人工智能课程内容介绍
课程简介
1、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Dos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。
2、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
3、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。
4、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。
5、数据结构与算法（Java）
主要内容：主要介绍用计算机解决一系列问题，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。
6、应用统计学与R语言建模
主要内容：主要包括数据的描述性分析、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。
7、服务端技术原理与应用(Java) 8、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。
9、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、常见Spark开发应用实践；
10、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。
11、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；
12、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。
13、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。
14、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、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；
人工智能相关课程介绍
