工程实践及行业需求导向的大数据人才培养

徐国庆

摘 要：大数据作为国家新型战略性产业，其发展与国家信息安全、产业结构升级、智能制造技术的发展紧密相连。随着大数据应用于社会服务，相关技术专业人才的需求成为目前亟待解决的问题之一。如何在新形势下优化高校相关课程，深化专业技术人才培养体系结构调整，实现高端大数据人才的培育成为工业高校面临的问题之一。文中分别针对大数据人才的实际需求、面向大数据的专业人才培养模式、大数据时代的人才培养要求及大数据人才培养课程体系存在的问题进行了深入探讨，提出了工程实践及行业导向的大数据人才培养课程体系。

关键词：大数据;人才培养;课程建设;工程实践;工业技术;智能制造

中图分类号：TP311文献标识码：A文章编号：2095-1302（2019）03-0-02

0 引 言

大數据时代的到来，对专业人才提出了大量需求。而就目前的人才培养来看，无论从数量还是质量上都远未达到要求。大数据是随着物联网技术和数据处理技术的发展而发展的新型学科，是一门典型的多学科交叉的应用型技术，传统的教学及人才培养模式已不能适应大数据的人才培养要求，如何在新的技术时代，改革教学模式，探讨新的大数据人才培养途径和方法，是高校工作者面临的现实问题之一[1]。

1 大数据时代人才培养要求

大数据时代人才培养的具体要求出现了全新的定义与发展，其根本原因在于大数据本身就是一门全新的应用技术学科，在人才培养体系改革和设置过程中，首先要思考对技术的深入认识，并从如下方面进行研究[2-3]。

1.1 大数据是多学科交叉的一门综合技术

大数据是一门多学科交叉的综合技术，随着信息技术从互联网时代向物联网时代发展，数据产生的方式和规模出现了重大的变化。互联网时代的数据主要以多媒体形式及人与人之间的数据交流为主要渠道。涉及的学科主要以网络技术、多媒体技术为主，而大数据是伴随物联网技术发展而产生的，其数据的产生方式除传统互联网之外，主要来源于物物互联的方式。大数据时代的数据以海量、无规则、多类别、模式复杂为特点，是计算机技术、机器学习、统计学、人工智能、分布式存储等众多前言学科的交叉，其综合性和复杂度超过了以往任何一种数据库规模，其处理过程中需要用到多学科的综合知识[4-5]。

1.2 大数据强调基础与实践并重

大数据来源于实践，因此其数据处理与实践结合尤为紧密，大数据人才需要具备扎实的理论知识，对人工智能、深度学习、统计分析等学科有足够深入的理解和掌握，同时要求人才对海量数据的分布式存储、Hadoop分布式数据库、HDFS文件系统、MapReduce分布式数据处理、Spark架构等应用技术有熟练的运用能力，对相关人才培养课程的设置提出了新的要求。目前大数据人才的缺乏主要原因在于大数据对复合型人才的要求，传统课程体系往往过于强调理论知识，忽视了对实践技能特别是多学科综合的实践技能的培养[6]。

1.3 大数据与行业发展密切相关

大数据是深埋在沙下的金矿，其潜在的巨大商业价值是相关行业争相追求的目的所在。大数据的研究最根本的动力是行业的价值驱动。以个性化的商品推荐为例，依托对个人海量大数据的标签处理，实现对用户的消费习惯、潜在意愿等进行深度挖掘，可实现精准的广告投放，获得传统媒体投放广告难以达到的投入收益比，这是行业大数据研究的核心竞争力。研究大数据要与行业紧密联系，针对行业数据的特点，制定具体有针对性的大数据处理策略和方案，获得最佳的分析结果。在大数据相关课程设置中要充分调研行业发展的最新动态，获取行业对大数据人才的实际要求[7]。

2 目前大数据人才培养课程体系存在的问题

大数据作为新型学科，其发展的前沿性导致目前诸多高校对大数据人才培养的课程体系建设比较片面，对大数据人才培养的核心问题认识不足，在课程设置上随意性较大，存在课程重点不突出、衔接随意性大、基本投入不足、师资力量再培训不足等问题，使得目前大数据人才培养质量距离行业的实际要求存在较大差距。

2.1 课程设置重点不突出，优势不明显

课程设置上，延续传统的网络工程、数据库处理的课程体系，知识相对比较陈旧，缺乏对分布式数据处理、深度学习、多元统计分析等核心课程的更新和引入，内容和架构基本没有太大的变化。特色和优势不明显，教学中仍然多采用课堂授课为主，对大数据的核心技术深入较少，往往只是在概念上的机械灌输，实践课程基本为传统关系型数据库的介绍和应用。学生难以对分布式数据库的基本原理和应用、大数据特征、智能处理方法和实例结果有一个明确感性的认识，导致学科没有突出的优势，达不到培养的目标[8]。

2.2 对行业的前沿发展动向把握不够

作为行业导向和技术结合较为紧密的学科，大数据与行业发展的关系是与生俱来、共同发展的。脱离了具体的行业应用空谈大数据处理，是肤浅流于表面的。课程设置上，对行业的发展前沿缺少足够的把握。按照摩尔定律的观点，每18个月，技术上就会出现一次变革，物联网技术领域尤其如此，其大数据更加具有时效性，因此单纯围绕现有的学科架构设置培养方案，忽视行业发展的影响造成了大数据人才培养模式的观念滞后，培养质量难以与行业的实际需求对接[9-10]。

