我家孩子考上西电的集成电路设计与集成系统专业，这个专业怎么样？

西电好学校。但是专业，怎么说呢？看看中兴被制裁事件，其实反应了这个行业情况，集成电路行业在中国就是0，别认为我说的极端，行业如此，个人发展可想而知。

首先赶上风口，我觉得机会大好。其次我记得郝院士兼副校长是这个专业的吧，这个专业西电有实力，我是西电毕业的

数据科学与大数据技术，简称“大数据”，这个专业好不好？

回答:热门而火爆的新兴专业。

1.数据科学与大数据技术，简称“大数据”，是计算机、人工智能等多学科相互交叉的专业。

2.大数据专业，主要培养通过大数据思维，对大数据进行开发运用的高层次人才。毕业后，主要去向为政府、企业、公司，具体行业为保险、电子商务、银行、金融、医药、互联网等。

3.自中科院首开“大数据技术与应用”专业以来，截止目前，全国有近300所大学开设了大数据专业，可见该专业的热门程度。

4.据《大数据人才报告》显示，目前全国仅有大数据人才46万，预计未来几年，光是基础性数据分析人才一项，其缺口竟达14000000万，简直不亚于令人吃惊的“天文数字”。

5.大数据人才的严重缺乏，造成了有些行业招不到大数据人才，特别是中小型，花高薪也很难招到。据调查，现工作一年的大数据人才月薪是12000元，工龄3年的hadoop人才，年薪居然高达40万左右。

综上可见，热门、火爆、缺乏、高薪就成了大数据专业的代名词。

【热门专业解读】数据科学与大数据技术专业

原创丘振华

高

考

必

胜

！

高考志愿填报，某些专业的选择对于每位同学未来的职业规划，乃至人生规划都有着非常重要的关键性，甚至是决定性的影响。虽然当下专业不对口就业的现象也很多，但专业性强岗位还是更青睐于对应专业的学生。因此，在高考志愿填报过程中，特别是对指向性要求强的专业，选择不容小觑。

那么数据科学与大数据技术专业怎么样呢？数据科学与大数据技术专业大学排名及历年录取分数线怎么样？本课堂整理了关于数据科学与大数据技术专业的相关信息，希望对你有帮助。

数据科学与大数据技术专业

当今信息社会，已从信息时代迈入大数据时代，从数据收集时代到数据分析时代，高校在大数据方向上设置了哪些专业，作为新兴专业，你又了解多少?

一、专业概况

专业名称：数据科学与大数据技术;

专业代码：080910T

学制：四年;

学位：工学或理学学位。（工学为主）

人才培养目标：

以大数据为核心研究对象，利用大数据的方法解决具体行业应用问题，强调培养具有多学科交叉能力的大数据人才。

本专业是一个软硬件结合、兼顾数据科学理论与应用的以计算技术为基础的、以数据科学与大数据技术为特色的宽口径专业。

2016年2月，教育部公布新增的“数据科学与大数据技术”专业，北京大学、对外经济贸易大学、中南大学成为首家获批高校。

第一批(3所)：

1北京大学

2对外经济贸易大学

3中南大学;

2017年3月，教育部公布第二批“数据科学与大数据技术”专业获批的32所高校。

第二批32所获批高校名单如下：

1 中国人民大学

2 北京邮电大学

3 复旦大学

4 华东师范大学

5 电子科技大学

6 北京信息科技大学

7 中北大学

8 晋中学院

9 长春理工大学

10 上海工程技术大学

11 上海纽约大学

12 浙江财经大学

13 宿州学院

14 福建工程学院

15 黄河科技学院

16 湖北经济学院

17 佛山科学技术学院

18 广东白云学院

19 北京师范大学-香港浸会大学联合国际学院

20 广西科技大学

21 重庆理工大学

22 成都东软学院

23 电子科技大学成都学院

24 贵州大学

25 贵州师范大学

26 安顺学院

27 贵州商学院

28 贵州理工学院

29 昆明理工大学

30 云南师范大学

31 云南财经大学

32 宁夏理工学院

数据科学与大数据技术专业大学排名

1中南大学 5★

2浙江财经大学5★

3广西科技大学4★

4复旦大学 4★

5电子科技大学3★

6对外经济贸易大学3★

7上海工程技术大学3★

8重庆理工大学 3★

9长春理工大学 3★

10中北大学 3★

11安顺学院 3★

12贵州师范大学 3★

第一批3所，第二批32所，全国高校纷纷响应，都在积极申报，而且这完全符合国家推动大数据发展的政策，目前，我国已有200多所高校获批该专业。陆续估计会有几百所获批。那么，各大高校应该怎么建设大数据专业，才能不至于掉队呢?

