數據科學與大數據技術專業實踐能力培養體系的探索與實踐*

楊 洪 李知遙 張志強

(成都大學 信息科學與工程學院， 四川 成都 610106)

一、引言

近年來隨著全球數據爆炸性地增長，大數據風暴席卷各行各業。大數據時代強勢來臨，為高等院校的數據類人才培養提供大量機遇的同時，也帶來艱巨的挑戰。這就要求我國高等教育必須迅速拿出數據類人才培養的應對策略。2015年5月，清華大學正式啟動中國首個混合式教育碩士學位項目“數據科學與工程”專業碩士，開始了數據類專業研究生教育[1]。2016年2月，教育部公布新增“數據科學與大數據技術”本科專業，首批僅有北京大學、對外經濟貿易大學和中南大學3所高校獲批，開始了我國的數據類專業本科教育[2]。2017年3月，又有32所高校獲批，2017年共有35所普通高校能夠招收“數據科學與大數據技術”本科專業[3]。

數據科學與大數據技術專業明顯處于發展初期，而且是飛速發展，需要規范成熟的培養體系和建設規劃作指引。然而，在數據科學與大數據技術專業人才培養體系上，可借鑒的經驗還十分匱乏。夏大文等[4]以貴州民族大學信息管理與信息系統本科專業為例探討了大數據人才培養的途徑和方法。劉一穎[5]對高校大數據人才培養面臨的問題進行了分析，并對教學內容和實踐環節給出了一些建議。黃晉[6]論證了開設大數據系列課程的必要性,探討了大數據相關課程的教學內容和實踐形式， 提出校企合作對培養大數據人才具有推動作用。何海地[7]對美國23所知名大學數據分析碩士教育的背景、現狀、特色與啟示進行了分析研究。周傲英等[8]闡述了數據科學與工程學科的特點、學科內涵與知識體系，并探討了數據科學與工程學科的建設思路。馮永等[9]以研究生與本科生協同創新培養為例，提出了分層、分級的大數據產業技術人才協同創新培養模型、主客觀結合的人才培養模型，以及課程體系及培養方案的遞歸修正模型。曹淑艷等[10]以對外經貿大學為例，提出大數據專業人才應該能夠圍繞互聯網平臺上經濟金融數據的商業價值進行挖掘，并揭示數據間的關系。

數據類本科專業實踐能力培養體系，關乎數據類人才培養是否符合實際用人企業和單位需要的關鍵環節，但是目前可以借鑒的成功案例非常稀缺。成都大學自2002年開設信息與計算科學專業以來，一直以培養數據挖掘與數據分析人才為目標，經過多年的探索與實踐，積累了一些數據類本科專業實踐能力培養方面的經驗和成果。本文以該專業為例，論述了數據科學與大數據技術專業人才培養過程中實踐能力的探索與實踐, 為培養高素質的數據人才提供有意義的參考。

二、數據科學與大數據技術專業能力培養需求定位

數據科學與大數據技術專業強調培養具有多學科交叉能力的大數據復合型人才，不僅要求學生具備數學基礎和應用能力，計算機編程能力，數據獲取、轉換和存儲等能力，而且要在一定應用領域具有數據分析和數據挖掘等多項綜合能力。因此，該專業人才不僅應掌握計算機科學、數學、應用統計學等基礎專業知識和經濟、生物、化學、物理等交叉學科知識，還要求具備電商、金融、交通、通信、互聯網等應用領域的相關應用技能，才能進行商業數據分析、科學數據分析和自然語言處理，并能夠在數據獲取、存儲和檢索等方面進行深入了解和親身實踐。從其社會和市場需求定位來看，數據科學與大數據技術專業培養的人才的能力需求如圖1所示，主要可分為以下三方面素質：理論性能力、實踐性能力和應用性能力。

圖1數據科學與大數據技術能力需求

(一)理論性能力需求

理論性能力主要是指對數據科學中各種模型和算法的理解和運用。該專業致力于培養具備全面能力的學生，使學生掌握扎實的數學、統計學、計算機科學和數據科學等相關理論知識，充分適應大數據行業的多元化需求，為之后的工作和后繼學習打下良好的基礎。在理論上，需要學生有較強的數理統計基礎、數學建模能力、扎實的數據結構和算法基本功，能夠很好地理解和掌握各種機器學習和數據挖掘算法，還要求學生掌握處理“大數據”的先進技術和理論，即掌握與云計算相關的大數據處理平臺及其生態系統。

