小学数学统计教学现状及对策探讨涯的一个重要课程。不仅在很多其他的数学学习板块对统计学的知识应用较多，就是在其他学科或者我们的生活中，对这一领域的知识运用也是相当广泛的。小学统计数学是一个为学生打基础的阶段，在这一阶段内提高学生对统计学知识的掌握能力十分重要，对学生未来数学知识的进步可以起到非常重要的作用。这就要求小学数学统计学教师掌握相关教学技巧，提高授课水平和能力，为学生的统计学学习打下良好的基础。小学数学统计教学现状对策小学数学的统计学知识对于学生的数学学习来说是十分重要的，它可以帮助学生解决许多其他数学问题。统计学知识是一门比较重要的知识，在我们现在的生活中的很多领域也会涉及，学生需要对这方面的知识得到较好的了解和掌握。但是现阶段的小学数学统计学领域，学生的掌握能力不高，出错率较大，这就为小学数学教师指明了问题存在的方向，需要教师找到问题存在的原因，并寻找出相应的解决措施。

一、小学数学统计学教学　　教育部在《全日制义务教育数学课程标准（实验稿）》中明确指出，将统计与概率的内容列为小学数学的四大领域之一。并对该部分的教学目标做出了详细的要求，需要让学生能够亲自体验较为简单的数据统计环节，能够让学生了解数据整理、收集和分析的方法，同时对数据结果进行较为简单的分析，总结。

小学数学的统计学教学是小学数学教学的重点，也是一大难点。在整个教学过程中，数学教师要充分考虑到小学生的心理特点，培养学生的统计学思想和数学分析能力，设计好教学环节，培养学生的学习兴趣，提高教师的授课水平，提高学生的知识水平。　　二、小学数学统计教学存在的问题　　小学数学的统计学是小学数学的重要内容，是学生必须要熟练掌握的内容，但是就目前教学反馈来看，学生的出错率较高，仍然是学生学习过程中较为薄弱的环节，这就需要引起教师的思考，寻找课堂授课的过程中存在的问题，综合分析课程难度与学生的接受能力，只有这样才能促进教学水平的提高。收集整理小学数学的统计学教学过程中存在的问题有以下几点：　　1.备课难度较大　　新课程标准教学下，增加了对小学数学统计学的内容，有些教师之前对这部分的内容没有进行过授课，一方面，缺乏各方面的经验；另一方面，备课任务量加大，需要从各个方面把握教学目标、教学手段和教学技巧。小学数学的统计学概念对于学生来说，难以理解，教师在授课过程中不能理解学生存在的问题，不能清楚地认识到学生的难点，从而在进行授课的过程中，对时间分配和力度分配方面都存在着一定程度上的偏差。此外，有些教师自身的专业知识缺乏，在与学生互动的环节中，不能详细、明了的解答学生的困惑，反而容易形成误导，这是教师授课过程的“致命伤”。　

2.统计学课堂的组织授课形式较为复杂　　小学数学的统计学知识在题目来看较为抽象，所以在解决这类问题时要将抽象的问题具体化，可以进行具体的实验操作或者借助图表信息。但是，教师往往不能较好地把握课堂时间安排，因为组织统计学的课堂活动难度较大，在时间上占用较多，这就会影响学生的教授效果。一般来说，在组织学生进行统计学的实验活动时，组织活动时间与教师点拨、总结、加以指导和进行反馈检测的时间比例应相当。　　3.学生的学习兴趣难以提高　　一般来说，比起纯粹概念性和公式性的数学内容来说，小学数学的统计学知识的趣味性还是可以挖掘出来的。由于教师的授课方式不当，教学方法欠缺，对教学技巧的应用较少，使得学生会对这部分的内容感到厌倦，影响听课效率和学习效果。“兴趣是学习的最好的老师”，只有在培养起学生的学习兴趣之后才能更好地实现教学目标。　　三、提高小学数学统计学教学的措施　　小学数学的统计学是一个较为抽象的内容，在解决这类问题的时候需要学生掌握一定的方法，只有在理解问题的基础上进行解答才能提高这类问题的答对率，也可以在平时的生活中灵活运用。　

1.培养学生的统计思想　　统计思想是一个抽象的名词，是指学生在解决一些数据问题的过程中，将统计方法运用到问题解决的环节的一种思维表现能力。教师要考虑到学生的心理特点，并结合统计学的学科特点，进行统计实验的设计，在实验探究的过程中，学生的统计思想就可以自然而然的形成了。例如，最简单的实验素材就是将不同颜色的小球混在一起，寻找小球数量最多的颜色。学生会将不同颜色的小球分开放置，然后数出每种颜色的小球的数量，最后进行数量的对比。在这个实验环节中，学生先将小球分开放置，然后对比数量的方法就是统计学中常用的方法，这样一来，学生的统计思想就形成了　　2.培养学生的统计数据分析能力　　由于统计学教学目标中要求教师适当组织进行课堂活动，让学生了解并感受统计分析数据的功能的过程，理解统计学的意义，教师需要在授课过程中组织有效的课堂活动，提高教学有效性。教师应该尽量选取贴近生活的实例，可以模拟一种场景，假设体育课上，体育老师要组织大家做游戏，有些同学希望玩“老鹰捉小鸡”的游戏，有的同学想玩“丢沙包”的游戏，还有一些同学喜欢做“切西瓜”的游戏，为了公平一点，老师要求大家想办法解决这个问题。对于这种问题的解决，教师就可以引入统计学的知识了，在课堂

上，教师要求学生将自己喜欢的游戏写下来交给老师，再由教师分开进行统计数据。最后将所得的数据记录下来，可以用统计表、统计图的形式表现出来，这样很自然地引入了统计图表的概念。　　3.提高学生的学习兴趣　　教师应该充分理解和掌握小学生的心里特点和思维习惯，根据他们的特点设计教学形式。例如，这个年龄段的孩子更喜欢用动手能力去获得知识，教师就可以提前讲清楚课堂要求，做好课堂上的准备材料，在课堂上组织有意思的又不脱离教学内容的课堂活动，用这种方法吸引学生的注意力，提高学生的学习兴趣。　　4.培养良好的计算习惯　　教师在授课过程中和辅导过程中要注意提醒学生注重书写，看清题目要求，认真书写计算。只有养成良好的运算习惯，才能保证计算的正确率。　

四、结束语　　小学数学的统计学知识是小学数学学习的重要内容，对于这部分内容的讲解需要数学教师掌握一定的方法。针对课堂教学目标进行合理的课堂教学环节的设计，逐渐培养起学生的统计思维和数学分析能力，让学生掌握一些基本的数据分析方法，将数据和图表结合起来，培养数据的分析能力和“数形结合”的思想。在授课过程中，教师可以适当组织课堂活动，提高学生的参与度，培养学生的学习兴趣。只有这样，才能提高小学数学统计课堂的教学有效性，为学生的统计学学习打好基础。