首先需要明确大数据专业需要培养的是具有多学科交叉能力的大数据人才。

该专业人才一般需要培养以下专业能力：

1、理论性的，主要是对数据科学中模型的理解和运用;

2、实践性的，主要是处理实际数据的能力;

3、应用性的，主要是利用大数据的方法解决具体行业应用问题的能力。

理论是基础，实践是工具，而应用则是目标与核心竞争力，一名合格的大数据专业毕业生应该具有让数据产生价值的能力。

其中，理论素养的培养需要通过经典的数据数据课程，比如描述统计(含数据可视化)、回归分析、多元统计、机器学习(含深度学习)、时间序列、非结构化数据、运筹优化等，根据各学校的不同定位，以应用为导向，相应地开设基础课程、核心课程或者选修课程。

实践方面，则需要以下几个方面的巩固提高。

1、要强化SQL的训练，这是在企业环境中，同数据库基本的交互。

2、要强化R和Python的 训练。就R而言，几乎所有最新的统计方法，都能找到相应的package，是小样本学习训练的不二之选;而在实际的数据产业中，Python则是被用得最 多的编程语言。

3、并行计算能力的提升，主要针对两种最常见的技术框架：Hadoop和Spark。

最后，无论理论和实践功课做得多足，没有一个真实的应用场景，都无法产生价值，所以还需要产业实践。

比如，大数据与金融学结合催生出金融科技方 向，带来了征信、风控、自动化交易、机器人投资顾问等分支;

数据挖掘与生物学结合产生了计算生物学方向……而这些大数据应用都需要深入企业真实项目和案例的实战。

培养的层次区别

社会对大数据人才的需求是多层次的，大数据人才的培养也应该有区别有重点。如果说硕士层次注重职业发展的广度和综合运用能力，本科注重扎实的学科基础和工程实践能力，而专科侧重具体的岗位的技术运用能力。

比如，高职高专学校怎么建设大数据专业呢?从事数据挖掘的人都知道，数据挖掘的80%工作量都在数据清洗准备。这个工作又繁琐，又消耗大量的人力，但是对技能水平要求并没有那么高，那么高职高专学校正好可以培养大量大数据准备人才。

任何专业人才的培养，任何一个学科的发展壮大，都离不开完整的教学体系、贴合的教学内容、适用的实践应用平台以及过硬的师资水平，大数据专业亦是如此。所以对于大数据专业的申报而言，如果能统一整合以上各方面资源，那么专业建设将会变得事半功倍。

二、数据科学与大数据技术专业都学些什么?

主干课程

数学分析、高等代数、普通物理数学与信息科学概论、数据结构、数据科学导论、程序设计导论、程序设计实践、离散数学、概率与统计、算法分析与设计、数据计算智能、数据库系统概论、计算机系统基础、并行体系结构与编程、非结构化大数据分析等。

学科要求

善于做需求分析、写代码;善于与人沟通，喜欢探索未知;需要根据数据推演、分析、提出解决方案，有数据思维;需要持续保持学习状态;内性格上能动能静。

知识能力

1.具备扎实的数据基础理论和基础知识；

2.具有较强的思维能力、算法设计与分析能力；

数据科学与大数据技术专业属于交叉学科，以统计学、数学、计算机为三大支撑性学科;生物、医学、环境科学、经济学、社会学、管理学为应用拓展性学科。此外还需学习数据采集、分析、处理软件，学习数学建模软件及计算机编程语言等，知识结构是二专多能复合的跨界人才。

以中国人民大学为例（附高考录取数据，详细数据请查阅家长志愿课堂）：

大学课程设置

基础课程(38学分)：数学分析、高等代数、普通物理数学与信息科学概论、数据结构、数据科学导论、程序设计导论、程序设计实践。

必修课(37学分)：离散数学、概率与统计、算法分析与设计、数据计算智能、数据库系统概论、计算机系统基础、并行体系结构与编程、非结构化大数据分析。

选修课：数据科学算法导论、数据科学专题、数据科学实践、互联网实用开发技术、抽样技术、统计学习、回归分析、随机过程。

三、数据科学与大数据技术专业人才需求情况怎样?