理論性能力主要在數據科學與大數據技術專業理論課程體系中培養。

(二)實踐性能力和應用性能力需求

實踐性能力，主要是指處理實際數據的能力；而應用性能力，則是利用大數據解決具體行業應用問題的能力。在實踐上，要求學生具備海量數據采集、數據存儲、數據管理、數據分析與挖掘以及數據可視化的工程實踐能力，掌握數據處理各個環節的基本技能。在應用上，需要學生掌握與數據來源緊密相關的新技術的融合與互動，即理解和掌握物聯網、移動互聯網的相關理論和技術，并具備學習能力、溝通能力和團隊合作能力，實現畢業后的無縫對接。

實踐性能力和應用性能力主要在實踐能力課程體系中培養。

三、數據科學與大數據技術專業培養體系的探索

由于數據科學與大數據技術專業從2016年6月開始招生到現在僅有兩個年級的學生，沒有成熟的培養模式和經驗可以借鑒。而成都大學信息與計算科學專業從2002年開始招生以來就堅持以“數據分析和數據挖掘”為培養特色，學生畢業以后大多從事數據分析相關工作，和數據科學與大數據技術專業有高度相似性，到現在已有十屆畢業生。因此，下面主要以成都大學信息與計算科學專業的培養實踐為實例，探索數據科學與大數據技術專業的培養體系，特別是實踐能力的培養和訓練。

成都大學信息與計算科學專業從通識素養、終身學習、理解能力、建模能力、程序設計、數據處理、團隊協作、溝通交流、知識遷移九個方面培養具備數據挖掘能力的應用人才。專業課程以數學作為主干學科進行課程設計，核心課程有數學分析、高等代數、數學建模、概率論與數理統計、數據倉庫與數據挖掘、數據庫原理及應用、應用統計學、運籌與優化、數據分析軟件及應用等。要求學生在學習數學與信息科學的理論和方法中，具備科學素養、創新意識、解決信息技術和科學工程中的計算的能力。

(一)專業知識結構

數據科學與大數據技術專業需要掌握數學、計算機科學技術、統計學和信息管理等多個學科的知識，是這些學科以及其他領域學科知識的復合、交叉與滲透。然而，它和計算機科學技術、統計學、信息管理、數學等相關專業又有本質區別，這些專業是以各自學科知識為核心，對各自領域的科學問題進行理論或科學研究。該專業與計算機科學技術相關專業側重于計算機軟、硬件理論研究不同，該專業強調學生對專業領域數據的理解能力，所使用的計算機技術要為數據服務。該專業在數據分析環節必然要用到數理統計的方法，但強調的是數據在獲取、清洗、存儲、處理和展示等各個環節與IT技術的深度融合。統計學專業處理的一般是結構化數據，而該專業往往需要處理半結構化和非結構化的數據。本專業在數據應用有時需要信息管理知識。信息管理專業側重于借助計算機技術改造升級原有的業務系統，而本專業更強調對數據本身的洞察與理解，專注于海量數據的深度分析和處理，更依賴于大數據處理平臺和技術。

如圖2所示，我們對數據科學與大數據技術專業的知識結構進行了分析。數據科學與大數據技術專業研究的核心對象是“大數據”，是以堅實的數學知識作為基礎支撐，以大量的計算機科學相關知識為技術支撐，還要一定的數理統計知識提供方法支撐，以及許多應用相關領域的業務知識進行大數據的信息管理做應用支持。

圖2數據科學與大數據技術的專業知識結構

(二)理論課程體系

目前滿足市場需求的大數據人才應該掌握數學、統計學、計算機科學、管理學、金融等多學科交叉知識，能對數據做出預測性的價值分析。因此教學體系的框架在這個基礎上應該以大數據為核心，設置相應比例的必修課、選修課、通識課，通過分析選課情況，實現復合交叉課程體系的全面發展。

1. 數學類及統計類課程積累理論知識

大數據的應用需要掌握數學知識作為理論基礎，通過數學應用技術來實現。所以在課程體系中應該開設數學課程如數學分析、高等代數、概率論與數理統計、應用統計學、數據庫原理及應用、數據倉庫等，著重培養學生的數學應用能力，為更深入的學習做好準備。

2.計算機類課程提高編程能力

大數據的挖掘和分析要借助計算機來實現，在實際應用中需要學生掌握相關工具的使用方法，具備足夠的編程能力來解決問題。所以在課程體系中應該開設與數據挖掘和數據分析配套的計算機編程類課程，如C語言、PYTHON、SQL等。

