浅谈统计学在生活中的应用

统计学并不是一门独立存在的学科，它是以数学知识和数理统计作为基础，将数理统计方法和其他学科专业知识交叉融合形成的具有极强推断性的一种分析方法。现阶段，随着科学技术的快速发展，为了加强对自然社会各个领域现象的判断和整理能力，将统计学应用在生活各个方面已经成为现阶段的数理统计的一种便捷方法。

一、统计学的概念 　　统计学指的是调研人员通过一些列的手段对整理出来的数据信息进行整理分析，从而推断出调研对象本质，甚至可以对未来的类似事情进行预判的一门综合性学科。在进行统计学整体分析的过程中需要用到大量的数学知识以及其他相关学科的专业知识，统计学由于其自身独特的性质，在社会科学和自然科学的各个领域几乎都可以使用。 　　二、统计学在生活中的应用分析 　　（一）统计学在经济学中的重要应用 　　运用统计学对生活中的数据信息进行整理分析，首先要学习统计学的基础知识以及数据统计个分析等学科，这些基础知识和方法都是在开展统计学应用活动之前调研人员所必须掌握的。统计学课程的学习作为经济学学科当中的重要分支，在经济学课程中经常被应用，例如，经济学的计量统计就需要根据统计学在金融里面的重要意义和地位作为基础，将金融知识和统计学知识相结合，将金融计量和时间的序列进行结合，对收集到的金融数据进行整理分析，最后得出金融计量和时间序列的一定关系。 　　统计学在金融经济学中有着十分重要的工具性作用，主要包括两个方面，分别是：在思想上而言，统计学是对数据统计分析结果进行研究，最后得出研究对象的判断结果，为了保证研究结果的准确可靠性，统计学在进行数据整理分析过程中必须是带着严谨的科学态度，这种严谨的科学态度对于经济学的相关理论分析具有十分重要的指导地位，这是由于研究人员在对金融量进行数学分析的过程中，为了保证金融数学分析结果的准确可靠性就必须保证金融量数据收集分析等预处理过程是科学合理的；其本收集整理次，统计学是经济学进行科学试验研究最优化的选择，经济试验研究活动的多样性以及研究对象之间错综复杂的关系导致经济学的试验研究活动受到诸多限制，运用统计学进行经济学试验研究活动，使得经济学实验研究的对象变得简洁明了，降低试验研究的成本支出。从统计学在经济学中的应用我们可以看出，经济学当中的统计学应用主要是运用了统计学当中经济必然性的思想，使得经济学当中的统计结论不具备复杂的思想成本。 　　

（二）统计学在医学中的重要应用 　　统计学在医学中应用的主要原因就是生物医学中存在的不确定性和变异性。生物医学主要的研究目标就是与人体健康相关的不确定因素，也就是通常所说的医学变异现象，变异现象在生物体当中是普遍存在的，例如，对于外在条件基本相同的两个病人，在相同的条件下进行治疗时，却有可能出现有的病人被治愈，有的病人治疗效果不明显，甚至还会出现死亡的现象。造成这些外在条件相同的生命体却出现不同程度治愈的主要原因就是生物医学中存在的不确定性或者是人体中存在的错综复杂的随机因素，客观差异存在的原因是因为某种偶然性的潜在的揭露必然性的发现。 　　在医学临床统计中发现，对于同一种病因的客观性规律进行调查，对于健康人的共同作用的交织与疗效的考查的病人很少。在医学当中运用统计学最主要的就是通过观察不同疗效病人的医疗诊断效果，将实际的医学诊断治疗效果与医学理论和假设进行验证，运用概率论以及数学方法对对比结果进行分析、判断，运用电子计算机等相关软件设备对研究对象的指标进行记录，并绘制相应的图表等，通过综合运用多种数理统计方法，得出与研究对象相关的研究结果。将统计学应用到医学当中，可以促进统计方法和多变量分析法在医学试验研究中的应用，对未知病因所造成的医疗诊断事故进行分析，可以促进医疗诊治手段的不断创新發展。

