1. 大数据时代 2. 大数据概念 3. 大数据的影响 4. 大数据的应用 5. 大数据关键技术 6. 大数据计算模式 7. 大数据产业 8. 大数据与云计算、物联网的关系 9. 大数据在中医药及生物医学领域的应用

（一）理论课程 1《空间解析几何》 2《离散数学》 3《时间序列分析》 4《数值计算方法》 5《运筹与优化》 6《Python 程序设计》 7《常微分方程》 8《大数据技术原理及应用》 9《复变函数论》 10《概率统计》 11《高等代数》 12《面向对象程序设计》 13《数据结构与算法》 14《数据库原理及应用》 15《数据挖掘》 16《数理统计》 17《数学分析（1）》 18《数学分析（2）》 19《数学建模(1)》 20《数学建模(2)》 21《数学软件及应用》 （二）实验课程 22《时间序列分析》 23《数据结构与算法》 24《数学软件及应用》 25《数值计算方法》 26《Python 程序设计》 27《大数据技术原理及应用》实验 28《面向对象程序设计》 29《数据库原理及应用》课程 30《数据挖掘》 31《数理统计》 （三）实践课程 32《专业教育》 33《web 数据挖掘与电子商务项目实训》 34《技能实训》教学大纲 35《客户数据分析项目设计》 36《数学建模(1)》 37《数学建模(2)》 38《中文文本数据挖掘项目实训》 39《综合项目实训》教学大纲 40《毕业设计（论文）》教学大纲 41《毕业实习》教学大纲

1.教学基本要求 理解掌握数据库相关的基本概念 Access数据库的基本应用 常见的几个大型商业数据库特点 2.教学重点 数据库、数据库管理系统、数据库系统的概念 Access数据库的基本应用 3.教学难点 对数据库、数据库管理系统、数据库系统的概念的深刻理解 主码、元组、属性的概念

SQL特点 9.1.1数据库语言SQL 9.1.2SQL特点 2 SQL数据定义 9.2.1 SQL模式的创建和撤销 9.2.2 SQL的基本数据类型 9.2.3基本的表的创建和撤销 9.2.4索引的创建和撤销 3 SQL数据查询 9.3.1 SELECT基本句型 9.3.2 SELECT语句的使用技术 9.3.3 SELECT语句完整的结构 9.3.4 数据查询的改进写法 9.3.5 嵌套查询的改进写法 9.3.6 基本表的连接操作 9.4.1数据插入 9.4.2 数据删除 9.4.3 数据修改 4 SQL数据更新 4 计算机基础教研室 6 嵌入式SQL 5 视图的定义及操作 9.5.1 视图的创建和撤销 9.5.2 对视图的操作 9.6.1 嵌入式SQL的实现方式 9.6.2 嵌入式SQL的使用规定 9.6.3 SQL的集合处理方式的主语言 单记录处理方式之间的协调 9.6.4嵌入式SQL的使用技术

3.1 大数据来了！ 3.2 Web 2.0模式下互联网应用环境对关系数据库带来的技术挑战 3.3 大数据核心技术的分析研究 3.4 大数据的技术门派及对比分析 3.5 网页大数据应用实例：网页检索的技术路线 3.6 一个基于倒排索引技术的中文检索应用实例 3.7 NoSQL数据库和SQL数据库在技术上的对比分析 3.8 本章小结

数据库技术是 60 年代初开始发展起来的一门数据管理自动化的综合性新技术。数据库 的应用领域相当广泛，从一般事务处理，到各种专门化数据的存储与管理，都可以建立不同 类型的数据库。建立数据库不仅仅是为了保存数据，扩展人的记忆，而主要是为了帮助人们 去管理和控制与这些数据相关联的事物。地理信息系统中的数据库就是一种专门化的数据 库，由于这类数据库具有明显的空间特征，所以有人把它称为空间数据库，空间数据库的理 论与方法是地理信息系统的核心问题

• 1 数据库设计概述 • 1.1 数据库设计的特点 • 1.2 数据库设计方法概述 • 1.3 数据库设计的基本步骤 • 2 数据库需求分析 • 3 数据库结构设计 • 3.1 概念结构设计 • 3.2 逻辑结构设计 • 3.3 物理结构设计 • 4 数据库行为设计 • 4.1 功能需求分析 • 4.2 功能设计 • 4.3 事务设计 • 5 数据库实施 • 加载数据 • 调试和运行应用程序

9.1系统详细设计概述 9.1.1软件系统的详细设计 9.1.2数据库系统的详细设计 9.2数据库的逻辑设计 9.2.1数据库逻辑设计的过程 9.2.2关系数据库的逻辑设计 9.3数据库的物理设计 9.3.1获取数据库系统事务对象的基本信息 9.3.2确定数据库的存取方法 9.3.3确定数据库的存储结构 9.3.4数据的物理结构评价 9.4详细设计的工具 9.4.1程序流程图 9.4.2IPO图

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

针对经典K–means算法对不均衡数据进行聚类时产生的“均匀效应”问题，提出一种基于近邻的不均衡数据聚类算法（Clustering algorithm for imbalanced data based on nearest neighbor，CABON）。CABON算法首先对数据对象进行初始聚类，通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合；并给出一种类别待定集的动态调整机制，利用近邻思想实现此集合中数据对象所属类别的重新划分，按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中，得到最终的聚类结果，以避免“均匀效应”对聚类结果的影响。将该算法与K–means、多中心的非平衡K_均值聚类方法（Imbalanced K–means clustering method with multiple centers，MC_IK）和非均匀数据的变异系数聚类算法（Coefficient of variation clustering for non-uniform data，CVCN）在人工数据集和真实数据集上分别进行实验对比，结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的“均匀效应”，聚类效果明显优于K–means、MC_IK和CVCN算法