2.3 师资技术储备更新不足

多学科交叉是大数据专业的特点，尤其是将分布式数据库、物联网技术、数据挖掘、深度学习等诸多前沿学科知识进行综合应用是大数据最为显著的特点。对师资的技术储备、不断学习、自我提升及紧跟技术发展前沿等提出了更高的要求。但目前师资配备上，由于缺乏对相关技术更新和跟进，师资知识结构存在较大滞后，难以应对大数据人才培养的知识深度要求，往往在课程设置上避重就轻，避实就虚，一些关键技术和课程一带而过，或直接忽略，仅讲述一些共识性较为落后的知识技术。师资技术的储备不足导致了课程培养的效果难以达到实际要求[11]。

3 工程实践及行业需求导向的大数据人才培养课程体系

大数据人才培养，应以工程实践为抓手，以行业需求为目标，切实加强专业技能的培养和实践过程，大力提倡应用型、实践型人才培养。围绕这一目标，在课程体系设置上要重视对实践环节和实训环节的教学课时投入[12-13]。

3.1 强化学科交叉，重视统计与计算机的融合

大数据的多学科交叉特点要求在课程设置上加以体现，特别是计算机相关学科和统计学科的结合，同时考虑到学时限制和难度控制，在课程知识点涉及面上以宽幅面、多实践为导向。数学课程设置上，突出统计学、数据挖掘、大数据分析、非参数统计、多元统计分析、回归分析、时间序列分析等应用类数学课程课时，大数据处理上，注重加强机器学习、分布式数据库、Python大数据处理语言，实践环节结合大数据的应用要求，加强Hadoop分布式数据库应用、HDFS文件系统操作、大数据聚类分析等内容，切实提升学生的实践技能。

3.2 强化实践技能，重点培养解决问题能力

行业大数据处理对学生解决实际问题的能力提出了更高的要求，特别是一些互联网巨头公司在人才引进的考核指标上，明确指出了应具备的具体技能。如数据科学家岗位要求能够全面实施大数据分析规划，有很强的执行力;数据分析师则偏重于业务，系统架构设计和模型设计;数据工程师需要完成抓取数据、清洗数据、分布式存储、云计算设计;数据架构师则针对数据中心的设计和架构，这方面的人才需求最为热门;数据产品经理要求完成数据和业务结合，完成数据产品设计研发。

3.3 深化校企合作，引进企业课堂

大数据最终的应用场景在于行业产品研发，因此大数据课程架构中要密切加强与企业的合作，深化校企对接，在具体的执行过程中，可引入企业课堂，将企业的研发经验和产品过程，甚至项目管理等相关环节的实际执行方案作为第一手实践素材引入课堂，一方面可提升学生对大数据的实际应用的感性认知，一方面通过校企合作，建立联合实验室，促进学校实践课程中的硬件设施的完善，进一步提升企业形象，实现校企双方共赢发展。

4 结 语

大数据人才培养是一个系统工程，特别强调实践过程应用，在具体的课程设置上，要充分考虑工程实践及行业需求导向，加强学生的实践技能及工程应用能力培养，同时应当切实加强与行业之间的联系，通过建立联合实验室、引入企业课程、开辟实践基地等举措，为人才培养质量的提升创造良好的条件。

参 考 文 献

[1]黄晋.关于大数据人才培养的思考与探索[J].教育教学论坛，2014（45）：201-203.

[2]李金昌.大数据与统计新思维[J].统计研究，2014（1）：10-17.

[3]邱东.大数据时代对统计学的挑战[J].统计研究，2014（1）：16-22.

[4]曹耀钦，李发陵，周龙福.应用型智能科学与技术专业大数据课程群建设研究[J].计算机教育，2016（10）：62-64.

[5]李天源.应用技术型大学中外合作办学项目人才培养目标之厘定及实现路径[J].教育评论，2016（12）：31-35.

[6]王昕，陈超.“物联网大数据”的生态发展模式与人才培养机制探索[J].教育教学论坛，2019（1）：53-58.

[7]陈晓红.数字经济时代的技术融合与应用创新趋势分析[J].中南大学学报（社会科学版），2018（5）：1-8.

[8]胡伏湘，方玲玉.基于大数据思维的教育教学模式探析[J].湖南行政学院学报，2018（5）：25-29.

[9]吴新胜，李震，何鲲，等.基于物联网的智能云服务应用研究[J].赤峰学院学报（自然科学版），2018（8）：25-28.

[10]于贵瑞，何洪林，周玉科.大数据背景下的生态系统观测与研究[J].中国科学院院刊，2018（8）：832-837.

[11]陈桂芬，李静，陈航.大数据时代人工智能技术在农业领域的研究进展[J].吉林农业大学学报，2018（4）：502-510.

[12]桂小林，王东，黄传河.基于新工科理念的物联网工程专业建设[J].中国大学教学，2018（7）：25-30.

[13]邱东.大數据时代对统计学的挑战[J].统计研究，2014（1）：16-22.