（三）统计学在体育比赛中竞技指标的应用。 　　统计学在体育比赛中的应用主要是用统计的职业联赛的数字反应比赛队伍能否成为世界顶级，这是因为在体育比赛中应用统计学可以对比赛中的胜率进行分析，主要是将每个队员在每个赛季比赛的分数和常规赛场上的分数进行统计，通过一系列的数学计算分析，制定出每个队员得分平均值和标准差之间的正态分布图，通过正态分布图的稳定性来判断队员的技术稳定性。以众所周的NBA篮球比赛为例，NBA比赛中由于明星球员众多，在运用统计学进行数据整体分析时，需要依据本质上的规律进行数据统计，而不是随意的选择数据进行统计，例如在进行篮球比赛发球这一项双方队员的进攻和防守的概率时，在进行指标选择时就涉及到随机事件的发生概率，因此，可以运用统计学统计球员在每一场比赛上的均得分，通过这些数据指标的正态分布图来确定球员的技术稳定性。 　　三、结束语 　　在日常生活中应用统计学对数据进行管理分析，可以极大提高生产生活中对研究对象的管理效率，使得研究对象变得明确，降低管理成本。在实际的生产生活中应用统计学时，调研人员需要通过多次的试验和随机概率对比来确定事件发生的概率，通过定量定性的数理统计分析工作，充分发挥统计学对生产生活的促进作用。

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。

学位类

2U数据科学资源MS（Master Science）：包括有关领域和职业前景的信息，可用度的类型，以及常见的应用和课程要求。

链接：https://2u/online-graduate-programs/

美国大学商业分析MS：学习数据分析，利用数据解决组织和业务挑战。

链接：https://onlinebusiness.american.edu/analytics/

ASU商业数据分析BS（Bachelor Science）：为商业学生提供必要的知识，技能和经验，以创建和管理大型数据计划。

链接：http://asuonline.asu.edu/online-degree-programs/undergraduate/bachelor-science-business-data-analytics

ASU商业分析MS：开发出您所需要的工具，用于日益发展的职业领域。

链接：http://asuonline.asu.edu/online-degree-programs/graduate/master-science-business-analytics

美国贝佩丝大学，应用数据科学在线MS：超越仪表板。

链接：http://baypath.edu/academics/graduate-programs/applied-data-science-ms/?utm_source=kduggets&utm_campaign=gradadskdnuggs

伯克利信息与数据科学硕士（MIDS）：准备数据科学专业人士担任该领域的领导者。

链接：https://datascience.berkeley.edu/

BU计算机信息系统在线MS：已经集中在数据分析，数据库管理和商业智能。

链接：http://cisonline.bu.edu/

波士顿大学应用商业分析管理在线MS。

链接：http://msmonline.bu.edu/lpemail-msabam/?Access_Code=BU-MSABA-KDNUGGETSE&utm_medium=email&utm_source=Trimax_Direct&utm_campaign=BU-MSABA-KDNUGGETSE

美国卡佩拉大学分析MS：教授大数据，数据挖掘，统计和相关技能，提供虚拟实习，并获取SAS统计业务分析师证书。

链接：http://capella.edu/online-degrees/masters-analytics/?revkey=220526

中央康涅狄格州立大学（CCSU）：探索尖端数据挖掘技术和应用，首个提供数据挖掘方面完整的在线科学硕士学位的大学。

链接：http://ccsu.edu/datamining/

数据科学Coursera MS：与美国伊利诺伊大学-香槟分校联合，32学时，$ 19,200学费。

链接：http://online.illinois.edu/mcs-ds

CUNY SPS数据分析在线MS：一个经济实惠的项目，帮助毕业生通过挖掘和可视化数据来了解现实现象和日常活动。

链接：http://sps.cuny.edu/programs/ms_dataanalytics?utm_source=kdnuggets&utm_medium=website+listing&utm_campaign=msda+kdnuggets+web+listing

数据科学技术研究所大数据工程IS和AI方向 MSC（高级科学硕士）：全职3个月的课程，在线或在校园（巴黎或尼斯）。

链接：https://datasciencetech.institute/advanced-msc-information-systems-artificial-intelligence-big-data-engineering/