(三)實踐能力課程體系

根據中國信息通信研究院孫鑫的觀點[11]，如圖3所示，大數據產業的核心要素可以分為數據資源、數據基礎能力、數據分析和展示、數據應用等四個組成部分。其中，數據資源部分負責原始數據的供給和交換，主要包括數據資源提供者和數據交易平臺；數據基礎能力部分負責與數據生產加工相關的基礎設施和技術要素供應，包括數據存儲、數據處理和數據庫等；數據分析和展示部分負責數據隱含價值的挖掘、數據關聯分析和可視化展現等，包括商業智能、可視化和通用數據分析工具，以及語音、圖像等媒體識別服務；數據應用部分則是利用數據分析和加工的結果，面向電商、金融、交通等行業，為其提供精準營銷、信用評估、出行引導等服務。

圖3大數據專業核心要素

圍繞大數據產業核心要素的四個層次，我們將數據類課程實踐性教學環節按實驗性質分為四個層面：

第一是數據資源的實驗，包括數據獲取、數據清洗、數據爬取等技術訓練。成都大學設計的“數據爬取工具應用”和“基于網絡的人才招聘數據搜集”等實驗，能提升學生數據搜集和整理的技能。

第二是技術基礎類的實驗，包含數學建模、數據庫、程序設計、云計算平臺的建設與開發等。大數據的分析和挖掘需要通過數學建模實現，所以在課程體系中應該開設數學建模類課程，強化學生的數學建模能力，使學生熟悉建模知識與思想，快速準確地捕捉到數據挖掘的目標。結合數學建模綜合案例及數學建模競賽等課程，對任務進行合理的分解與安排，培養團隊合作交流能力，保證項目順利有序地實施。還設置了 “利用SAS建立數據庫實驗”、“PYTHON程序設計”和“建立淘寶領域專業詞庫”等課程設計等，提高學生的數據科學編程技巧。

第三是數據分析及展示類的實驗，包括機器學習、大數據分析與處理、大數據可視化。在成都大學，設置了“市場數據分析”、“企業財務數據分析”、“電商數據分析”、“web數據挖掘”等實訓項目，提高學生的數據挖掘能力和數據分析能力，積累大數據挖掘和分析的經驗，提升實踐能力等。

第四是綜合應用類實驗。為了培養學生的大數據素養，提高綜合業務應用能力，需要設計一門綜合性實踐課程。在成都大學，設計了“金融證券大數據綜合實驗”、“電信大數據綜合實驗”和“電商交易大數據綜合實驗”等。

統計得2001—2016年春季暴雨雨日共11 d,通過影響系統的分析發現(表1),在11次過程中,有8次暴雨都伴隨有低空切變和地面倒槽的存在;高空槽,低空急流,地面冷空氣也是重要的影響系統;春季是冷空氣較為活躍的季節,有4次過程是高空有槽東移或急流存在,中層配合切變或低空急流,而地面先為倒槽控制,之后冷空氣南下影響,冷暖空氣交匯導致暴雨的發生。另外東北冷渦也是非常重要的影響系統,有4次暴雨與之有關。

四、實踐能力培養體系的建設

(一)產學研三位一體的資源體系建設

利用產學研活動中產生的數據資源，項目資源，社會資源，建立循環產出的資源體系，為數據類人才培養提供豐富的教學資源。通過科研項目和合作項目，培養學生的動手溝通能力和解決實際問題的能力，滿足企業或機構的用人標準，實現無縫對接。

1.基于產學研活動的豐富資源分類和集中

近年來，教師團隊已經成功立項數據科學類縱向科研項目12項，其中省科技廳項目7項、省教育廳項目1項、成都市科技局項目4項，都轉化成了學生豐富的項目資源。在成都大學，集成了Web數據、股市數據、招聘信息數據、項目脫敏數據、計算機仿真數據等適用于教學、科研及示范推廣的公開數據，招投標數據、專利數據、電商數據、電信數據等適用于校企合作項目、已就業學生在數據類領域的技術咨詢的內部數據，為學生構建豐富的數據資源。將校友資源、校企合作關系下的社會企業資源以及特聘的校外專家資源，建設成本科專業的社會資源。建立有效的分管體制，對資源體系中的各個項目或流程實時跟進，精準收集產學研活動中產生的大量項目資源、數據資源和社會資源，并篩選出其中的無效資源，再對保密內容進行脫敏處理最后按照應用領域進行分類。

