① 數據科學與大數據技術專業課程
一、數據科學與大數據技術專業課程有哪些 C程序設計、數據結構、資料庫原理與應用、計算機操作系統、計算機網路、java語言程序設計、Python語言程序設計，大數據演算法、人工智慧、應用統計（統計學）、大數據機器學習、數據建模、大數據平台核心技術、大數據分析與處理,大數據管理、大數據實踐等課程。
二、數據科學與大數據技術專業簡介
數據科學與大數據技術專業（英文名Data Science and Big Data Technology），簡稱數據科學或大數據，旨在培養具有大數據思維、運用大數據思維及分析應用技術的高層次大數據人才。掌握計算機理論和大數據處理技術，從大數據應用的三個主要層面（即數據管理、系統開發、海量數據分析與挖掘）系統地培養學生掌握大數據應用中的各種典型問題的解決辦法，實際提升學生解決實際問題的能力，具有將領域知識與計算機技術和大數據技術融合、創新的能力，能夠從事大數據研究和開發應用的高層次人才。
三、數據科學與大數據技術專業就業方向和前景
畢業生能在政府機構、企業、公司等從事大數據管理、研究、應用開發等方面的工作。同時可以考取軟體工程、計算機科學與技術、應用統計學等專業的研究生或出國深造。
數據科學與大數據技術專業學什麼 附學習科目和課程
數據科學與大數據技術專業就業前景
數據科學與大數據技術專業學什麼 附學習科目和課程
數據科學與大數據技術專業課程有哪些
數據科學與大數據技術專業就業方向
數據科學與大數據技術專業大學排名及分數線【統計表】
全國數據科學與大數據技術專業大學排名 一本二本大學名單 ;
② 數據計算及應用專業課程有哪些
《數學分析》、《高等代數》、《解析幾何》、《概率論》、《數理統計》、《常微分方程》等。數據計算及應用專業是數學、統計學和信息科學多學科交叉融合的應用理科專業，主要培養能運用所學知識與技能解決數據分析、信息處理、科學與工程計算等領域實際問題的復合型應用理科專業人才。
數據計算機應用專業開設的課程主要有《數學分析》、《高等代數》、《解析幾何》、《概率論》、《數理統計》、《常微分方程》、《數據科學導論》、《高級語言程序設計》、《資料庫原理》、《數據結構》、《統計預測與決策》、《數據建模》、《數值最優化方法》、《數據演算法與分析》、《應用時間序列分析》、《數據挖掘基礎》、《統計推斷》、《統計計算》、《機器學習》、《R語言與數據分析》、《Hadoop大數據分析》、《數據可視化分析》、《多元統計分析》等。
數據計算及應用專業以數學和統計學為理論基礎、以科學計算和數據處理為核心技術、以處理行業應用中的數據問題為依託，培養具有良好的科學素養，扎實的數學、信息科學基礎，較強的工程應用能力的專門人才；掌握數據科學的數學、統計學等思想方法，能熟練地運用數據處理技術、建模分析能力和科學計算方法解決實際應用中的數據問題；畢業生具有良好的創新意識、國際視野和良好的職業道德精神、社會責任感；能繼續深造，或在政府機關、企業、金融機構、科研院所等單位從事數據計算、開發與分析、管理和教學等方面工作。
③ 互聯網與大數據專業主要學習哪些科目內容
1、大數據專業需要學：數學分析、高等代數、普通物理數學與信息科學概論、數據結構、數據科學導論、程序設計導論、程序設計實踐、離散數學、概率與統計、演算法分析與設計、數據計算智能、資料庫系統概論、計算機系統基礎、並行體系結構與編程、非結構化大數據分析等。
2、大數據技術旨在培養學生系統掌握數據管理和數據挖掘方法，成為具有大數據分析處理、數據倉庫管理、大數據平台綜合部署、大數據平台應用軟體開發和數據產品可視化展示分析能力的高層次專業大數據技術人才。
基礎課程有：數學分析、高等代數、數據結構、數據科學導論、普通物理數學與信息科學概論、程序設計導論、程序設計實踐等。
必修課有：離散數學、概率與統計學、演算法分析與設計、數據計算智能、資料庫系統概論、計算機系統基礎、並行體系結構與編程、非結構化大數據分析等。
選修課有：數據科學演算法導論、數據科學專題、數據科學實踐基礎、互聯網實用開發技術、抽樣技術、統計學、回歸分析、隨機過程分析等。
從以上課程可見大數據專業是非常需要數學能力的。深層次大數據專業技能在於數據模型與演算法，淺層次大數據專業在於相關技術工具和程序研發實現上！
④ 2022數據科學與大數據技術專業課程有哪些
數據科學與大數據技術專業課程主要有微觀經濟學、計量經濟學、國際金融、搜索引擎、自然語言處理、數據可視化、機器學習。數據科學與大數據技術專業就業前景廣闊，畢業生能夠在計算機和互聯網領域以及大數據相關產業從事數據科學研究、大數據相關工程應用開發、技術管理與咨詢等工作。
分析類工程師。使用統計模型、數據挖掘、機器學習及其他方法，進行數據清洗、數據分析、構建行業數據分析模型，為客戶提供有價值的信息，滿足客戶需求。