数据科学技术研究所应用数据科学与大数据MS：全职6个月课程，或校园（巴黎或尼斯）。

链接：https://datasciencetech.institute/msc-applied-data-science-and-big-data/

DePaul 预测分析MS：解决了数据科学家日益增长的需求，他们将技术和分析技能融合在一起，以应对大数据分析的挑战。

链接：http://cdm.depaul.edu/academics/Pages/MS-In-Predictive-Analytics.aspx

EIUBS（欧洲创新商学院）：提供商业分析和数据分析在线课程。

链接：http://eiubs.eu/onlinecoursesmicrosite/data-analytics-course.php

美国埃尔姆赫斯特学院数据科学在职MS。

链接：http://elmhurst.edu/data_science

格鲁吉亚南方大学计算机科学在线MS：专注于数据挖掘和数据仓库。

链接：http://ceit.georgiasouthern.edu/cs/degrees/mscs/

佐治亚理工大学分析在线MS：与edX合作。

链接：https://pe.gatech.edu/online-masters-degrees/online-master-science-analytics

哈里斯堡大学分析在线MS:12课程旨在为需要平衡工作，家庭和学习需求的工作专业人士而设计。

链接：http://online.harrisburgu.edu/masters-analytics

伊利诺伊理工学院（IIT）数据科学硕士：从2015年秋季开始提供在线学习。

链接：http://science.iit.edu/programs/graduate/master-data-science

印第安纳大学数据科学MS（在线、脱产和混合）：提供数据科学认证证书。

链接：http://soic.indiana.edu/graduate/programs/data-science/index.shtml

ITB爱尔兰商业智能和数据挖掘MSC：在线，业余时间可学习2年。

链接：http://dataminingmasters/

刘易斯大学数据科学36小时在线MS：提供两个集中课程，为计算机科学家而学习的数据科学和为生命科学家而学习的数据科学。

链接：http://online.lewisu.edu/msds

美国圣路易斯玛丽维尔大学商业数据分析在线MS：旨在帮助学生提升他们在数据分析、仓储、挖掘和可视化方面的技能，并为Microsoft SQL和AZURE认证考试做准备。

链接：http://online.maryville.edu/online-master-of-science-in-business-data-analytics/

莫瑞麦克学院数据科学和商业分析MS学位：提供个性化、方便和用人单位设计的课程，教授用人单位要求的技能。

链接：http://onlinedsa.merrimack.edu/

微软数据科学专业学位。

链接：https://academy.microsoft/en-US/professional-degree/data-science/

西北大学预测分析在线MS：为满足日益增长的数据驱动型领导力和解决问题的需求，帮助学生做好准备。

链接：http://predictive-analytics.northwestern.edu/

圣母大学数据科学在线MS-ACMS：帮助毕业生快速职业成长，帮助数据科学家获取长期成功。

链接：http://datascience.nd.edu/

俄克拉何马州立大学（OSU）商业分析MS：拥有3个SAS证书选项。

链接：http://analytics.okstate.edu/

渥太华数据科学与技术BS。

链接：http://ottawa.edu/Adult-Education/Degree-Programs/Business-and-Management/Undergraduate/Data-Science-and-Technology/Data-Science-and-Technology

牛津大学数据和系统分析高级文凭课程：为期9个月。

链接：http://conted.ox.ac.uk/pp1

Penn State提供在线数据分析硕士和商业数据分析硕士。

链接：http://worldcampus.psu.edu/degrees-and-certificates/business-analytics-certificate/overview

罗格斯在线信息硕士：帮助组织和企业保护、分析、组织和利用数字资源。

链接：http://online.rutgers.edu/master-library-info/

圣玛丽数学科学MS： 共36学分，提供严谨的数学课程。每年八月，校内和在线有一个周末会议。

链接：https://grad.saintmarys.edu/academic-programs/ms-data-science

SJU：圣约瑟夫大学在线MS商业智能与分析，SJU商学院参与;毕业生还从SAS获得商业智能证书。

链接：http://online.sju.edu/graduate/masters-business-intelligence

SMU数据科学MS：与2U合作，旨在培养和开发数据科学家，管理、分析、解释、制定决策，并从大型数据集中提取信息。

链接：http://datascience.smu.edu/

SNHU数据分析在线 BS：将商业、信息技术和数学方面与数据挖掘、仿真和优化相结合。

链接：http://snhu.edu/online-degrees/undergraduate-degrees/data-analytics-bs-online.asp

SNHU数据分析在线MS：这个36学分课程培养学生成为任何企业的战略资产。

链接：http://snhu.edu/online-degrees/masters/ms-in-data-analytics

德克萨斯A＆M分析MS：这是一个为在职人员提供的为期五个学期的课程，可在线学习，或在美国德克萨斯州休斯敦的校内学习。

链接：http://analytics.stat.tamu.edu/

托马斯爱迪生州立大学（TESU）数据科学分析BS：与Statistics合作。

链接：http://statistics/tesu

UMUC：马里兰大学数据分析在线MS。

链接：http://umuc.edu/academic-programs/data-analytics/index.cfm

马里兰大学商业管理在线MS（信息系统专业和商业分析）：在短短21个月内学习管理和分析数据，设计和实施信息系统。

链接：http://onlinemba.umd.edu/

美国密苏里州数据科学与数据分析MS： 34个学分，以在线和混合模式，提供多学科课程。

链接：https://dsa.missouri.edu/

美国威斯康星大学数据科学MS： 12个由不同的杰出教授提供的课程。

链接：http://datasciencedegree.wisconsin.edu/

美国威斯康星大学-麦迪逊分校应用计算在线MS和工程数据分析MS。

链接：https://epd.wisc.edu/online-degree/applied-computing-and-engineering-data-analytics/