一、大数据处理技术-基于Hadoop/Yarn的实战(含Spark、Storm和Docker应用介绍 )

本课程从大数据技术以及Hadoop/Yarn实战的角度，结合理论和实践，全方位地介绍Hadoop/Yarn这一高性能处理大数据工具的开发技巧。本课程涉及的主题包括：Hadoop/Yarn分布式文件系统DFS；MapReduce的的工作机制、类型和格式；如何构建和管理Hadoop/Yarn集群；Pig Latin语言的使用技巧；Hive数据仓库工具介绍；HBase和Zookeeper工具的使用和管理；开源数据采集工具sqoop。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Hadoop/Yarn系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 云计算及大数据处理技术介绍

第二讲 Google的关键技术

第三讲 Hadoop系统及HDFS

第四讲 MapReduce计算模型设计

第五讲 Pig 数据流处理工具

第六讲 云数据仓库Hive

第七讲 HBase和NoSQL

第八讲 数据抽取工具Sqoop

第九讲 Hadoop与其他云数据处理技术的融合

二、大数据实时处理–基于Spark的大数据实时处理及应用技术

课程中结合实例，介绍图工具GraphX如何发现社交网络中的人际关系，大数据挖掘工具MLlib如何进行商品聚类和电影推荐，以及Streaming流挖掘工具,并探讨了Spark与Docker等云环境下新技术的结合，分析了其应用前景。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Spark实时大数据工具来解决业界的问题，并介绍了Spark生产环境搭建的相关知识。

第一讲 Spark大数据实时处理技术

第二讲 Spark安装配置及监控

第三讲 Scala编程语言使用概述

第四讲 Spark分布式计算框架

第五讲 Spark内部工作机制详解

第六讲 Spark数据读取与存储

第七讲 Spark通信模块和容错机制

第八讲 SQL On Spark

第九讲 Spark流数据处理工具Streaming

第十讲 Spark中的大数据挖掘工具MLlib

第十一讲 Spark大规模图处理工具GraphX

第十二讲 Spark与其他大数据技术的融合与应用

三、Storm大数据流式处理技术

本课程从大数据流式处理技术以及Storm实战的角度，理论和实践相结合，全方位地介绍Storm大数据流式处理工具的原理和内核。以案例分析的方式来帮助学员了解如何用BDAS系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 Storm大数据处理介绍

第二讲 Storm配置和容错机制

第三讲 Storm可靠性及消息传输

第四讲 Storm拓扑及流分组

第五讲 Spout和Bolt详解

第六讲 分布式DPRC

第七讲 Storm事务拓扑

第八讲 Storm中的Trident

第九讲 Trident的状态

第十讲 Storm企业应用

四、大数据分布式存储系统

在大数据时代，很多企业的数据都是逐步积累的，这就要求存储系统有很好的横向扩展能力；而要对传统存储设备进行横向扩展，会带来很高的成本，但是分布式存储却能够比较好的解决这样的问题。

第一讲 分布式存储系统概述

第二讲 大数据集（超大文件）存储

第三讲 海量小文件存储

第四讲 分布式存储技术发展新动向和趋势

五、大数据前沿技术分析与应用

大数据相关技术最近几年出现了井喷的趋势，众多技术纷纷出现，典型的系统包括Hadoop、Spark、Flume、Scribe、Kafka、Storm、Mahout、MLlib、Docker等，涵盖网络数据爬取、日志采集、分布式消息订阅、大数据分析挖掘等方面，涉及离线批处理、实时处理、流式处理等多种处理方式。这些技术解决不同的应用需求，涉及面广，技术要求高，交叉知识范围广，知识内容更新频繁，要理清其中的关系，从中发现最适合本机构的技术，成为了目前各机构技术专家的一个难点。

第一讲 大数据技术基础

第二讲 批处理大数据平台Hadoop

第三讲 实时大数据平台Spark

第四讲 流式大数据平台Storm

第五讲 Python网络爬虫

第六讲 大数据日志采集工具Flume

第七讲 分布式消息订阅工具Kafka

第八讲 NoSQL云数据处理工具

第九讲 大数据中的SQL工具

第十讲 大数据分析挖掘工具

第十一讲 资源虚拟化工具Docker

第十二讲 大数据技术展望

六、数据仓库与数据挖掘（结合SPSS和WEKA）

本课程重在突出数据仓库与数据挖掘决策支持的本质，介绍数据挖掘的各种方法、技术实现手段，通过对实例的深入剖析解释它们的原理。

第一讲 数据仓库原理及联机分析技术介绍

第二讲 数据仓库设计与开发

第三讲 基于数据仓库的决策支持系统

第四讲 数据仓库案例剖析

第五讲 数据挖掘与知识发现

第六讲 关联分析算法及其案例

第七讲 聚类分析算法及其案例

第八讲 其它数据挖掘算法介绍

七、Python和R数据挖掘技术-基于Python和R语言的数据挖掘和统计分析技术

本课程将对基于Python和R语言进行数据处理、数据探索的基本方法，利用R语言实现模型选择、Logistic回归及决策树算法，以及贝叶斯算法及支持向量机、神经网络等算法原理及实现进行讲解。

第一讲 数据挖掘，Python和R简介

第二讲 数据的导入与导出

第三讲 数据可视化展现

第四讲 决策树与随机森林

第五讲 回归分析

第六讲 聚类分析

第七讲 离群点检测

第八讲 时间序列分析

第九讲 关联规则

第十讲 社交网络分析

八、大数据分析挖掘-基于Hadoop/Mahout/MLlib的大数据挖掘(含Spark、Storm和Docker应用介绍 )

本课程从大数据挖掘分析技术实战的角度，结合理论和实践，全方位地介绍Mahout和 MLlib等大数据挖掘工具的开发技巧。本课程涉及的主题包括：大数据挖掘及其背景，Mahout和 MLlib大数据挖掘工具，推荐系统及电影推荐案例，分类技术及聚类分析，以及与流挖掘和Docker技术的结合，分析了大数据挖掘前景分析。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Mahout和 MLlib挖掘工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 大数据挖掘及其背景

第二讲 MapReduce/DAG计算模式

第三讲 云挖掘工具Mahout/MLib

第四讲 推荐系统及其应用开发

第五讲 分类技术及其应用

第六讲 聚类技术及其应用

第七讲 关联规则和相似项发现

第八讲 流数据挖掘相关技术

第九讲 云环境下大数据挖掘应用

九、Spark大数据挖掘工具MLlib实战(机器学习)