演算法工程師。大數據方向，和專業工程師一起從系統應用的角度,利用數據挖掘/統計學習的理論和方法解決實際問題;人工智慧方向，根據人工智慧產品需求完成技術方案設計及演算法設計和核心模塊開發，組織解決項目開發過程中的重大技術問題。
架構工程師。負責Hadoop集群架構設計開發、搭建、管理、運維、調優，從數據採集到數據加工，從數據清洗到數據抽取，從數據統計到數據分析，實現大數據全產業線上的應用分析設計。
開發工程師。基於hadoop、spark等構建數據分析平台，進行設計、開發分布式計算業務，負責機器學習、深度學習領域的開發工作。
「數據科學與大數據技術」專業是近兩年才設立的新專業。「數據科學與大數據技術」專業有著很好的就業前景並且就業的寬度廣，就業薪資待遇水平高，缺點可能在於專業設立較新，教學課程設置上可能無法跟上大數據人才培養的技能需求。以數據中國「百校工程」產教融合創新項目為例，在課程的設置上校企共建專業人才培養方案，對接培養大數據技能型人才，在大數據與人工智慧領域設立了以下的人才培養方向。
⑤ 數據科學與大數據技術的專業課程有哪些
數據科學與大數據技術專業課程有離散數學、概率與統計、演算法分析與設計、數據計算智能、資料庫系統概論、計算機系統基礎、並行體系結構與編程、非結構化大數據分析等。
⑥ 大數據專業課程有哪些
首先我們要了解Java語言和Linux操作系統，這兩個是學習大數據的基礎，學習的順序不分前後。
Java ：只要了解一些基礎即可，做大數據不需要很深的Java 技術，學java SE 就相當於有學習大數據。基礎
Linux：因為大數據相關軟體都是在Linux上運行的，所以Linux要學習的扎實一些，學好Linux對你快速掌握大數據相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大數據軟體的運行環境和網路環境配置，能少踩很多坑，學會shell就能看懂腳本這樣能更容易理解和配置大數據集群。還能讓你對以後新出的大數據技術學習起來更快。
好說完基礎了，再說說還需要學習哪些大數據技術，可以按我寫的順序學下去。
Hadoop：這是現在流行的大數據處理平台幾乎已經成為大數據的代名詞，所以這個是必學的。Hadoop裡麵包括幾個組件HDFS、MapRece和YARN，HDFS是存儲數據的地方就像我們電腦的硬碟一樣文件都存儲在這個上面，MapRece是對數據進行處理計算的，它有個特點就是不管多大的數據只要給它時間它就能把數據跑完，但是時間可能不是很快所以它叫數據的批處理。
記住學到這里可以作為你學大數據的一個節點。
Zookeeper：這是個萬金油，安裝Hadoop的HA的時候就會用到它，以後的Hbase也會用到它。它一般用來存放一些相互協作的信息，這些信息比較小一般不會超過1M，都是使用它的軟體對它有依賴，對於我們個人來講只需要把它安裝正確，讓它正常的run起來就可以了。
Mysql：我們學習完大數據的處理了，接下來學習學習小數據的處理工具mysql資料庫，因為一會裝hive的時候要用到，mysql需要掌握到什麼層度那?你能在Linux上把它安裝好，運行起來，會配置簡單的許可權，修改root的密碼，創建資料庫。這里主要的是學習SQL的語法，因為hive的語法和這個非常相似。
Sqoop：這個是用於把Mysql里的數據導入到Hadoop里的。當然你也可以不用這個，直接把Mysql數據表導出成文件再放到HDFS上也是一樣的，當然生產環境中使用要注意Mysql的壓力。
Hive：這個東西對於會SQL語法的來說就是神器，它能讓你處理大數據變的很簡單，不會再費勁的編寫MapRece程序。有的人說Pig那?它和Pig差不多掌握一個就可以了。
Oozie：既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapRece、Spark腳本，還能檢查你的程序是否執行正確，出錯了給你發報警並能幫你重試程序，最重要的是還能幫你配置任務的依賴關系。我相信你一定會喜歡上它的，不然你看著那一大堆腳本，和密密麻麻的crond是不是有種想屎的感覺。
Hbase：這是Hadoop生態體系中的NOSQL資料庫，他的數據是按照key和value的形式存儲的並且key是唯一的，所以它能用來做數據的排重，它與MYSQL相比能存儲的數據量大很多。所以他常被用於大數據處理完成之後的存儲目的地。