维拉诺瓦大学分析在线MS：33小时课程，可在20个月内获得。

链接：http://taxandbusinessonline.villanova.edu/master-of-science-in-analytics

检查数据挖掘课程：由KDnuggets总裁Gregory Piatetsky-Shapiro博士开发。 和Gary Parker教授，提供了一个完整的一学期数据挖掘入门课程的教学模块，由W. M. Keck基金会和霍华德休斯医学研究所免费提供。

链接：http://kdnuggets/data_mining_course/index.html

证书类

ASU应用业务数据分析本科证书。

链接：http://asuonline.asu.edu/online-degree-programs/certificates/undergraduate-certificate-applied-business-data-analytics

来自Beye University的业务分析证书：由Sybase主办。

链接：http://beyeuniversity/topics/business-analytics

数据管理和分析平台供应商Cloudera认证专家（CCP）：数据科学家。

链接：http://university.cloudera/certification/ccp.html

Coursera JHU数据科学专业。

链接：https://coursera.org/specialization/jhudatascience/1?utm_medium=listingPage

俄克拉荷马州立大学在线研究生数据挖掘证书课程。

链接：http://watson.okstate.edu/datamining/

NJIT（新泽西理工学院）数据挖掘研究生证书：提供数据挖掘介绍，重点介绍大型数据库。

链接：http://online.njit.edu/programs/certs/datamining-cert.php

诺瓦东南大学商业智能/分析研究生证书，可选择在线或脱产。

链接：http://scis.nova.edu/masters/certificate_bi.html

圣荷西州立大学（SJSU）在线大数据课程证书。

链接：http://ischool.sjsu.edu/programs/certificate-big-data

在线职业培训网站Simplilearn：提供大数据和分析培训和证书。

链接：http://simplilearn/big-data-and-analytics/?utm_source=KDNuggets&utm_medium=affiliate-cpm&utm_campaign=KDNuggets-CertListpg

斯坦福CPD数据挖掘和应用：研究生证书，包括3门课程。

链接：http://scpd.stanford.edu/public/category/courseCategoryCertificateProfile.do?method=load&certificateId=1209602

斯坦福CPD挖掘海量数据集提供研究生证书，包括4门课程。

链接：https://scpd.stanford.edu/public/category/courseCategoryCertificateProfile.do?method=load&certificateId=10555807

Statistics：提供分析与统计研究课程证书 （PASS）。

链接：https://statistics/certificate-programs/

UCI：加州大学-欧文分校预测分析证书课程，一项综合在线课程。

链接：http://extension.uci.edu/pa

路易斯维尔大学数据挖掘：提供研究生证书，要求在12个月内在线完成。

链接：http://louisville.edu/speed/computer/academics/programs/certificates/certificates.html

UW（华盛顿大学）：提供数据科学证书，脱产或在线形式。

链接：http://pce.uw.edu/certificates/data-science.html

威斯康星大学-密尔沃基分校：商业分析在线毕业证书。

链接：http://www4.uwm.edu/business/programs/certificates/business-analytics.cfm

维拉诺瓦大学CPBI（商业智能认证专业）：在线证书。

链接：https://lp.villanovau/business-intelligence/career/cert-mst_gainknowledge_t04_1110.aspx

其他资源

大数据大学：提供Hadoop和DB2在线课程。

链接：https://cognitiveclass.ai/jp/

博思艾伦咨询公司“探索数据科学”：一个在线课程，包括40小时的互动内容， 32个任务。

链接：https://exploredatascience/

加州大学数据学习：由亚历山大·阿布·莫斯塔法教授提供的免费课程，根据自己进度学习。

链接：http://work.caltech.edu/telecourse.html

来自斯坦福大学、省理工学院和哈佛等顶尖大学的中央数据科学和大数据课程。

链接：https://class-central/subject/data-science

CMU开放式学习计划：向任何想学习的人提供在线课程。

链接：http://oli.cmu.edu/

Course Buffet：提供大数据、数据科学、统计等MOOC课程。

链接：https://coursebuffet/search?q=Data+Science

Coursera：在线教育的领导者。

链接：https://coursera.org/

DataCamp：交互式R语言教程和有关R语言的编程、数据处理、可视化等数据科学课程。

链接：https://datacamp/

EMC数据科学和大数据分析：开放课程。

链接：https://education.emc/guest/campaign/data_science.aspx

Guru99：大数据、Web、SAP等免费视频教程。

链接：https://guru99/

Jigsaw Academy（印度大数据教学网站）：分析培训，包括MBA分析和SAS。

链接：https://jigsawacademy/

LearnAnalytics India：在线和离线提供SAS和高级分析培训。

链接：http://learnanalytics.in/

Metis：在线提供数据科学教育，提供数据科学的现场培训。

链接：https://thisismetis/

麻省理工学院开放课程：数据挖掘，由导师Nitin Patel设计的XLMiner工具。同时提供麻省理工学院许多相关课程。

链接：https://ocw.mit.edu/courses/sloan-school-of-management/15-062-data-mining-spring-2003/index.htm