根据领英发布的《2016年中国互联网最热职位人才报告》显示，研发工程师、产品经理、人力资源、市场营销、运营和数据分析是中国护理万网行业需求最旺盛的职位。

目前国内有30万数据人才，预计2019年，大数据人才需求将有大幅增长，高端人才如大数据科学家的缺口在14万至19万之间。

懂得利用大数据做决策的分析师和经理缺口达到150万，数据分析师现在需求就很旺盛了，2年工作经验的月薪可达到8K，硕士学历的数据分析师月薪可达到12K，5年工作经验的可达到40万至60万元。

四、数据科学与大数据技术专业可以从事的工作有哪些?

重视数据的机构已经越来越多，上到国防部，下到互联网创业公司、金融机构需要通过大数据项目来做创新驱动，需要数据分析或处理岗位也很多;常见的食品制造、零售电商、医疗制造、交通检测等也需要数据分析与处理，如优化库存，降低成本，预测需求等。

人才主要分成三大类：大数据系统研发类、大数据应用开发类、大数据分析类，热门岗位有：

（一）大数据系统架构师

大数据平台搭建、系统设计、基础设施。

技能：计算机体系结构、网络架构、编程范式、文件系统、分布并行处理等。

（二）大数据系统分析师

面向实际行业领域，利用大数据技术进行数据安全生命周期管理、分析和应用。

技能：人工智能、机器学习、数理统计、矩阵计算、优化方法。

（三）数据分析师

不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。在工作中通过运用工具，提取、分析、呈现数据，实现数据的商业意义。

作为一名数据分析师，至少需要熟练SPSS、STATISTIC、Eviews、SAS、大数据魔镜等数据分析软件中的一门，至少能用Acess等进行数据库开发，至少掌握一门数学软件如matalab、mathmatics进行新模型的构建，至少掌握一门编程语言。

（四）数据挖掘工程师

做数据挖掘要从海量数据中发现规律，这就需要一定的数学知识，最基本的比如线性代数、高等代数、凸优化、概率论等。经常会用到的语言包括Python、Java、C或者C++，我自己用Python或者Java比较多。

有时用MapReduce写程序，再用Hadoop或者Hyp来处理数据，如果用Python的话会和Spark相结合。

（五）大数据可视化工程师

随着大数据在人们工作及日常生活中的应用，大数据可视化也改变着人类的对信息的阅读和理解方式。

从百度迁徙到谷歌流感趋势，再到阿里云推出县域经济可视化产品，大数据技术和大数据可视化都是幕后的英雄。

中国人民大学与人大、北大、中科院大学、中财、首经贸五校联合培养数据分析硕士第一届毕业生（55人）就业情况：

腾讯、百度等IT公司：22人;

金融、银行等：21人;

出国、读博等：5人;

国家事业单位：6人;

其它：2人。

五、数据科学与大数据技术专业学习建议

人才培养与行业发展存在差距。由于教学大纲更新不会太及时，大数据人才7年毕业(本科四年、硕士研究生三年)后，所学恐怕落后于行业发展。

大数据人才的典型胜任特征：善于做需求分析、写代码;善于与人沟通，喜欢探索未知;需要根据数据推演、分析、提出解决方案，有数据思维;需要持续保持学习状态;内性格上能动能静。

不同办学层次的院校开设此专业，培养模式会有差异。

高职类院校学生由于数学基础相对薄弱，会跟多偏向于工具的使用，如数据清洗、数据存储以及数据可视化等相关工具的使用。

本科院校会倾向于大数据相关基础知识全面覆盖性教学。

在研究生段则会专攻某一技术领域，比如数据挖掘、数据分析、商业智能、人工智能等。

六、就业前景

眼下正是新一届大学生的校招季。这两天，一则消息引发了很多人的关注：AI应届博士的年薪已经从去年的 50 万元一下涨到了 80 万元。但是，由于人才缺口巨大，即使是提高到了80 万元年薪，企业还是难寻人才。

为什么同样是博士，大多数理学博士、工学博士的起薪都从十几、二十万起步，而AI博士已如此金贵？

据《 2017 全球人工智能人才白皮书》显示，人工智能领域人才分布极不平衡，全球AI领域人才约 30 万，而市场需求却在百万量级。全球共有 367 所具有人工智能研究方向的高校，每年毕业AI领域的学生约 2 万人，远远不能满足市场对人才的需求。据有关专家估计，中国人工智能学科人才需求缺口每年接近 100 万!