本课程主要讲解Spark MLlib，Spark MLlib是一种高效、快速、可扩展的分布式计算框架，实现了常用的机器学习，如：聚类、分类、回归等算法。讲解各个算法的理论、详细展示Spark源码实现，最后均会通过实例进行解析实战，帮助大家真正从理论到实践全面掌握Spark MLlib分布式机器学习和大数据挖掘方法。

第一讲 Spark大数据实时处理技术

第二讲 Spark安装配置及监控

第三讲 Scala编程语言和分布式计算模型

第四讲 Spark MLlib线性回归和逻辑回归算法

第五讲 Spark MLlib贝叶斯分类算法

第六讲 Spark MLlib决策树算法

第七讲 Spark MLlib聚类算法

第八讲 Spark MLlib关联规则算法

第九讲 Spark MLlib个性化推荐算法

第十讲 Spark MLlib神经网络算法

十、Python语言基础及数据分析技术

Python语法简洁清晰，Python具有丰富和强大的库。能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。Python包括一套完整的数据处理、计算和制图软件系统；简便而强大的编程语言：可操纵数据的输入和输入，可实现分支、循环，用户可自定义功能。

本课程将对基于Python语言进行数据处理、数据探索的基本方法，并对Python语言算法原理及实现进行讲解。

第一讲 基础知识

第二讲 Python数据结构

第三讲 选择与循环

第四讲 字符串与正则表达式

第五讲 函数设计与使用

第六讲 面向对象程序设计

第七讲 文件操作

第八讲GUI编程

第九讲 数据库编程

第十讲 科学计算与可视化

第十一讲 大数据处理

十一、大数据可视化技术与应用

本课程立足于可视化的本质问题，从设计的角度讲述数据可视化技术，而非可视化实现算法。

课程通过演绎可视化设计的基本流程、常用工具和方法，加上针对典型数据类型可视化方法的案例分析，以启发学员思考，达到以更加丰富的可视化方法，运用各种交互设计手段进行可视化分析与探索，深入挖掘自身现有业务数据价值的目的。

第一讲 数据可视化概述

第二讲 可视化设计基础

第三讲 可视化编码基础

第四讲 地理空间数据可视化方法

第五讲 时变数据可视化方法

第六讲 关系数据可视化方法

第七讲 高维数据可视化方法

第八讲 文本数据可视化方法

第九讲 可视化交互设计方法

十二、云计算与大数据处理技术

本课程分别从多个角度分析在面对海量数据处理的困难时，不同的应用体系是如何解决问题并获得成功的。研究这些已有的体系不是目的，而是希望学员能够通过学习这些解决问题的方法和思路，通过归纳整理深入理解，再根据自己所面对的领域特征，形成解决具体实际问题的方案。通过本课程学习，希望推动国内云计算项目开发上升到一个新水平。

第一讲 云计算的概念与现状

第二讲 从Google云计算体系，理解海量数据处理的方法

第三讲 从Hadoop云计算项目，进一步研究云数据处理方法

第四讲 从Windows Azure，理解平台即服务的本质

第五讲 从Amazon云计算，讨论如何提供云服务

第六讲 实施云计算的关键点：安全策略

第七讲 当前数据中心如何向云计算环境转变？

第八讲 基础设施即服务（IaaS）关键实现技术

第九讲 软件即服务（SaaS）关键实现技术

为了在教学方面自我完善，自我提高，更好的服务于教学工作，结合自己的教学实践浅谈一些自己的心得：　　一、统计与概率的内涵的进一步认识　　数据能够帮助我们认识世界、做出决策和预测，而统计正是与数据打交道的科学，它是在人们对现实生活中数据资料的收集、整理、分析的过程中发展起来的。　　（1）紧密联系学生生活实际，创设情境。有了这样的情感学生学起数学知识来当然是事半功倍了。例如：“分苹果”的情境创设，动手操作，激发了学生提出问题，解决问题的欲望，让学生在情境中感受、理解数学问题。再如：圆的周长收集整理的实际测量，也练习了学生的动手操作。　　（2）在课堂上让学生充分交流讨论。在民主、和谐的氛围中开拓思维，积极参与，充分合作。教师适时地参与到学生的讨论和交流当中，较好地扮演了组织者、参与者、合作者的角色。　　（3）运用丰富多彩的课堂教学手段。随着科技的进步和发展，我们的课堂也要跟上时代的潮流改变传统的一支粉笔进课堂，这两节数学课让我增长了很多见识，随着一个个课件的展示，本来很难理解的数学难题变得形象、具体，一个个教学难点也随之被攻破。课堂也显得生动活泼了很多。如果有条件我们也要丰富我们的课堂，提高课堂的教学效率。

（4）引用《不列颠百科全书》对统计学的一个定义。《不列颠百科全书》对统计学的一个定义：“统计学是关于收集和分析数据的科学和艺术”。我认为定义中有三个比较关键的核心词，第一个是数据。“数据”和“数”的最重要的区别是数据是具有实际背景的，而“数”则并不一定。从这个意义上我们就可以理解了为什么说可以把“统计”从过去我们认为的“数的运算”中单独出来，成为一个相对独立的学习领域，统计主要作用正是通过数据处理来提取信息从而帮助人们进行决策。进一步，“随着信息高速的增长，我们需要进一步扩大对数据的认识。事实上，现在的数据不仅仅是数，其实图像也可以看成是数据、语句也可以看成是数据。只要蕴含着一定信息的，无论是什么表现形式，都可以看作是数据”。　　二、教学当中概念的处理方法　　在教学中，我们应该首先注重学生统计观念的形成与培养。能从统计的角度思考与数据信息有关的问题；能通过收集数据、描述数据、分析数据的过程，作出合理的决策，认识到统计对决策的作用；能对数据的来源、处理数据的方法以及由此得到的结论进行合理的质疑。收集整理养出来的感觉，统计学习要培养学生能自觉地想到运用统计的方法解决有关的问题。学生没有经历数据的收集过程，随机的数据对他们来说还是确定的，学生也就根本无从体会统计思想方法的价值。因此必须创设原始的随机情境，突出活动性，让学生亲身面对实际问题，亲自调查、收集数据，先体会随机数据的不确定、杂乱无章，然后组织学生经历数据的分类整理，凸现随机数据的特点。在这样的教学情形下，学生才深深地领悟到统计思想确实很有用。

