人工智能相关课程介绍

1、人工智能课程内容介绍课程简介、计算机操作技能主要内容：通过本课程的学习可以使学生掌握计算机相关基本操作为后续的 专业课程学习打下实践操作基础。 基本内容有： 硬件与操作系统， 通过对计算机 硬件的介绍、 操作系统的安装等实践操作来了解计算机硬件， 掌握操作系统的安 装方面的基本操作；系统的基本操作，通过学习鼠标、键盘、输入法的操作、桌 面操作、窗口操作、任务栏操作、常用设置、用户管理、磁盘操作、文件管理等 实践操作来掌握 Windows系统的相关基本操作； 办公软件及入门的使用， 通过对 Word、Excel 和 PPT的基本使用来掌握办公软件的基本操作； Dos 操作与网络基 础，掌握 Do

2、s 基本命令、网络基本操作和故障排除；常用工具软件的使用，熟悉 电子邮箱等常用软件的操作。 教学形式以学生在线学习为主， 辅助教师指导。 考 核形式为在线打字考核与在线机考相结合的方式评定成绩。 并且考核时间采用类 似驾校考核模式，在若干考核时间点可以任意申请考核，直到通过为止。、计算机系统导论主要内容：对现代电子计算机工作原理、设计过程有一个体系化认识， 包 含汇编语言 数据逻辑、 模拟电路、计算机组成原理、 编译原理重要理论的地位 与作用主要内容模型等介绍、计算思维 I 与应用（ C）主要内容：分成四大板块， 第一部分主要讲解计算思维的概念、 本质以及相 关特征；第二部分针对计算机的一些微

3、观知识点进行补充， 包括计算机的组成等； 第三部分通过对程序设计语言发展的描述， 初步体会程序语言的特点； 第四部分 主要针对 C语言，将抽象的计算思维实例化，培养学生的编程感觉。 其中 C 语 言包含内容：编程规范，数据类型与变量常量的定义，各类运算符的操作，输入 与输出语句，函数思维建立，控制语句，循环语句，中断语句，函数的声明、实 现与调用，无参函数，有参函数，函数的返回值，一维数组，一维指针，结构体 的定义，文件读写基本操作等。、计算思维 II 与应用（ Java ）主要内容：主要包括项目需求分析， 面向对象概念与运用， 类与对象的概念， 类与对象的关系， UML类图绘制， UML时序

4、图绘制， UML用例图绘制， UML综合项 目设计， VS2010 开发环境搭建，变量、常量的定义与赋值，运算符操作，控制 语句，一维数组，函数的声明、实现与调用，一维指针，引用的概念与运用，类 的声明与实现，对象实例化， new 与 delete 关键字，对象间的协作实现，断点 调试与 BUG修复，成员函数，构造函数，析构函数，函数重载，封装机制，单继 承的声明与实现， 继承关系中构造函数和析构函数的调用规则， 继承关系中的三 种访问权限，多态的概念，静态多态的函数多态，动态多态的虚函数实现，纯虚 函数的概念与实现，抽象类的概念与实现。、数据结构与算法（ Java ）主要内容：主要介绍用计算

5、机解决一系列问题， 特别是非数值信息处理问题 时所用的各种组织数据的方法、 存储数据结构的方法以及在各种结构上执行操作 的算法。通过本课程的学习，要求学生掌握一些常用数据结构（线性表、栈、队 列、树、图等）的特点、存储表示，理解一些常用算法 （排序算法、 查找算法等） 的概念，并掌握度量算法效率的基本方法， 培养学生综合运用数据结构与算法知 识解决实际问题的能力。课程借助于主流语言（ Java）的实现，培养学生上机操 作能力，实验项目的设计围绕课程章节，通过项目需求分析、涉及知识点介绍、 编码实现和调试的训练，达到理论与实践应用相结合，学以致用。、应用统计学与 R 语言建模 主要内容：主要包括

6、数据的描述性分析、随机变量的概率分布、参数估计、 假设检验、类别变量分析、方差分析、一元线性回归、多元线性回归、时间序列 预测、聚类分析。、服务端技术原理与应用 （Java）、软件工程主要内容： 主要包括软件工程的三要素、 常用的软件开发方法、 五个面向理 论、过程管理、生产周期及开发模型、瀑布模型、增量模型、螺旋模型、迭代模 型、原型模型、需求分析、 UML建模（用例图、活动图、泳道图、类图） 、软件 设计、软件建模、软件测试、软件项目跟踪和控制、风险管理、软件质量保证、 技术评估。、大数据技术原理与应用 主要内容：介绍目前业内常用的大数据处理工具及其国内知名互联网公司大 数据的使用案例；介