2.基于云平臺的資源管理和環境架構

在成都大學，已經建成了3個基于云平臺的數據倉庫：基于云平臺的證券數據倉庫、電商示范性數據倉庫和基于大數據的創新創業數據平臺。將已分類的資源進行備份保存，通過云服務廠商提供的基礎模塊化服務，借助云存儲技術搭建云服務器，并完善配套的應用和服務，使資源和使用者達到雙向交互，實現數據的存儲、讀取、下載、上傳、分享和管理。

3.基于數據科學與大數據技術專業的資源體系建立和工具平臺建設

在工作時間保持對云平臺服務器的維護和完善，建立良性循環的資源體系，充分利用體系優勢，實現資源的高利用率和回收率，培養學生使用數據資源的能力，引導學生從項目做起，提升實踐能力，并在產學研活動中完成數據的再利用和新循環。

4.融入管理等選修課程，培養團隊交流合作能力

5.輔修金融等行業知識，強化特定應用領域知識

大數據的應用需要特定領域的知識背景，尤其金融與投資是大部分場景都會涉及的知識，為了確保學生能力的遷移性，應提前做好相關知識的學習。所以在課程中應該開設金融類課程，預先儲備相關行業知識，使學生在日后的工作學習中有的放矢，事半功倍，更好、更快、更強地完成相關任務。通過課外作業等方式，引導學生自主學習，同時培養自學能力，為工作打下良好的基礎。

(二)數據科學與大數據技術專業教學體系的形成

為了培養市場需要的具有復合型能力的數據類人才，我們借助產學研活動建立了資源體系和產學研一體化的多層次的教學體系。該體系將教師的科研、教學與學生的知識學習以及科創活動緊密結合，打造出以需求為導向開展科研和教學、以科研促進教學和學生科創、教學科研與校企合作相輔相成的一體化的教學體系。

1.校企合作，結合實踐開展教學

通過校企合作和引進雙師型人才，使主講人具備教師與工程師雙重身份，改變理論與實踐分離教學的局面，走出重理論輕實踐的誤區，建立完善的教學體系，實現理論實踐課程的一體化，引導學生把理論知識延伸到實際應用中去。目前成都大學與北京千鋒互聯科技有限公司、成都國信安信息產業基地有限公司、中國協同創新網、西部數據有限責任公司、科學出版社成都有限責任公司等多家企業建立了合作關系，企業的一線從業人員作為講師能夠結合相關數據行業的發展情況，引導學生緊跟時代潮流，學習新興技術，設置合適的實訓項目提高學生的實踐能力，實現全面發展。

2.師生傳承，結合科研開展教學

導師應具備科研能力，能夠結合相關領域的科研現狀帶領學生緊跟時代學習前沿知識，拓寬課堂的廣度，增加教學的深度，為學生的發展方向作出合理的引導和建議，提高學生的成才率，能夠利用構建好的資源體系，實現科研項目在師生和校企之間的繼承、分化和循環。如“基于文本挖掘的淘寶網店客戶評價文本意見傾向性分析”、“基于語句樹方法的電子商務客戶產品評價特征分析”、“基于數據挖掘的股票波段特征提取”等項目都是繼承于教師科研項目的學生子項目。學生通過這些項目的研究工作，能夠進一步加深對理論和實踐兩位一體的理解。

3.跟進課堂改革

改變主流教學模式的扁平性，拓展課堂的深度、寬度、長度，為數據類人才培養提供最有效的教學模式。

(1)翻轉課堂

把課堂還給學生，讓學生參與教學過程，教師由主導者轉變為組織者，培養學生自主學習的主動性，有針對性地解決學生暴露出來的問題。采取分組合作的方式，合理搭配各個層次的學生，在互幫互助的過程中完善自我，培養學習氛圍。

(2)網絡教學

充分利用信息化優勢，拓寬課堂的知識量，補充傳統課堂由于時間和環境限制所欠缺的知識點，為復合課程教學提供可能。同時能夠豐富教學方式，提升課程吸引力，降低學生的理解難度，通過在線習題的方式，即時反饋，在監督的前提下培養學生的自學能力。

4.培養學習氛圍

(1)以戰養兵

充分利用資源體系，通過科研項目和合作項目中分化的子項目培養學生的實踐能力和協調能力。在校內組織多層次比賽，引導全員參與，在提升學生能力的同時測試技術水平，根據比賽結果，檢驗教學成果，靈活調整教學計劃。組建OJ平臺，培養學生在課堂外的自學能力，同時提升他們的編程思維和技巧。借助科創室的引路作用，幫助學生確定方向，夯實專業基礎，通過分組合作的學習方式，提高學生學習的積極性和主動性，實現互幫互助。