我们还要注重学生在概率实验中的操作体验。教学中应以学生亲身经历和体验统计过程作为主线，即对数据从收集、整理、描述到分析、运用的全过程中突出学生的主体参与，再此过程中引导学生发现并提出问题，用适当的方法收集和整理数据，用合适的图表展示数据，对数据作简单的分析并对自己的分析、思考进行交流和改进。由于处理数据没有唯一的样式，在统计过程中，不同情况下、不同的学生会用不同的方法来记录和表示数据。因此，引导学生经历数据处理过程的教学具有很强的探索性。　　三、如何介绍收集和数据的分析和运用　　统计处理数据的步骤主要包括：第一是要确定需要解决什么问题；第二是决定收集数据的方法并收集数据；第三是整理并尽可能清晰地描述数据；第四是分析数据，并做出决策和推断。统计学有着它科学的一面，但也有艺术的一面。对于同样的数据，由于背景和目标不同可以有多种分析的方法，需要根据问题的实际背景选择合适的方法。也就是统计的方法没有简单的理论意义上的对和错，只有好和不好。　　统计在收集数据和运用数据做出推断等方面吸收了概率的主要成果和主要方法，产生了以抽样为特征的数学与概率论的统计学。数理统计学是运用统计的方法来研究随机现象、从而描述随机现象总体趋势的数学模型，它不会把注意力停留在个别的现象特征上，而是了解大量随机现象的总体的变化趋势，并由此得出随机现象的基本统计规律，进而得到关于社会发展、科学发现的统计预测。

最后，我们再概括地分析一下统计与概率的关系。实际上，众所周知，统计与概率都是研究随机现象的学科。“不论怎么说，机遇（或说偶然性）无所不在，机遇伴随着人的一生（当然随人的情况而有异），这是一个无法回避的现实”。统计与概率正是从不同的角度来研究怎样更好的刻画随机现象，统计主要侧重于从数据来刻画随机，概率则主要侧重于建立理论模型来刻画随机。另一方面，概率为统计提供了理论基础。在运用样本估计总体的过程中，抽样的合理性、样本推断总体的合理性，包括犯错误的风险，都需要概率的知识来提供科学依据（这在下文还要论述）。“‘机遇（机会）的数学’，它包含数学中的两个学科分支——概率论和数理统计学。概括来说就是，前者属于机遇数量化的理论基础。而后者则是其应用。”　　四、统计与概率课程的教育价值　　由上一段内容我们可以看出，统计的关键是客观地提炼和表述现实世界中广泛存在的随机信息，准确地分析并把握随机信息中的关键因素的规律性，科学地应用数据并做出正确决策是统计与概率的主要任务，而这也构成了大学阶段学习统计与概率的重要原因。具体来说，学习统计与概率的主要目的是让学生适应现代社会的需要；帮助学生形成和运用数据进行推断的思考方式；有助于学生朝着数学思考、解决问题、情感态度等多方面的发展。/　

在以信息和技术为基础的现代社会里，生活中充满着大量的数据和随机现象，各种信息量以成倍地速度增长，这时就需要人们面对它们做出合理的决策。事实上，每个人每天都会遇到许多需要判断和推理的事情。总之，生活已先于数学课程将统计与概率推到了学生的面前，统计与概率的思想已渗入人们日常生活和社会生活的方方面面。　　许多的例子表明，随着计算机等信息技术的飞速发展，数据日益成为一种重要的信息，21世纪的公民面临着更多的机会和挑战，常常需要在不确定情境中，根据大量无组织的数据，做出合理的决策，这就需要人们能对纷繁复杂的信息做出恰当的选择与判断，具有一定的收集??处理信息、做出决策的能力，并且能够进行有效的表达与交流。而统计与概率正是通过对数据的收集、整理和分析，来为人们更好的制定决策提供依据和建议。因此，要培养学生具有收集并处理数据、做出恰当的选择和判断的能力，以适应现代社会的发展，就必须将统计与概率的基本思想、方法和知识作为义务教育阶段数学课程的重要组成部分。统计与概率的学习必将为数学与学生的日常生活及其他学科联系起来提供一条自然的途径。

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

统计学中一体化教学的运用

据IT、互联网行业对统计类人才需求较大，占全部调研行业需求的35%；同时，约有1/5的用人需求体现在金融行业；房地产行业与服务业分别占1/10。结合上述行业自身特点与用人需求比例，统计类人才招聘主要集中在新兴行业，其中以技术类互联网行业为首。上述25542个统计相关岗位中，对高中以下及硕士以上学历员工需求较少，均不足10%；专、本科学历员工需求量较为突出，占全部需求的近4/5；其中，约有11622个岗位要求大专及同等学历，即符合高职高专学历的岗位约占全部岗位的45.5%。根据企业招聘岗位对学历要求，高职高专学生符合近50%岗位需求。　

从统计类人才岗位分布看，统计类相关岗位辐射了各个行业、各个部门，充分体现出企业对于人才需求的多层次、多样化。同时，统计技能在公司内部各岗位有着不可或缺的地位。根据智联招聘网站数据），企业对统计专员岗位需求量尤为突出，占全部岗位比重的近1/2。通过对上述岗位的岗位职责的具体分析，低层次统计人员，如统计专员岗位，在企业内部大多从事简单的数据资料收集、录入及报表汇总等技能性工作，工作中基本不涉及统计算法研究；相反，对中高层统计人才需求量相对较小，主要集中在管理岗及部分高端技术岗位，如数据经理、数据分析专家、首席数据官等。这些岗位要求员工掌握夯实的统计理论、扎实的统计算法技术及具备丰富的从业经验。通过上述职业岗位群分析，目前就业市场需要更多掌握统计技能而非专业统计理论算法的人才。因此，掌握基本的统计技能是学生毕业后迈向社会求职的基础。　　一、理论实践一体化教学法在统计课中的改革

通过对课程内容的模块化，把理论知识教学与技能训练相结合，以突出培养学生的职业技能为本。课程内容与要求、进度与教学环节设置均满足职业技能训练。21世纪是知识经济高速发展的时代。当下需要更多掌握新技能、适应新形式的高素质实用型人才。学校作为学生的良师益友、企业的合作伙伴，必须准确定位，根据社会需要和自身特点，在顺应时代发展、迎合企业用人需求的基础上，突出职业教育特色，培养出既有理论知识，又有较高实际操作能力的复合型高技能人才。传统统计学的纯理论教学已不适用。课程教学重心应偏向实践，做到理论结合实践，狠抓学生能力培养。　　（一）改革课程结构。　　传统学科型培养模式与企业用人需求之间的差距，体现出学生动手能力弱，综合能力差，适应工作岗位慢等短板。通过调研，统计类岗位需要学生了解统计学的基本概念，掌握统计数据的采集、整理、描述方法，熟练绘制统计图和统计表。根据岗位要求，将上述统计学课程知识转化为正确数据采集能力、准确信息分析能力、灵活软件操作能力，意在培养学生基本职业素质——数据敏感力、市场洞察力、统计分析的严谨力及吃苦耐劳精神。理论实践一体化教学打破了传统的章节式教学模式，改为知识模块式与操作模块式同行的教学方式，着重培养学生运用专业知识解决实际问题的能力。知识模块主要介绍统计的产生、发展，统计的研究对象、基本概念等。操作模块是通过Excel、SPSS等配套统计软件，集中讲解统计调查实施、数据整理、指标计算、统计分析报告的撰写等内容。这种模块式教学做到了以学生职业技能与就业能力为基础，教学计划以企业岗位要求为基础，配以大量现场教学，教学进度因学生自身而设定，教师起辅助指导作用，立足学生全面素质的提升。

