泛。对于大数据分析工程师而言，同样要求具备这种多学科交叉的知识，并且需要熟练掌握开源平台的原理和应用。图1展示了大数据从业者需要掌握的基本的学科知识体系。

2.2 大数据的数学基础

从数学体系看，高等数学、线性代数是非数学专业学生的基础性课程，是大学生必备的基本知识。离散数学是计算机领域的基础课程，内容覆盖面广，可以扩大学生的知识面。矩阵计算课程具有一定的难度，适合高年级本科生学习。在应用中，许多大数据问题需要计算大规模矩阵，而这些矩阵规模庞大，或稠密、或稀疏、或对称、或奇异，分解、抽样、求解特征系统、降维、投影都能在该课程中找到经典的解决方法。数理统计是数据分析课程的重中之重，可描述数据统计规律，实现数据清理、变换、分类、降维、聚类、光滑、推断、预测、抽样等功能。随机过程的思想在数据分析多有应用，如时间序列分析、马尔科夫决策过程、高斯过程等，内容适合高年级本科生学习。最优化技术在聚类分析、支撑向量机（SVM）、神经网络模型、EM算法、粒子群优化、蚁群算法、遗传算法、增强学习等领域应用广泛，而这些方法在数据分析领域各有优势。除了图1所示课程之外，在算法分析的过程中，还会涉及组合数学、泛函分析、算子理论、调和分析、图论等内容。图2展示这些数学课程之间大概的层次关系。

2.3 计算机知识体系

从计算机领域看，操作系统、数据库原理、数据结构、程序设计都是基础性的必修课程。分布式数据库、分布式操作系统是大数据分析的基本平台配置，必须熟悉其基本原理和操作。算法分析与设计课程覆盖了贪心算法、动态规划、回溯法、迭代法、分支定界法等经典方法，用途广泛，如网页搜索、路径规划。该课程具有一定的难度，适合高年级本科生学习。数据挖掘和人工智能是专业性较强的课程，内容包括数据分析的常见模型和算法，可作为大数据专业的高年级的必修课程。除了这些基本课程之外，与大数据平台有关的课程细分领域还包括分布式计算模型、并行计算模型、计算机网络、信息安全、机器学习、数据质量、可视化技术等。实践课程是大数据走向应用的重要一环，实习、竞赛、项目开发、模拟都是合适的形式。图3展示了计算机相关课程之间的关系。

图1 大数据的基础课程体系

图2 数学课程层次

图3 计算机课程层次

2.4 应用场景知识

从工程应用的角度看，不同领域的课程体系有差别，但都侧重于学习与数据分析紧密相关的课程。此外，不同领域生产过程产生的数据种类有差别，需要根据不同的需求选择合适的模型或算法。

2.5 大数据知识体系的特点

综合以上可知，大数据知识体系具有如下特点：①体系完整，层次清晰。与大数据技术紧密相关的课程形成了完整的知识层次，由浅入深，从理论到实践。不同定位的大学都可以构建符合要求的知识培养体系。②覆盖面广，具有深度。大数据技术专业学习需要理解深刻的数学原理，熟悉计算机实现手段，还要具备完整的专业领域的知识和数据思维。③跨学科、跨领域集成。大数据专业具有数学、计算机、专业领域属性，前两者是解决问题的工具，后者是工程问题的来源。只有将这3种学科有机整合、形成特色，才能有效地发掘大数据的价值。④应用领域广，分析方法可选择性多。不同的专业领域产生的数据格式、类型、容量、时效性均不同，数据分析的需求和目标亦有差异，从而导致分析工具和方法的不同。

3 OBE模式下大数据专业建设

根据不同学校的性质和需求，大数据专业会有不同的定位。研究型大学更重视大数据基础理论、方法、技术的研究，锻炼3种思维：数学思维、计算思维、数据思维，提升数据分析的分析、综合和深度探索能力，关注大数据核心技术的探索和突破，包括算法、模型、平台架构等。这类研究要求更好的数学基础和计算机综合能力，在人才培养上可以定位为高端研究人员。应用型院校更侧重于大数据与领域结合的应用、创新和实践，满足行业领域的大数据应用分析需求，培养对于工程问题的分析和建模能力、算法设计和实现能力。培养目标更适合定位于工程技术研发人员，归纳3个工程方向：大数据平台的开发；数据挖掘、数据分析和机器学习基础和算法；大数据运维。在OBE的模式下大数据专业建设可以从目标设置、教学内容及教学方式等方面考虑。