(2)以武會人

鼓勵學生參加國內、國際競賽，如數學建模競賽、藍橋杯、ACM競賽、挑戰杯和各類創新創業科技實踐活動。90%以上的數據類本科學生畢業前都參加過至少一項課外科技競賽活動，以培養數學建模能力和編程能力，發展團隊協調能力和學習能力，相關獎項也可以為之后的工作或繼續深造提供機會。與高校和企業加強聯系，有利于資源體系的建立，通過合作項目錘煉學生的實踐能力，深化合作關系，爭取實習崗位的優先權。

五、人才培養成果和反饋

近年來，成都大學信息與計算科學專業堅持以“數據挖掘與數據分析”為特色，以培養學生的實踐與創新能力為核心，不斷推進人才培養模式改革。在主要教學環節中滲透工程教育思想，強化學生的實踐能力與創新能力培養，建立了貫穿人才培養全過程的協同創新教育體系，在人才培養上取得了豐碩的成果和寶貴的經驗。

(一)實踐教學成果

在以市場需求為導向的人才培養目標指導下，經過幾年的探索與實踐，成都大學數據類人才培養取得了豐碩的實踐教學成果。到目前為止，成都大學信息與計算科學專業的學生已經獲得全國大學生數學建模競賽國家級、省級獎勵181人次；17名學生公開發表了學術論文；3名學生獲得全國數據挖掘挑戰賽三等獎；校級學生科創立項6項。

(二)師生科研項目

在以產學研活動為基礎的專業資源體系支持下，成功實現了由資源到成果的轉化。其中教師的科研項目有“大數據挖掘協同應用模式研究”和“基于數據挖掘的網絡店鋪營銷數據分析與決策支持系統”等。學生的創新項目有“基于商品特征時間窗口的RFM模型”等。這些項目也為成都大學信息與計算科學專業學生的論文和課題提供了資源支持。

提高數據科學與大數據技術專業學生實踐能力和創新能力，既是經濟社會發展對人才素質的要求，也是學生自我發展和增強就業競爭力的現實需要。本文為“數據科學與大數據技術專業”實踐能力培養體系的建立，進行了有益的探索和實踐，為大數據人才的培養提供了一些有價值的參考。

參考文獻：

[1]趙婀娜.清華首推混合式學位“數據科學與工程”專碩[EB/OL].(2015-05-14)[2017-07-27].http://www.tsinghua.edu.cn/publish/thunews/9661/2015/20150514165048320165286/20150514165048320165286-.html.

[2]教育部.教育部關于公布2015年度普通高等學校本科專業備案和審批結果的通知[EB/OL].(2016-02-19)[2017-07-27].http://www.moe.edu.cn/srcsite/A08/moe-1034/s4930/201603/t20160304-231794.html.

[3]教育部.教育部關于公布2016年度普通高等學校本科專業備案和審批結果的通知[EB/OL].(2017-03-17)[2017-07-27].http://www.moe.edu.cn/srcsite/A08/moe-1034/s4930/201703/t20170317-299960.html.

[4]夏大文,張自力.DT時代大數據人才培養模式探究[J].西南師范大學學報(自然科學版),2016,41(9):191-196.

[5]劉一穎.大數據時代高校數據型人才培養探究[J].傳承,2015(12):112-113.

[6]黃晉.關于大數據人才培養的思考與探索[J].教育教學論壇,2014(45):201-203.

[7]何海地.美國大數據專業碩士研究生教育的背景、現狀、特色與啟示——全美23所知名大學數據分析碩士課程網站及相關信息分析研究[J].圖書與情報,2014(2):48-56.

[8]周傲英,錢衛寧,王長波.數據科學與工程:大數據時代的新興交叉學科[J].大數據,2015,1(2):90-99.

[9]馮永,鐘將,李學明,等.大數據高級技術人才協同創新培養研究與實踐——以計算機全日制專業學位研究生與本科生協同創新培養為例[J].中國電化教育,2017(6):35-44.

[10]曹淑艷,張莉,黃浩.大數據本科專業申報及認識[J].計算機教育,2016，258(6):30-33.

[11]孫鑫.我國大數據產業發展態勢分析及建議[EB/OL].(2016-12-09)[2017-07-27].http://www.cttl.cn/tegd/jshqsh/201612/t20161209-2184284.html.