（二）突出能力培养。　　理论实践一体化教学法引入案例教学，鼓励学生独立思考，引导学生由注重知识到注重能力的转变。教师运用PDCA循环对案例教学进行有效控制。P（Plan）——计划：精选案例；D（Do）——执行：讲解案例、拓展案例；C（Check）——检查：评价教学；A（Action）——处理：发现问题，改进案例；在案例教学实施中，通过优秀案例展示，学生首先对案例产生学习兴趣。教师对案例进行重点、难点讲解后，学生明确了学习目标。通过案例学习，学生加深对教学内容的理解，学会模仿案例，自主研究，以达到锻炼学生思考问题、分析问题的能力。　　二、改革的反响　　（一）理论实践一体化教学法适用于统计学课程。　　理论实践一体化教学法在统计课程中实施后，教师感触颇深，学生反响强烈。教师不再被课程章节束缚，不再按照教材照本宣科，能够根据模块需要，从每名学生实际出发，进行贴近学生的有针对性教学，从根本上实现了“宽基础”、“活模块”。与此同时，社会调查、模拟角色扮演等教学形式很好的融入模块教学，教师的身份逐渐转变为教练，更多的从事辅助、指挥、控制工作，为学生实践活动中遇到的难题答疑解惑。此外，案例教学有效的督促教师日常养成收集积累优秀案例的好习惯，做到针对不同基础学生，灵活运用不同案例，真正实现分层次教学。通过学生课堂参与度、课后访谈及部分参与企业实践学生的反馈，学生通过理论实践一体化教学法，激发了学习兴趣，充分发挥了学习的主动性和积极性。在培养自身分析问题、解决问题能力的同时，锻炼了语言表达能力和人际交往能力，增强了团队意识和吃苦耐劳精神，全方位提高了学生的综合素质和岗位胜任力。部分学生先后参与了“绿色环保、节能减排”大赛，把统计学技能运用到赛中，获得市较好名次。　

（二）实际教学中还存在一些问题。　　每一种改革都是尝试性的，并非能做到一步到位。理论实践一体化教学法也不例外。在实际教学过程中缺乏技能操作部分的教材。目前相当一部分统计学教材依旧按照知识体系编写。章节间并不是按任务进行划分，没有把学生的能力培养放在首位。即使实际教学活动中应用理论实践一体化教学法，教学设计以职业岗位要求为基础，由于缺乏相应配套的技能训练指导书，也给模块教学带来很大不便。技能模块实施的任务与企业实际岗位的工作任务相一致，这就需要传统统计学教材进行适当修订，与之同步。综合案例的缺乏也是理论实践一体化教学中的一个障碍。每位教师都希望找到一个真实的综合案例，贯穿整个教学过程，把所有教学环节融入到该案例中。但由于企业经验不足及行业数据的保密性，在目前课上很难见到从一而终的案例。

关于理工类高校统计学专业课程的实践教学探讨

作为一门方法论科学，统计学以收集、整理、分析数据，并总结数据的内在规律性为主。一方面，统计学专业注重学习基本的理论知识，提高学生的逻辑思维能力和统计思维能力，实践教学是必不可少的重要环节。这个环节把学生学到的知识进行深化，把理论知识转化为实践知识，让学生从理论到实践都具备一定的能力。另一方面，随着大数据时代的到来，作为一种分析工具，新的社会形势要求统计学可以和其他的专业相互结合，互相服务，培养“复合型”专业人才，在重视专业理论教学的同时，还要在专业实践教学中突出实际应用，以提高学生分析和解决实际问题的能力。

　一、 强化实践教学内容 　　为提高学生实践创新能力，实践教学首先要从内容入手。实践教学内容要注重知识重组、知识融合，在学生先后学习的专业课程中有连贯性，逐步提高学生实践创新能力。 　　（一）丰富的教学案例 　　根据教学目标和教学内容，以现实的社会现象为材料，精选案例，如建模竞赛题、政府发布的统计信息、报纸杂志中搜集的各种资料等，让学生亲身体会到统计学知识无处不在。这样既调动了学生学习的积极性，又增强了学生对所学理论知识的理解。借助案例教学，适当弱化理论内容，强化应用内容，注重培养和发展学生思维能力，尤其是分析问题、解决问题的能力。 　　与本校工科院系合作，在本校工科专业搜集相关的数据分析、处理等案例，比如交通统计、电力统计、水文统计和证券投资分析等方面的案例。遵循“校企合作，共谋发展，确保就业率稳步提升”的办学思路，与交通、电力、水利、物流、金融等行业的相关部门建立定期、常态化合作关系，搜集调查、信息管理、预测和决策等统计工作案例。 　　根据社会发展的需要，建设一批实践教学环节的特色选修课程、学科前沿讲座课程，聘请企业有实际经验的应用统计师担任主讲教师，结合行业特色，讲授统计学科实践性较强的课程，如应用统计软件、抽样调查、实验设计、生存分析、回归分析等。 　　（二）多层次的实验项目收集整理　　联合我校交通运输学院、经管学院、水利学院等工科学院，结合我院数学建模实践创新基地和统计分析实验室，构建“基础型、综合设计型和研究创新型”多层次实验项目群，引导学生进行自主分析、自主实验与实验报告撰写的探索，不断加强创新性实验向科研和工程领域的延伸。以学生为主体，精心设计一些思考性、探究性的实验项目，只提出实验要求和任务，让学生自己设计实验方案和步骤，充分发挥学生的创造力，以提高学生的学习积极性，培养学生的思维能力和创新能力。 　　（三）合适的统计软件 　　统计学是处理数据并进行推断的科学，需要进行大量的数据分析和科学计算，现代统计分析必须借助计算机软件来实现。软件实现是统计实践教学中不可或缺的内容。在实验教学过程中，更要重视统计数据、统计分析软件和计算机编程之间的联系。传统的统计分析软件SPSS和EVIEWS操作简单，发展成熟，可处理一般的时间序列和计量模型，但却无法处理海量的、复杂的大数据时代数据。目前，SAS软件和R软件具有强大的数据处理以及分析功能，在专科课程的学习中，将加入实践教学环节，将课堂教学与计算机软件结合起来。