7、绍了 Hadoop整体架构、 HDFS体系结构、 HDFS shell 及其 API；重点介绍了并行计算 MapReduce原理框架、 MapReduce Shuffle 调优、分区以及合并；介绍了 NoSQL数据库的原理、及其类型，其中重点介绍了HBase原理架构、环境搭建、 API 接口以及企业编程实践；介绍了云数据库产品、系统 架构以及实践应用； 介绍了流式计算的流程、 开源框架、 应用场景以及开发应用 实践；介绍了数据可视化常用工具、 访问接口以及可视化典型案例； 介绍了 Hive 的系统架构、工作原理及其数据处理的应用实践； 介绍了 Spark 的生态系统、运 行架构、部署与应用方式

8、、常见 Spark 开发应用实践；、数据预处理技术与应用主要内容： 介绍了数据预处理的基本原理与流程， 其中包括数据清晰、 数据 集成、数据变换、数据规约以及应用场景；介绍了数据预处理框架ETL的原理、系统架构、安装部署、任务调度监控以及性能调优；介绍了数据收集框架 Flume 的原理、环境搭建、个性化组建设计以及配置性能优化；介绍了基于Flume、Kettle 的数据收集及预处理的应用开发实践。、数据挖掘与应用主要内容：介绍了数据挖掘的基本原理与应用场景， 理解数据挖掘的相关技 术的含义和理论、 数据挖掘的应用场景和应用分析； 介绍数据挖掘产生的发展的 相关概念；了解数据挖掘几种方法和储存类

9、型、不同数据存储的数据挖掘原理、 知识发现 IM 的任务与目标、聚类分析研究的概念和目标；介绍了知识挖掘的基 本原理、快速数据挖掘工具 RapidMiner 使用；掌握关联规则来发现事务之间的 关联规则、联系；理解 FP-tree 算法原理和生成过程、决策树相关概念和原理、 信息增益算法的思想、 朴素贝叶斯分类来解决分类问题掌握分类的基本概念和步 骤；介绍了文本 W内容挖掘方法、常见的几种 Web内容挖掘方法；、大数据可视化技术与应用主要内容：通过本课程的学习使学生掌握数据可视化的一般原理和处理方法， 能够熟练使用数据可视 化工具对数据进行可视化处理。针对实际应用中遇到的 不同类型的数据介绍相

10、应的可视化 方法，熟练掌握常用的可视化工具，如 Echarts 、D3.js 、Three.js 的基本配置与应用并可 结合后端进行可视化报表展 示。、 Spark 与集群技术主要内容：介绍了 Spark 生态系统、架构及容错机制， Spark 集群部署及测 试；介绍 Spark 在集群部署方面的三种方式： Standalone 方式或者基于 Mesos、 基于YARN方式的异同。介绍了 Mesos和Yarn两种方式架构原理， 通过简单的编 程实践实现对多种数据源（如 Kdfka 、Flume、Twitter 、Zero 和 TCP 套接字） 进行类似 Map、Reduce和 Join 等复杂

11、操作，并将结果保存到外部文件系统、数 据库或应用到实时仪表盘； 介绍了模拟复杂的批量处理、 基于历史数据的交互式 查询、基于实时数据流的数据处理使用场景；介绍了 Spark 框架。 Spark 基础解 析、 SparkCore 、SparkSQL 和 SparkStreaming 应用解析。介绍了使用 Kafka 和 Spark Streaming 构建实时数据处理系统以及 Flume 和 SparkStreaming 进行 实时日志分析。、大数据实时处理技术主要内容：介绍了实时计算技术框架与应用场景；介绍了 Storm 架构原理、 Zookeeper 集群搭建、 Storm 集群搭建及测试、

12、 StormAPI 案例开发、容错机制、 运维以及性能调优； 介绍了 Kafka 架构原理、集群搭建以及 KafkaAPI 测试开发； 介绍了 Storm 完整项目开发思路和架构设计、 StormTrident 项目开发模式、Storm 集成 Kafka 开发及项目实战、 HighCharts 各类图表开发和实时无刷新加载数据； 介绍了 Storm+Kafka+HBase的经典组合，完整呈现企业实践项目。、 Spark 内存计算与应用主要内容：介绍了 Scala 数据结构、模式匹配、高阶函数、类和对象、隐式 转换、 Akka实例实操；介绍 Spark 生态系统、架构及容错机制、 Spark 集

13、群部署 及测试。介绍 RDD弹性分布式数据集、 RDD实现原理、Action 和 Transformation 、 窄依赖与宽依赖；介绍 RDD常 用函数、 Spark Job 执行原理分析、 shuffle 操作 解析、 Spark 广播变量与累加器、 Cache 与 checkpoint 问题；介绍 Spark SQL 组件、架构、DataFrame、SparkSQL运行原理以及 Spark SQL基础应用、 SparkSQL 性能调优，并对复杂应用案例实战。介绍了 Spark MLlib 原理、框架及其应用。 介绍了 SparkStreaming 与 Kafka 的集成应用， Spark