如果你是在校学生，或者说学生家长，请花一点时间，读读这位斯坦福大学博士、上海财经大教授葛冬冬去年应文汇报邀请撰写的文章。除了高薪，关于AI的前景，你需要有更全面的洞察，并尽早行动。

早在去年，葛冬冬在接受文汇报记者采访时披露，“现在，一位高水平的、专攻人工智能领域的人才，即便是刚出校门的本科毕业生，年薪几十万元的比比皆是。有的企业甚至用七八十万元年薪招聘这个方向的博士生，而我们培养的人才却供不应求，甚至已经无人可供。”

数据化对各行业的冲击，比预想的更猛烈

时至今日，很多年轻的学生对大数据与人工智能充满了好奇。不管你今后是否要进入这个领域学习，不管你对大数据和人工智能的认知是怎样的，在你知道了以下这些事实后，至少会意识到一点：年轻的你们不管今后要从事哪个具体领域的工作，都已经无法规避大数据和人工智能对你产生的影响。

斯坦福大学前商学院院长Garth Saloner (高斯·塞隆那)　在临离任前发给MBA学生的推特内容是：“如果你还在学校的话，最应该做的是到工学院去，学习任何和人工智能、深度学习、自动化等相关的知识!　此刻!”

行走在科研前沿，学术界同行已经越来越感到，我们的科研方式在受到大数据的冲击。而我们每个人或多或少都能认知到：世界与以往不再那么的一样，它在改变，速度越来越快。

事实上，人类的知识进化，过去几年，正在以一个前所未有的加速度在进行。而这一切的发生，原动力来自于世界的数据化进程加快。相应的，大数据处理技术进化和完善也相当迅速，同时使得建立在此基础上的人工智能技术也进入了一个忽然加速、甚至技术爆炸的时期。

现在的每一天，我们都可以感受到这些改变。当你打开手机，新闻客户端的推送是高度个性化的新闻，这是推荐系统在默默为你拣选你最可能感兴趣的信息。当你走出家门，网约车的出现让你感受到交通的便利和分享经济的实惠。而网约车的背后，则是一个基于整个城市实时交通状况的平台———是它在计算你的呼叫满足方式。在你信用卡的申请里，银行考虑的不再仅仅是传统的金融数据记录，你度假的选择、午餐的方式，甚至于敲击键盘的大小写偏好，都成为对你这个用户分析的一个维度上的数据，进入对你的评估系统。

往外去看，人工智能和大数据带来的社会变革比比皆是。自动化交易系统的进入，使得高盛在纽约现金股票交易柜台的交易员从2000年顶峰时期的600人缩减到今天的2人。波士顿动力公司开发的机器人，已经可以在复杂地形上纵跳如飞。谷歌开发的人工智能选手，已经在围棋人类最复杂的智力游戏上击败人类。卡耐基梅隆开发的德州扑克人工智能，已经在这个兼有博弈与计算的游戏上击败人类世界冠军。而这些智能依然处在一个进化的状态，但是已经越过人类这个奇点，它必然会绝尘而去，将我们彻底抛离。

以数据化形式展开的活动将来会是金融等行业的主流，很多可重复、思想度略低的工作很快会被机器所取代，这个趋势的来临，远比人类预想的猛烈。

在盘点了这些热点事件背后，让我们再来谈谈技术的发展。最近10年来，数据积累的急剧增加和针对数据的全链条技术整体成熟，是催生大数据浪潮以及接踵而来的人工智能热潮的关键因素。粗略来讲，在整个产业和技术链条上，包括了数据的提取与清洗　(网络爬虫，结构化)，存储与读取　(大数据架构系统/数据库技术)，规律分析与挖掘　(统计学习/机器学习/深度学习)，建模与计算　(优化算法/并行计算软硬件技术)，再到实际对接多个应用领域。