　二、构建实践教学新模式 　　（一）构建“三层次、四模块、三结合”的实践教学体系 　　毕业（或生产）实习、毕业设计（论文）、课程设计、实验课教学等主要实践教学环节按“基础训练层、提高训练层、综合训练层”设计，强化“综合训练层”改革；实践教学内容体系分为“实习模块、设计（论文）模块、实训模块和实验模块”；实践教学模式采用“校内外结合，课内外结合，第一、第二课堂之间的结合”的方式组织实施。 　　在这些实践教学环节中，注重实习、实训，强化实际动手能力的培养和理论运用于实践的能力提升；毕业设计、课程设计紧跟国内外统计学科的发展方向，结合各类科研项目和生产实践，设置适应专业培养要求的课题，着力提升学生的自主创新能力；实验教学侧重于综合性实验项目的开发，鼓励学生开展自主创新实验。 　　（二）探索“四自主、四类型、四方式、四转变”的实验教学模式 　　进一步完善实验室开放的运行机制，实施学生“自主填写实验课表、自主选定实验项目、自主调试实验设备、自主拟订实验方案”的“四自主”实验教学过程；建立统计学实验项目库，加大“设计性、综合性、研究型、创新性”等“四类型”的实验项目的建设与执行力度；通过不断补充和完善实验项目，协调与理论课的衔接，扩展学生自主学习环节，使其更适应“自主式、开放式、合作式、探究式”等“四方式”的学习方法；逐步实现“四个转变”：变知识传授为能力培养，变被动接受为主动探究，变教材学习为资源共享，变教师包办为学生自主学习，努力提高实验教学效果和教学水平。 　　（三）充分利用校内外资源，构建新型实习实训教学模式 　　近三年，我院建立了由学院、实习基地和用人单位组成的专业建设指导委员会，共同研究本专业的人才培养要求和目标，并根据社会发展的需要制订相应的培养方案，努力探索校企合作、人才培养新思路，建立校企合作的协同育人新机制。充分考虑实习实训内容的丰富性、现场教学的时效性、生产过程的复杂性及统计应用项目的不可重复性等特点，采用校内外实习与实践基地相结合、计算机虚拟仿真与统计模型相结合的实践教学方式，安排学生到企业开展为期半年的学习和实习，由校企双方共同指导学生的生产实践、毕业实习和毕业设计。

迄今为止，我院不僅在校内建立了5个实训基地，还先后与湖南省统计局、国家统计局湖南调查总队、中国人民银行长沙中心支行、中国石油天然气股份有限公司湖南销售长沙分公司等企业建立了实习实训基地。2012级统计学专业学生，也是我院第一届统计学专业的学生，近60人在这些企业进行了课程设计、认知实习、专业实习等，部分毕业生正在这些企业进行毕业实习，帮助企业进行统计软件管理与维护，对企业经营数据进行统计分析，为企业商业决策服务。 　　（四）抓好竞赛和项目研发 　　积极推进创新型实验项目申报与研发，在完成现有创新性实验项目的基础上，吸引更多的、具有不同特点的学生参与科技创新实验活动，不断扩大创新性实验活动的学生受益群体。进一步组织好学生参加数学建模大赛、统计建模大赛、统计调查大赛等，力争获奖等级再上新台阶。组织学生参与各级各类创新性竞赛和科技立项，激发学生的创新力和创造力。通过学生创新团队、学生社团、专业技能培训等课外实践活动的开展，为培养学生的实践创新能力提供更便利的条件。 　　三、结语 　　实践教学是培养本专业学生的实际操作能力和创新能力的重要环节，在统计学专业教学中占有较大比重，担负着培养适合社会发展需求的“复合型”人才的重要使命。只有将统计方法应用于实践，加强技能训练，才能真正提高学生的统计应用能力。为实现这一目标，就需要构建和实施具体可行的适合统计学专业发展的实践教学体系，在实践中不断探索理工类统计学专业的实践教学体系和模式，从而不断完善专业实践教学内容和教学模式，以丰富的教学案例和多层次实验项目来强化教学内容，加强课内外、校内外的实训和实习，培养和提高学生的统计思维和实践创新能力，从而为社会培养更多的能够适应新经济形势下需要的综合素质高、业务能力强的复合型、应用型统计专业人才。

给大家整理一下本年度一些优质的文章，根据大数据相关的知识点一个个整理的，整理的内容包括知识点普及、学习书籍、学习路线图、学习笔记、学习资料、学习视频等等。

AI时代就业指南

未来已来：AI时代就业指南

AI时代就业指南：计算机、统计完全零基础，到底能不能学数据分析？

AI时代就业指南：数据科学人才成长之路

AI时代就业指南：Java 程序员如何转行做大数据？

AI时代就业指南：企业在招什么样的大数据工程师？

AI时代就业指南：女生适合做数据分析吗？

AI时代就业指南：数据挖掘工程师成长之路

AI时代就业指南：数学专业，你看不见的前尘似锦

AI时代就业指南：数据挖掘入门与指南

AI时代就业指南：普通程序员如何转向AI方向

AI时代就业指南：作为大数据从业人员，如何写好一份可堪入目的简历？

大数据

【入门】大数据行业如何入门-书籍、工具、案例（问题集锦）

【工具】2017 年你应该学习的编程语言、框架和工具

【资料】史上最全的“大数据”学习资源（上）

【资料】史上最全的“大数据”学习资源（下）

【路线图】大数据工程师学习路线图

【路线图】2017年最全的数据科学学习计划

【就业】2016年数据科学薪酬大盘点

【学习群】数据挖掘-机器学习

数据分析

【入门】数据分析那些事（数据分析师入门必看）

【职业】数据分析与数据挖掘类的职位必备技能

【职业】与大数据相关的工作职位有哪些？

【路线图】数据分析师学习路线图

【路线图】数据科学学习路线图

【书单】数据分析师的必读书单

【学习群】人人都是数据咖

统计学

【书单】统计学入门经典书单

【视频】大数据统计学基础

【学习群】大数据-统计分析

SQL

【文章】实用SQL语句大全

【笔记】SQL学习点滴合集

【视频】13次课了解sql2008的故事

Python

【教程】python快速教程

【文章】python爬虫实战

【文章】Python-pandas技巧系(量化小讲堂)

【路线图】python学习路线图

【路线图】Python大数据学习之路

【资料】python机器学习入门资料梳理

【视频】Python入门：数据分析与数据挖掘

【课程】Python进阶：数据挖掘实战

【学习群】Python数据挖掘-初级

【学习群】Python数据挖掘-高级

R

【文章】R语言知识体系

【文章】怎样学习R（上、下)

【文章】ggplot2绘图入门系列

【文章】R利剑NoSQL系列文章

【文章】R语言常用数据挖掘包

【路线图】R语言学习路线图

【视频】R学习免费学习视频

【课程】R语言入门

【课程】R语言实战

【课程】机器学习与R语言实践

【课程】R语言量化交易

【工具】全球最火的R工具包一网打尽，超过300+工具，还在等什么?