吴恩达的机器学习开发课程。

链接：http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning

牛津机器学习和深度学习课程（幻灯片、视频、免费提供的问题）：由Nando de Freitas在2014 - 2015年教授。

链接：https://cs.ox.ac.uk/people/nando.defreitas/machinelearning/

预测分析应用：Predictive Analytics World（世界预测分析会议暨展览）

创始人Eric Siegel的简短介绍性在线课程。

链接：http://businessprediction/

Springboard：数据科学在线讲习班。

链接：https://springboard/workshops/data-science/?utm_source=KDnuggets&utm_medium=ResourceList&utm_campaign=DSWorkshop

Springboard：数据科学职业规划。

链接：https://springboard/workshops/data-science-career-track/

Stati...

普遍的定义认为，统计学是关于数据的科学，研究如何收集数据，并科学地推断总体特征。大数据和统计学还是存在一定区别的，其一是数据分析时不再进行抽样，而是采用population（n=all）；其二是分析方法，侧重所有变量之间的相关性，而不再根据背景学科理论筛选变量，进行假设检验。

现在社会上有一种流行的说法，认为在大数据时代，“样本=全体”，人们得到的不是抽样数据而是全数据，因而只需要简单地数一数就可以下结论了，复杂的统计学方法可以不再需要了。

普查和抽样调查是传统的两大数据收集方法。普查不需要统计学方法进行推断估计，因为通过普查，已经取得了所有个体数据和总体的实际分布，这也是为什么人类开始懂得计数就开始进行普查。抽样调查是利用抽样理论解决如何科学设计样本，取得样本个体数据，并科学地推断总体分布及特征。无论是普查还是抽样调查，其核心问题之一是要取得准确的“个体数据”。但在大数据时代，一切皆可量化，一切皆可记录，如何利用更全面、更及时、更经济的网络电子化数据，以及通过对这些数据使用新的分析及挖掘技术，产生新的见解和认识，是我们面临的重大机遇。

大数据的应用可以说是在减少人类处理数据时带入的主观假设的影响，而完全依靠数据间的相关性来阐述。而由于消除人为因素带入的误差，已经分析人员作出假设的限制（如果教育背景和保险购买额是相关的，而分析人员没想到，那这个结论就不会被分析出来，这在实际案例中是很容易发生的，大数据的核心也就在于它能更充分的发掘数据的全部真实含义。

在大数据时代，数据分析的很多根本性问题和小数据时代并没有本质区别。当然，大数据的特点，确实对数据分析提出了全新挑战。例如，许多传统统计方法应用到大数据上，巨大计算量和存储量往往使其难以承受；对结构复杂、来源多样的数据，如何建立有效的统计学模型也需要新的探索和尝试。对于新时代的数据科学而言，这些挑战也同时意味着巨大的机遇，有可能会产生新的思想、方法和技术。

西线学院培训机构提供良好的教学环境，良好的师资以及行业资源，使得西线学院教学永远都是跟随行业进步的步伐。说了这么多，其实就是想让你更加了解大数据。如此优秀的资源和别人望眼欲穿的实习机会，再不行动就要被后来居上的技术人员拍死在沙滩上了。

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。

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

目前数据中国“百校工程”已有73所入选院校，23所项目院校通过教育部规建中心专家验收，曙光瑞翼教育与项目院校校企合作协同育人，服务于全国各地近30所院校的曙光瑞翼大数据学院，招录近6000名学生，在数据科学与大数据技术专业的课程设计上，设计以下的专业课程。

数据科学与大数据专业的必修基础课程方面大数据（人工智能）概论、Linux操作系统、Java语言编程、数据库原理与应用、数据结构、数学及统计类课程（高等数学、线性代数、概率论、数理统计）、大数据应用开发语言、Hadoop大数据技术、分布式数据库原理与应用、数据导入与预处理应用、数据挖掘技术与应用、大数据分析与内存计算等。选修的课程方面数据可视化技术、商务智能方法与应用、机器学习、人工智能技术与应用等。实践应用课程方面海量数据预处理实战、海量数据挖掘与可视化实战等。

数据科学与大数据技术可从事的岗位有：分析类，分析工程师、算法工程师；研发类，架构工程师、开发工程师、运维工程师；管理类，产品经理、运营经理。

大数据与人工智能不但是社会发展急需的新兴专业方向，同时也将渗透并影响着其他许多传统学科和专业的发展。腾讯研究院于2017年12月发布了《2017年全球人工智能人才白皮书》，数据显示，中国592家公司中约有4万位员工，而中国对于人工智能人才的需求数量已经突破百万，人才严重短缺，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。