14、Streaming 与 Flume、Redis 集成开发应用。、虚拟化与云计算技术 主要内容：介绍了云计算发展历程、分类、产品、私有云、公有云以及混有 云的原理及应用场景；掌握 Docker 安装配置、常用命令、磁盘管理与备份、虚 拟化、独立外网 IP 配置、使用 PipeWork 配置独立 IP 、Docker 中构建服务环境 （Nginx、LNAM）P、DockFile 管理、 Docker 自动化管理和报表、 Docker 自动化 管理工具、 Linux 操作系统原理；介绍了 KVM虚拟化技术原理、 KVM技术相关云 计算基础； 掌握 OpenStack原理及架构、 镜像服务、 Dash

15、board 界面以及 cinder快存储；介绍了基于云计算的 Hadoop和 Spark 大数据实验平台环境搭建。、大数据仓库技术与应用主要内容：介绍了 Hive 的基本概念、系统架构以及使用场景，掌握 Hive 的架构体系组件作用与部署方式；介绍了 Hive表操作、 Hive 与传统数据库的区 别以及 Hive 的数据模型，掌握使用 Sqoop 迁移工具将数据仓库的数据迁移到关 系型数据库 MySQ；L 介绍了数据的导入， 查询和丰富的内置函数， 熟练使用 Hive 对数据进行清洗处理与查询。介绍 Java 编程可以创建自定义函数来实现具体的 业务逻辑，提升对复杂数据的分析处理能力。、大数据

16、安全技术与应用主要内容：本课程以大数据发展历史、特征、发展趋势为切入点，分析各领 域面临的大数据安全威胁和需求， 归纳总结大数据安全的科学内涵和技术研究方 向。在此基础上， 引出大数据安全的关键技术和应用实践。 随后对大数据安全的 产业动态、法律法规、标准研究进行系统梳理，预测大数据安全的发展趋势。通 过本课程的学习，使得学生理解大数据安全的基本内容、 核心技术、使用机制等。、数据挖掘与可视化综合实践主要内容：本课程主要针对已具备大数据处理能力的学生讲授， 以实践为主。 本课程主要讲授数据挖掘的基本概念、原理、方法、技术，及数据可视化的原理 方法与工具使用，具体包括：数据的预处理、分类预测、关

17、联挖掘、聚类分析、 Echarts 、 D3.js 、Three.js 等内容。通过学习，使学生理解数据挖掘及可视化 的基本流程， 掌握数据挖掘与可视化的基本理论和技术， 熟悉数据挖掘成果的表 达；掌握数据挖掘与可视化的基本方法， 能熟练地应用数据挖掘技术对现实数据 进行有效的分析与展现、行业大数据领域分析综合实践主要内容：本课程主要针对已具备大数据处理分析能力的学生讲授， 以实践 为主。课程主要结合移动互联网、物流、电商、金融、传媒、医疗、教育、政务 等行业大数据分析任务，强化学生对包括：数据分析工具与实际问题转化思路、 数据划分、数据预处理、特征工程、 算法选择与优化等技术在不同业务场景下

18、的 熟练使用。、大数据处理综合实践主要内容：本课程主要针对已具备大数据处理能力的学生讲授， 以实践为主。 通过本次课程的学习使学生能够完成 Spark 运行环境及开发环境搭建；并理解 spark 的运行 架构；掌握 Spark RDD、Spark Streaming 、Spark SQL、 Spark ML 等技术；并全面掌握 Storm 技术开发、运维、调优；以及 Storm 完整项目开发 思路和架构设计、 StormTrident 项 目开发模式；并且掌握 Storm+Kafka+HBase 的经典组合； 能够对 Flume+Kafka+Redis+Spark 进行整合，最终完成整个项目。

19、、云计算应用综合实践主要内容：本课程主要针对已具备云计算技术能力的学生讲授， 以实践为主。 通过本课程的学习使学生掌握云计算的概念， 了解云计算理论架构及应用、 了解 常见的虚 拟化技术；使学生可以熟练掌握 docker 容器的使用和封装、 KVM、 VMware 等虚拟化技术的使 用及维护、 OpenStack 云平台的搭建及日常运维、 kubernetes+docker 平台的搭建及日常运 维等相关技术；最终可以完成一个私 有云平台的搭建。、行业大数据系统开发综合实践主要内容：本课程主要针对已具备大数据系统开发能力的学生讲授， 以实践 为主。课程涵盖了大数据系统综合开发应用的知识体系及热点

20、领域， 包括数十种 开源大数据组件的部署、开发与使用，主流商业大数据平台的部署、 开发与使用。 针对专业学生特点和先修知识储备， 力求使学生对该领域有比较全面清晰的掌握， 并能够应用于项目实践和竞赛实践。 通过对本门课程的学习， 使学生初步获得大 数据平台部署、开发和管理的能力， 并引导学生利用大数据技术解决遇到的海量 数据获取、分析与处理、可视化等实际问题。、 Linux 集群综合实践主要内容：本课程主要针对已具备 Linux 系统管理能力的学生讲授， 以实践 为主。本课程主要包括 CentOS的安装、网络管理、路由管理、文件共享服务、 LAMP、LNMP、集群与双机热备等知识技能。通过本课程的学习，使学生具备独立 搭建