【学习群】R语言数据挖掘-初级

【学习群】R语言数据挖掘-中高级

Hadoop

【文章】Hadoop学习路线图

【文章】RHadoop实践系列文章

【教程】Spark入门实战系列教程

【课程】大数据实战工具Spark

【学习群】大数据-hadoop-spark

数据挖掘/机器学习

【入门】机器学习和数据挖掘推荐书单

【路线图】R语言学习路线图及R数据挖掘包

【路线图】Python数据分析和数据挖掘学习路线图

【路线图】机器学习路线图

【资料】近200篇机器学习&深度学习资料

【学习群】大数据-机器学习

因文本问题无法嵌入链接，请复制http://ppvke/Blog/archives/27665 至浏览器查看原文

课程介绍

1.面向对象

有短期工作经验，希望通过学习进入数据行业的；研究生或高年级本科生（背景调查）

需要什么基础？高数。逻辑思维，热爱数据以及有恒心

2.学习环境

数据分析和挖掘的语言和环境：Python（x,y）,Anaconda

3.参考书

4.学习目的

理解数据，理解量化，理解模型

掌握概率统计

掌握一门工具

学会处理数据：收集、转换、载入

学会数据分析：分析思想和分析方法

学会基本的数据挖掘

大数据是IT领域热度最高的项目之一，其主体内容为统计学、运筹学、机器学习、沟通能力、编程、可视化、商业直觉、数据处理和行业知识等。大数据培训是大数据发展带动下的衍生行业，是培养大数据专业人才的关键。北大青鸟旗舰总校给您更好的发展，体验不一样的大数据课程。

课程模块

模块一

模块二

模块三

模块四

模块五

产品体系-优势、亮点（专业版）

01课程绝对深度+前沿性 好工作、职业发展、各种技术转型

Java+大数据 全栈、技术储备

加入“互联网架构师”课程 绝对提升Level

业务架构

信息架构

应用架构

技术架构

安全架构

网络拓扑架构

不断增加的新技能点

02遇到问题、分析问题、解决问题—最佳实践性教学

业务级解决方案

03遇到问题、分析问题、解决问题—最佳实践性教学

业务级解决方案

系统级解决方案

04项目贯穿、真枪实弹

丰富的项目库，互联网项目为主

垂直架构 | 分布式架构 | 微服架构

互联网应用——最佳解决方案

架构方面

技术方面

业务方面

所有的项目均采用敏捷方式进行开发管理

传统行业

1、架构：垂直架构

业务相对简单、用户量较小、较少的高并发处理考虑

2、技术

Java Core、Web框架(SSM/SSH)等

3、数据存储

Oracle、MySql

互联网行业

1、架构：分布式集群架构

用户量/PV量大增、高并发/高访问处理、业务模块化…

2、技术

DubboX(微服)、MQ、分布式事务处理、缓存技术等

3、海量数据大数据(抓取数据+数据分析挖掘+可视化)

Hadoop、Spark、Storm、Deep-Learning

互联网技术岗位变化-1

1、技术相互交融，各岗位之间界限不明显

对人员的要求：广度+深度

2、技术岗位的职业发展

Backend Dev—技术转型便捷性

3、大数据岗位需具备开发语言基础

互联网技术岗位变化-2

1、产品变革，大数据学院更适应市场需求

2、开发语言作为基础纳入到大数据学院中

大数据岗位技术要求

1、java/Python

2、分布式、高并发、集群、架构设计

3、Hadoop、Spark、Storm、Hive......

4、数据库&缓存技术

5、Web框架

大数据岗位开发语言要求

在大数据岗位总体技术要求分析中，其中Java语言占到73.12%的出现频率，即在大数据工程师招聘信息中有73.12%的招聘信息对Java语言有技术要求

大数据岗位类型

大数据岗位薪资

规划思路

立足当下，把握趋势，分层次培养,成就高薪就业

旗舰总校具备拓展市场的能力

多产品，清晰各类产品的市场定位

产品体系：广度+深度 | 基础升级

产品模块化，可自由组合+拆分

线下培训是适用于所有想学大数据的朋友，对于基础差、自学能力较弱、自控力较弱的朋友来说，选择线下机构是最好的选择，远程和视频等教学方式很容易半途而废。

在如此快速的到来的大数据革命时代，我们还有很多知识需要学习，选择北大青鸟旗舰总校，未来定会前程似锦。

互联网融合下构建新的统计学专业课程体系的改革与实践

桂林理工大学应用统计学专业在互联网融合新形势下，采取边研究、边实践的方法，对应用统计学专业课程体系进行了改革与实践，在研究中及时将研究成果运用到教学实践中，其研究成果将对互联网新形势下，培养适应我国经济发展、具有理论和实践的统计人才，特别是对广西的统计学教育以及广西的经济发展起到积极的推动、示范作用。 　