数据科学与大数据技术专业不仅有着明朗的就业前景，在就业岗位的薪资待遇上有着无法比拟的就业优势。依据招聘网站给出薪资数据，目前国内人工智能相关岗位的应届毕业生的起薪基本都在10k—20k之间，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番，薪资水平、就业满意度都优于全国平均水平的专业。随着未来科技应用的逐步推进，人工智能以及大数据技术的岗位需求逐步上升，未来必定会发展为就业前景最好的专业之一。

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。

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。

在我国，数据科学与大数据技术专业的建设已成为新的热点话题。 在系统调研 世界一流大学数据科学专业建设现 状的基础上，从特色课程视角重点分析 加州大学伯克利分校、约翰·霍普金斯大学、华盛顿大学、纽约大学、斯坦福大学、卡内基梅隆大学、哥伦比亚大学、伦敦城市大学等 8所大学的数据科学专业，提出 数据科学与大数据技术这一新专业 应重视的10门特色课程，并分析了现阶段我 国 数据科学教育中 普遍存在的8种曲解现象及对策建议 。

2016 年，教育部发布的《 2015 年度普通高等学校本科专业备案和审批结果》中就首次增设“数据科学与大数据技术专业”，并获批了北京大学、对外经济贸易大学及中南大学的新增专业申请。接着， 2017 年，中国人民大学等 32 所高校出现在第二批次的获批名单中。另， 全国高校大数据教育联盟的统计数据显示， 2017 年申请该专业的院校高达 263 所，其中工学 190 所，理学 73 所 [1] 。从申请资料看，国内数据科学专业是一门主要以统计学和计算机科学与技术专业为基础建设的全新专业。数据科学专业已成为我国现阶段高等教育的热点问题之一。但是，建设什么样的专业以及如何建设该专业仍为各高校面临的难点问题。

在国外，数据科学（ Data Science ）专业是以数据分析学（ Data Analytics ）专业为基础发展而来的，可追溯至 2007 年北卡罗来纳州立大学（ North Carolina State University ）率先设立的数据分析硕士学位（ Master of Science in Analytics ） [2] 。与统计学和计算机科学与技术等基础学科不同的是，数据分析学进一步抽象了这些底层科学中的数据问题，连接了包括统计学和计算机科学在内的基础学科与数据科学之间的空白，为数据科学这一新学科的出现奠定了直接基础。从“数据分析学”向“数据科学”的实质性过渡出现在 2013 年左右，比较有代表性的是纽约大学于 2013 年新开设的数据科学硕士专业（ The Master of Science in Data Science ） [3] 。 之后，包括加州大学伯克利分校、约翰 · 霍普金斯大学、华盛顿大学在内的多个学校设立了数据科学专业。可见，国外一流大学的数据科学专业建设至少早于国内 三 年。

为此，本文在调查分析世界一流大学数据科学专业的培养方案，重点分析数据科学专业中开设的特色课程，并对探讨我国数据科学专业建设的借鉴意义。

1 数据调研及分析

作者通过 Study Portal 进行调查发现，截止 2017 年 11 月，国外数据科学专业的本科、硕士、博士学位项目分别已达到 5601 、 4179 和 301 项，主要分布在美国、英国、澳大利亚、加拿大、德国和意大利等国家。但是，从课程体系和人才培养定位看，能够体现国外数据科学专业教育的本质与特色的是硕士层次的教育，比较有典型的学校有加州大学伯克利分校、约翰·霍普金斯大学、华盛顿大学、纽约大学、斯坦福大学、卡内基梅隆大学、哥伦比亚大学、伦敦城市大学，如表 1 所示。

表 1 典型数据科学专业及其特色课程（ Typical Data Science Programs and their Core Courses ）

学校

学位名称

特色课程

加州大学伯克利分校 [4]

信息与数据科学硕士

（ Master of Information and Data Science ）

Python 与数据科学 /Python for Data Science

研究设计及数据与分析中的应用 /Research Design and Application for Data and Analysis

数据存储与检索 / Storing and Retrieving Data

应用机器学习 / Applied Machine Learning

试验与因果分析 /Experiments and Causality

大数据 —— 人与价值 / Behind the Data: Humans and Values

( 纵向扩展及真正的 ) 大数据 / Scaling Up! Really Big Data

数据可视化与沟通 / Data Visualization and Communication

（数据科学）综合训练课程 / Synthetic Capstone Course

约翰 · 霍普金斯大学 [5]