3.1 目标设置

不同的大学对于数据科学的目标不一样，在OBE目标设定的过程中存在一定的差异。从理论角度看，大数据研究可以在两个方面开展：①数学能力。注重数学抽象和建模的能力、算法的创新和改进的能力、从工程实践中抽象建模并加以解决的能力、指导工程人员实践的能力。②数据挖掘能力。注重根据工程问题，设计计算可行的算法；数据平台和源码的设计和创新能力。从实践角度，注重以下研究工作：①大数据系统。注重大数据平台的二次开发、优化和运维的能力；②大数据项目开发实践研究。结合应用场景提出大数据项目实施和方案，开展数据分析和挖掘的能力，总结见表1。

表1 研究型和应用型大学OBE目标设置

3.2 教学内容

大数据的教学需要通过理论教学和实践训练完成。二者缺一不可，对于数据分析工程师来讲尤其重要。大数据课程的设置与专业定位有关。结合实践经验，建议授课内容从两个方面考虑：一是大数据基础性课程，提升对问题的理解、抽象和综合分析的能力；二是大数据实践性课程，提升知识应用、动手实践能力，避免眼高手低。课程设置见表2，通过这些课程的学习和训练，可以全面提升学生的综合素质。

3.3 教学方式

首先需要明白几个关系：①大数据理论与大数据实践。大数据理论融合了数学、计算机理论、应用基础领域的知识。大数据实践要在一定的软件架构上实现，使用工具操作和调优，协调各个工具之间的关系。②数学与计算机。大数据是数学与计算机的交叉领域。数学提供了内部的计算方法和技术，计算机科学展示了计算能力，突出直观感受。③大数据平台和数据挖掘。大数据平台是软硬件基础架构，数据挖掘面向行业应用，二者不在同一层次，但是,应用决定基础架构的形式，平台决定应用的水平和性能。

表2 大数据课程设置

在理顺3个关系之后，给出以下3点教学建议：①选择数学课程中与大数据相关的内容重点课堂讲解。传统的数学课程讲究知识的系统性、完整性，在大数据中需要的是能够解决实际问题的数学知识，不追求数学体系的完整性。②讲解计算机重点课程，突出现代性、先进性，删除过时、淘汰的内容。目前大多数计算机课程停留在传统的教学内容上，跟不上科技趋势的发展，这种局面亟待改变。③结合大数据案例，在实践中完整与系统地讲解大数据的基本架构、原理和实现路径。让学生通过开源软件、开放数据进行实践，增加切身感受和成就感。

4 大数据教学组织

大数据涉及的理论内容众多，既有理论又有实践，那么如何开展大数据的教育教学？从几个方面考虑。

（1）教师队伍。可以考虑从数学、计算机专业选拔具有大数据相关课程专长、不同学历层次的教师组成教学队伍，从基础课程到专业课程讲授。对于研究生教学，以不同的大数据领域研究团队、实验室、研究中心为主导，在理论和工程方向分别开展工作，培养研究型或者工程技术人才。

（2）教材选择。目前，还没有大数据方面的统一教材，主要原因在于大数据涉及领域太广，从基础理论到工程实践，有数学的深度，又有工程的复杂。在每个学习阶段，可以选择的传统教材很多，但不足之处在于缺乏大数据内容的阐述。因此，建议在采用传统教材的基础上，补充大数据相关资料，如慕课、学术论文、学术报告、视频、书籍章节等，并选择合适的软件平台或开源软件自拟定项目进行开发。

（3）教学环节。在本科生教学阶段，注重基础理论知识的学习，扩大知识面。同时，利用常用统计分析工具、开源平台开展基本的数据分析工程训练，更多地培养初级数据分析师或培育研究性人才。研究生教学注重深入课程的学习、工程或理论研究，侧重在某些领域的深入和细化。目标是培养高级数据分析师与高级数据分析研究人员。

（4）实践环节。无论是研究型人才，还是工程技术人才，都应当参与一定的工程实践训练。一方面，可以提高研究人员的感性认识、动手能力，让研究人员了解数据的来源和问题的本质，便于更好地在实验室完成需求分析、算法测试、模型优化和过程模拟。另一方面，工程技术人员应当侧重工程实践锻炼，通过项目实战、竞赛、练习等形式开展大数据分析任务。通过学校的产学研合作、校企合作形式及早参与到企业的大数据开发项目中。

5 结 语

面向OBE的大数据专业教育是一门新兴的领域，在建设的过程中会遇到很多困难和问题，都是前所未有的。问题解决和专业规划需要从顶层进行设计，逐步细化、完善，并在研究和教学实践中积累经验，反馈并调整，最终形成比较完善的教学体系。