　一、构建新的课程体系 　　在互联网融合下，首先要让学生拥有扎实的数理基础和极强的应用能力，才能让学生尽快地学会、适应互联网融合新形势下社会各个层面對应用统计学专业学生的新要求，并考虑到广西本区经济社会及生源特点的具体情况，我们将应用统计学定位于方法论的科学，确立专业服务方向和培养目标为：适应互联网融合新形势，为全社会进行宏观调控、微观管理和科学研究培养搜集、传输、管理、加工和开发信息的统计信息产品的生产者与管理者。然后，紧紧围绕学科定位与专业培养目标，对课程体系收集整理进行系统的改革和不断完善，并制定相应的培养方案。 　　我们构建了新的课程体系，对应用统计学与互联网进行了科学的融合。融合的脉络是，以厚实数理为基础，以经济学典型问题为主要媒介及辐射源，以统计方法与互联网计算机技术为手段，去诠释统计方法论的思想及应用。 　　二、教学模式与手段改革 　　新的课程体系确定后，如何实现是个关键，在充分论证统计数理抽象性及当代大学生特点的基础上，根据数理基础课程难学，统计学专业课程内容多的特点，我们提出了“抽象理论形象化，教学手段多样化”的实现路径，对教学模式与手段进行了全方位的改革。 　　（一）多媒体辅助教学为新课程体系提供效率保证 　　多媒体辅助教学信息量大、形象、直观，在统计学专业课程教学中的应用使得原本传统教学模式无法完成的新课程体系，能按质按量完成。我们根据教学中的具体情况设计与制作多门课程的多媒体课件，其中包括《统计学》《线性代数》《多元统计分析》《实用回归分析》《时间序列分析》《金融工程》《保险精算》等，并及时将这些课件结合传统教学方法应用到教学实践当中，取得很好的效果。利用多媒体技术，拓宽了教学内容的深度和广度，大大增强学生的参与感和实践能力，创造出传统教学手段所达不到的效果。解决了现代统计学所面临的“学时少，内容多”的问题。 　　（二）把新的教学模式与教学手段运用到课程建设之中 　　在改革、完善课程体系的过程中，我们紧紧围绕本项目改革目标，及时把新的教学模式与教学手段运用到课程建设之中。 　　我们以精品课程为龙头，全面带动了课程建设。在建设过程中，使教学内容及时反映统计学科领域的最新科技成果，广泛吸取先进的教学经验，积极整合优秀教改成果。精品课程不仅起到了良好的教学示范作用，更重要的是吸引了任课教师专心、专注于教学工作。 　　（三）加强案例教学，使学生能轻松上手，领悟统计理论 　　在统计学理论与实际应用的结合越来越紧密的背景下，案例教学就尤为的重要，一些典型的案例，通常能使得学生能迅速领悟统计理论与方法。为了加强案例教学这一实践环节，在没有适合我们课程体系教材的情况下，项目组成员结合近年来的教研积累和新的课程体系、培养方案等，在专业课程《多元统计分析》《试验设计》《统计模型》《统计软件》《应用时间序列分析》《非参数统计》《统计学导论》《实用回归分析》等都融入了案例教学。编著了《统计学案例分析》讲义。通过案例模块教学，实现了统计理论与实际操作的有效互动，实际教学效果良好。 　　（四）针对新课程体系，创建网络配套教学平台，开创学生的第二课堂 　　随着互联网、校园局域网的普及，我们逐步创建网络教学平台，目前，在这个平台上建立了新的课程体系的课程信息资源库，提供丰富的学习资源，实现开放式教学和学生自主学习相结合格局。教学平台配备的主要内容包括：（1）教学大纲（2）教材、教案（3）补充学习资料（4）教学案例（5）实验项目（6）习题和作业（7）多媒体教学软件（8）文献（库，论文）等。

网络教学平台的建立，丰富了现有的教学模式和教学手段，有力地推动课程体系改革。使得传统板书教学、多媒体课件教学、案例教学以及网络教学相互结合，相互补充。 　　（五）实践教学改革，强化实践能力的培养 　

　培养学生的应用能力与创新能力是我们改革的目标之一。而学生的实际动手能力以及创新能力能否得到提高，主要看是否有一套设置合理的实践教学环节。针对我们新的学科定位、课程体系以及培养目标，我们对实习实践教学环节做了以下改革。 　　1.实验教学的改革，对实验室实行动态管理，定期试验与开放实验相结合。同时整体上加大了实验课时的比重，依据“抽象理论形象化”的改革理念，我们在很多纯理论课中穿插课程实验，旨意使学生对一些较抽象的理论与方法有更形象的理解。主要有：在线性代数与空间解析几何中安排了6个项目实验，主要使用计算软件Matlab，重点是通过编程过程更深入理解其中的符号、公式的内涵及算法的实现过程；统计学导论引入5个实验项目，使用大众化软件Excel让学生掌握数据收集、整理与分析的基本功能；应用回归分析安排5个项目的实验，完成一元回归应用、多元回归、模型分析及岭回归等；多元统计分析课中安排了6个实验项目，使学生掌握聚类分析、判别分析、因子分析及典范相关分析等；应用随机过程中增加了3个实验课，即泊松过程布朗模拟、布朗运动模拟及齐次马尔可夫过程模拟。同时，不依附于理论课而独立开设实验课，按演示实验、综合实验、设计实验三个层次组织教学，编写实验指导书。适当减少验证性实验，增加综合性、创新性实验，增加选做实验。并把在不断的改革实践中的经验、成果编写出版统计学实验教材《统计实验》。 　　2.实践教学是统计学专业教学过程的一个必不可少的重要环节，在培养学生专业素养方面具有不可替代的作用。我们采取专题教学、科技立项、社会调查、统计实习、毕业论文等相结合的方法培养学生的学习能力、协调沟通能力、创新能力和创业能力。 　　根据我们新制定的统计学专业人才的培养目标和培养规格要求，结合我系多年的实践探索，我们建立了国家统计局桂林调查队、桂林市统计局等9个统计学教学实习基地；我们的学生经常被邀请参与实质性的统计工作如经济普查，社会调查等，得到了实际的锻炼。学生的毕业实习论文90%以上的选题都是来源于实际问题，通过运用所学基本统計理论知识，选定有效的统计方法，建立模型，提高学生对实际问题进行合理的分析、解决的能力。 　

　三、学生综合能力全面提高 　　（一）学生的创新能力强 　　通过本项目改革、实践，学生拥有扎实的数理基础，丰富的统计应用能力，既懂统计又懂计算机和网络，具有较强的创新能力。 　　（二）生源充裕、就业率高 　　我们的毕业生受到了社会和用人单位的普遍欢迎和好评，这几年我们的就业率都在95%以上，且单位出现多样化，不仅有统计、经委等政府机关，还有银行、证券公司、保险公司、集团公司和各类企业单位。由于生源充裕，招生人数由开始每年一个小班约35名，增加至现在每年4个小班约140人。 　　四、教师素质能力全面提高，教学建设成果显著 　　激励了教师提高教学水平、参与教学改革的积极性，涌现出包括广西高校教学名师等优秀教师和系列优秀教学成果。把统计学学科建成广西重点学科和广西高等学校优势特色专业，以及把应用统计实验室建成广西高等学校重点实验室。 　　本研究成果和十多所高校进行了广泛的交流、沟通、推广辐射，许多院校的统计学专业老师多次邀请我们去传经送宝或到我院了解、学习我们的改革经验。本文针对互联网融合新形势下应用统计学专业课程体系进行了综合改革与实践。所获结果对互联网融合新形势下应用统计学本科专业教学改革和学生综合能力培养具有借鉴作用。