Kafka：這是個比較好用的隊列工具，隊列是干嗎的?排隊買票你知道不?數據多了同樣也需要排隊處理，這樣與你協作的其它同學不會叫起來，你干嗎給我這么多的數據(比如好幾百G的文件)我怎麼處理得過來，你別怪他因為他不是搞大數據的，你可以跟他講我把數據放在隊列里你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去優化他的程序去了，因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時數據的入庫或入HDFS，這時你可以與一個叫Flume的工具配合使用，它是專門用來提供對數據進行簡單處理，並寫到各種數據接受方(比如Kafka)的。
Spark：它是用來彌補基於MapRece處理數據速度上的缺點，它的特點是把數據裝載到內存中計算而不是去讀慢的要死進化還特別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因為它們都是用JVM的。
⑦ 大數據開發工程師要學習哪些課程
1.大數據工程師工作中會做什麼？
集群運維：安裝、測試、運維各種大數據組件
數據開發：細分一點的話會有ETL工程師、數據倉庫工程師等
數據系統開發：偏重Web系統開發，比如報表系統、推薦系統等
這裡面有很多內容其實是十分重合的，下面大致聊一下每一塊內容大致需要學什麼，以及側重點。
2.集群運維
數據工程師，基本上是離不開集群搭建，比如hadoop、Spark、Kafka，不要指望有專門的運維幫你搞定，新組件的引入一般都要自己來動手的。
因此這就要求數據工程師了解各種大數據的組件。
由於要自己的安裝各種開源的組件，就要求數據工程師要具備的能力： Linux 。要對Linux比較熟悉，能各種自己折騰著玩。
由於現在的大數據生態系統基本上是 JVM系的，因此在語言上，就不要猶豫了，JVM系的Java和Scala基本上跑不掉，Java基本上要學的很深，Scala就看情況了。
3. ETL
ETL在大數據領域主要體現在各種數據流的處理。這一塊一方面體現在對一些組件的了解上，比如Sqoop、Flume、Kafka、Spark、MapRece;另一方面就是編程語言的需要，Java、Shell和Sql是基本功。
4.系統開發
我們大部分的價值最後都會由系統來體現，比如報表系統和推薦系統。因此就要求有一定的系統開發能力，最常用的就是 Java Web這一套了，當然Python也是挺方便的。
需要注意的是，一般數據開發跑不掉的就是各種提數據的需求，很多是臨時和定製的需求，這種情況下， Sql就跑不掉了，老老實實學一下Sql很必要。
如何入門？
前面提到了一些數據工程師會用到的技能樹，下面給一個入門的建議，完全個人意見。
1.了解行業情況
剛開始一定要了解清楚自己和行業的情況，很多人根本就分不清招聘信息中的大數據和數據挖掘的區別就說自己要轉行，其實是很不負責的。不要總是趕熱點，反正我就是經常被鄙視做什麼大數據開發太Low，做數據就要做數據挖掘，不然永遠都是水貨。
2.選擇學習途徑
如果真是清楚自己明確地想轉數據開發了，要考慮一下自己的時間和精力，能拿出來多少時間，而且在學習的時候最好有人能多指點下，不然太容易走彎路了。
在選擇具體的學習途徑時，要慎重一點，有幾個選擇：
自學
報班
找人指點
別的不說了，報班是可以考慮的，不要全指望報個輔導班就能帶你上天，但是可以靠他幫你梳理思路。如果有專業從事這一行的人多幫幫的話，是最好的。不一定是技術好，主要是可溝通性強。
3.學習路線
學習路線，下面是一個大致的建議：
第一階段
先具備一定的Linux和Java的基礎，不一定要特別深，先能玩起來，Linux的話能自己執行各種操作，Java能寫點小程序。這些事為搭建Hadoop環境做准備。
學習Hadoop，學會搭建單機版的Hadoop，然後是分布式的Hadoop，寫一些MR的程序。
接著學學Hadoop生態系統的其它大數據組件，比如Spark、Hive、Hbase，嘗試去搭建然後跑一些官網的Demo。
Linux、Java、各種組件都有一些基礎後，要有一些項目方面的實踐，這時候找一些成功案例，比如搜搜各種視頻教程中如何搞一個推薦系統，把自己學到的用起來。
第二階段
到這里是一個基本的階段了，大致對數據開發有一些了解了。接著要有一些有意思內容可以選學。
數據倉庫體系：如何搞數據分層，數據倉庫體系該如何建設，可以有一些大致的了解。
用戶畫像和特徵工程：這一部分越早了解越好。
一些系統的實現思路：比如調度系統、元數據系統、推薦系統這些系統如何實現。
第三階段
下面要有一些細分的領域需要深入進行，看工作和興趣來選擇一些來深入進行
分布式理論：比如Gossip、DHT、Paxo這些構成了各種分布式系統的底層協議和演算法，還是要學一下的。
數據挖掘演算法：演算法是要學的，但是不一定純理論，在分布式環境中實現演算法，本身就是一個大的挑戰。
各種系統的源碼學習：比如Hadoop、Spark、Kafka的源碼，想深入搞大數據，源碼跑不掉。