数据科学理学硕士

（ Master of Science in Data Science ）

数据科学 /Data Science

数据可视化 /Data Visualization

随机优化与控制 /Stochastic Optimization and Control

数据科学家的工具箱 / Data Scientist's Toolbox

数据采集与清洗 /Getting and Cleaning Data

探索性数据分析 /Exploratory Data Analysis

可重复研究 /Reproducible Research

实用机器学习 /Practical Machine Learning

数据产品开发 /Developing Data Products

数据科学综合训练课程 /Data Science Capstone

华盛顿大学 [6]

数据科学理学硕士

Master of Science in Data Science

数据可视化与探索性分析 / Data Visualization & Exploratory Analytics

应用统计与试验设计 /Applied Statistics & Experimental Design

数据管理与数据科学 /Data Management for Data Science

数据科学家常用的统计机器学习 /Statistical Machine Learning for Data Scientists

面向数据科学的软件设计 /Software Design for Data Science

可扩展的数据系统与算法 /Scalable Data Systems & Algorithms

以人为中心的数据科学 /Human-Centered Data Science

数据科学综合训练课程 /Data Science Capstone Project

纽约大学 [7]

数据科学理学硕士 MS in Data Science

数据科学导论 / Intro to Data Science

大数据 /Big Data

面向数据科学的统计学与概率论 /Probability and Statistics for Data Science

推理与表示 / Inference and Representation

机器学习与计算统计学 / Machine Learning and Computational Statistics

数据科学综合训练课程 / Capstone Project in Data Science

基于优化的数据分析 /Optimization-based Data Analysis

非光滑凸优化 /Convex and Nonsmooth Optimization

斯坦福大学 [8]

统计学 : 数据科学 理学硕士学位

M.S.in Statistics:Data Science

现代应用统计学 : 学习 /Modern Applied Statistics: Learning

现代应用统计学 : 数据挖掘 /Modern Applied Statistics: Data Mining

数据驱动型医学 / Data Driven Medicine

现代统计学与现代生物学 /Modern Statistics for Modern Biology

大数据商务智能 / Business Intelligence from Big Data

基于数据的计算范式 /Paradigms for Computing with Data

卡内基梅隆大学 [9]

计算数据科学硕士学位

Master of Computational Data Science

云计算 /Cloud Computing

高级云计算 /Advanced Cloud Computing

多媒体数据库及数据挖掘 /Multimedia Databases and Data Mining

移动与普适计算 /Mobile and Pervasive Computing

大数据集的机器学习 /Machine Learning with Big Data Sets

智能信息系统的设计与开发 /Design and Engineering of Intelligent Info Systems

大数据分析学 /Big Data Analytics

哥伦比亚大学（纽约） [10]

数据科学理学硕士

Master of Science in Data Science

数据科学导论 /Introduction to Data Science

面向数据科学的计算机系统 /Computer Systems for Data Science

探索性数据分析与可视化 /Exploratory Data Analysis & Visualization

数据科学中的因果推理 / Causal Inference for Data Science

大数据分析学 /Big Data Analytics

数据科学综合训练及伦理 /Data Science Capstone & Ethics

伦敦城市大学 [11]

数据科学理学硕士

MSc in Data Science

数据科学原理 /Principles of data science

大数据 /Big Data

可视分析学 /Visual analytics

数据可视化 /Data visualization

神经计算 /Neural computing

研究方法与专业问题 /Research Methods and Professional Issues

高级并发编程 /Advanced Programming: Concurrency

1.1加州大学伯克利分校

该学校的数据科学专业由信息学院（ School of Information ）开设，专业名称为信息与数据科学，授予的学位为信息和数据科学专业硕士（ Professional Master of Information and Data Science, MIDS ） [12] 。该专业主要侧重于培养学生的研究设计、数据清洗、存储与检索、挖掘与探索、数据可视化、道德与隐私、数据分析、沟通与呈现的能力，如图 1 所示。

图 1 加州大学伯克利分校 MIDS 专业所关注的学生能力

（ Key Skill Areas of MIDS at UC Berkeley ） [12]

为了达到上述人才培养目的，该专业开设基础课程、高级课程和综合训练课程等 3 类课程。其中 ，基础课程共有5门，即面向数据科学的Python语言（Python for Data Science）、面向数据与分析的研究设计（Research Design and Application for Data and Analysis）、面向数据科学的统计学（Statistics for Data Science）、数据存储与检索（Storing and Retrieving Data）以及应用机器学习（Applied Machine Learning）；高级课程有7门，包括试验与因果分析(Experiments and Causality)、数据、人与价值（Behind the Data: Humans and Values）、（纵向扩展及真正的）大数据（Scaling Up! Really Big Data）、面向离散响应，时间序列和面板数据的统计方法（Statistical Methods for Discrete Response, Time Series, and Panel Data）、可扩展的机器学习（Machine Learning at Scale）、基于深度学习的自然语言处理（Natural Language Processing with Deep Learning）以及数据可视化与沟通(Data Visualization and Communication)。除了基础课程和高级课程，该学校还开设一门综合训练课程（Synthetic Capstone），培 养学生综合运用所学专业知识及解决现实问题的能力。

从总体上看，人才培养定位在培养数据科学领域的领导者，侧重培养学生的运用新工具和新方法，从现实数据中获得洞见（ Insights ）以及如何有效地沟通与阐释自己的研究发现，进而改变他人行动和思想的能力。 该学校的数据科学专业的人才培养具有如下几个特点 ：

强调数据科学的多学科交叉特点 ，将社会科学，计算机科学，统计学，管理学和法学等多学科知识融入具体课程之中；

凸显数据科学本身的讲解 ，注重提升学生的基于数据提出好问题的能力以及面向数据科学的研究设计、数据清理、存储与检索、交流与沟通、统计分析、道德与隐私、数据可视化以及数据挖掘与探索等关键技能；

引入基于项目的学习方法 ，借鉴本校信息学院其他专业的培养经验，通过基于项目的教学方式，鼓励学生综合运用多种不同的工具和方法来解决复杂问题；

强调动手实践能力的培养，为学生提供亚马逊 Web 服务和 IBM 大数据平台等实践平台。

1.2 约翰 · 霍普金斯大学

该学校的怀廷工程学院（ Whiting School of Engineering ）开设名为数据科学（ Data Science ）的新专业，授予的学位为数据科学理学硕士（ Master of Science in Data Science ）。

该专业的课程体系包含先修课程（ Prerequisite Courses ）、基础课程（ Foundation Course ）、必修课程（ Required Courses ）、选修课程（ Electives ）以及独立学习（ Independent study ）课程等近 60 门课程 [13] 。 基础课程有 2 门，即算法基础（ Foundations of Algorithms ）和统计方法与数据分析（ Statistical Methods and Data Analysis ）；必修课程包括数据库系统原理、数据科学、数据可视化、优化导论（ Introduction to Optimization ）、统计模型与回归、计算统计学；选修课分为机器学习和统计学两个大方向，共有 14 门主要课程，均为较为常见课程。 值得一提的是，该专业另提供了近 30 门扩展选修课程（ Additional Selections ），供学生用于置换同一个领域的必须 / 选修课程，这些扩展课程均为统计学和计算机科学与技术专业常见课程。 独立学习（ Independent study ）课程主要包括独立动手实战（ Capstone 项目）和独立学习（ Independent Study ）。

从总体上看， 该学校的数据科学专业的人才培养具有如下几个特点 ：

从人才培养的目的看，专业旨在培养“有竞争力”的数据科学家，要求学生具备三方面的能力：综合运用计算机科学和应用数学的知识，分析与处理大规模数据集的能力；从复杂数据中快速洞察到有价值信息的能力和从信息中发现相关关系的能力；基于规范的技术和抽象的方法以及面向现实世界中的具体问题的建模能力[14]。

强调学生对数据科学的理论基础的掌握程度，突出了三个主要领域：计算机科学与技术、统计学与应用数学。其中，对应用数学的重视是该学校数据科学专业的一大特色。

从课程设计及内容选择看，该专业鼓励在每一门课程中引入来自现实世界的具体问题作为例题和主要关注点。例如，独立学习（Independent Study）课程中强调对具体行业中实际问题的处理能力。

强调培养学生的数据全生命期管理、统计 分析和故事化描述能力。

1.3华盛顿大学

整合自己的应用数学系、生物统计学系、 Paul G. Allen 计算机科学与工程学院、以人为本的设计与工程系、统计系、信息学院 6 大院系以及电子科学研究所的资源，开设出了一种面向在职人员的夜大类数据科学专业项目，所授予的学位为数据科学理学硕士（ Master of Science in Data Science ）。该专业的课程设计较为简洁，包括 8 门核心课程以及 1 个 Capstone 项目。其中， 8 个核心课程分别是统计与概率论（ Introduction to Statistics & Probability ）、信息可视化（ Information Visualization ）、应用统计与试验设计（ Applied Statistics & Experimental Design ）、面向数据科学的数据管理（ Data Management for Data Science ）、数据科学家常用的统计机器学习（ Statistical Machine Learning for Data Scientists ）、面向数据科学的软件设计（ Software Design for Data Science ）、可扩展的数据系统与算法（ Scalable Data Systems & Algorithms ）和以人为中心的数据科学（ Human-Centered Data Science ）。 Capstone 项目要求学生自...