这其中，硬件和系统进步非常重要。例如，Spark，Hadoop等使得并行存储和计算前所未有得容易实现；GPU在并行计算的成熟，使得人工智能的很多大规模并行计算任务，特别是深度学习等算法，可以以更低代价更高效快速执行。计算和建模技术的进展，特别是机器学习　(去年以来热点迁移到了深度学习)　在GPU并行计算等硬件支撑下，结合大数据处理技术快速兴起，使得极多的传统实际问题的解决方式，可以被机器学习在足够数据训练下更精确的结果和更简单的建模方式击败。暴力美学，一至于斯！

这些趋势，在很多细分领域已经非常明显。这些领域纷纷根据自己需求，启动相应的研究。例如，在企业运营中，电商巨头京东去年底提出“智慧供应链”，对供应链管理的几个关键核心，从运用机器学习和运筹优化技术，建立起基于数据驱动的智能分析系统，包括了根据历史与环境自动智能定价系统，实现自动补货和调货的智能库存系统，物流中的无人仓机器人智能系统等。

在金融领域，突破了传统意义的金融模型，基于更广泛大数据的征信系统、风控系统，已经广泛地被运用在国内多个银行。有更多财经的事务，包括个人理财、资产管理，会计等———这些本来的白领工作，即使看上去似乎有一定复杂技术，但因其具有重复性，大趋势已经显示，非常大的工作份额会被人工智能吞噬。

再如区块链，比特币即为区块链的一个初级应用形式。比特币是用来交易的，而之前的任何一种交易，在数字化之后，怎么样让它安全稳定、怎样省略中间复杂的程序才是人类关注的重点。区块链完美解决了这个问题，比如原来要盖数十个章、写几十个文档的跨境贸易，应用区块链后可以做到瞬时反应、电子文档瞬时生成，电子签章很难被也很难被伪造和篡改。

在企业生态上，大数据和人工智能产生的具体影响，体现为商业巨头与创业者齐飞竞争的态势。

去年开始，从美国到中国，几乎所有的热点大公司，都开始了自觉自发的转型：向科技公司，或者以科技驱动的××公司努力。事实上，这些公司在人才的积聚和技术的积累上，有着自己雄厚的先发优势和资金优势。全面地如提出“新零售”概念的阿里、旗下科技驱动的金融公司蚂蚁、物流公司菜鸟、在语音识别领域独步天下的科大讯飞、无人机领域世界第一的大疆，都已经在向行业巨头进化。

小的创业公司更是如火如荼，如斯坦福运筹与优化算法背景的智能商业公司杉数科技，清华交叉信息学院创业背景的视觉识别公司Face++，香港中文大学教授创业的商汤科技等，都带有浓厚的学术气息。

业界拥有雄厚的资金和高水平的科研氛围，这使得人才的天平正严重地向业界倾斜。

这一轮浪潮，使得人工智能，甚至相关的大数据、统计、运筹优化，计算机等多个学科都成为了抢手的存在。一个非常明显的趋势就是大公司对相关知识重视程度前所未有。公司内部的研究团队，如微软、谷歌、百度、腾讯等，都有自己的研究院，很多担任着引领行业科技发展的角色。而且因为其拥有丰富的数据资源和实际背景，使得传统上学界掌控科技前沿的状况，已逐步演变为学界和业界互相促进互相竞争，甚至于业界领先学界，将学界抛离。这个趋势在国内将特别明显。其次，业界和高校之间，人才的拉锯战也会特别明显。2015年5月，非常轰动的一个新闻就是优步　(Uber)　从卡耐基梅隆大学联邦机器人工程中心　(NREC)，从教授到博士后，将一个研究所挖走了40多人，基本清空了。

从国内来讲，数据、算法、人工智能的专家都特别昂贵难招。高校的优秀人才引入，更是遇到了前所未有的挑战。此外，一个明显的特点就是数据的价值也被充分发掘出来，数据变得特别的“值钱”，在很多业界已经被认为是公司的最核心价值体现。

事实上，数据科学已经成为一个成熟的专业，在国外多数高校，数据科学的本科到博士学位项目都已经非常完备，也是受学生和用人单位欢迎的项目。例如，斯坦福的数据硕士项目设置在工学院的高等计算所下，学生需要从管理科学与工程，统计、数学、计算机等多个学院选课来完成项目。纽约大学的数据科学硕士项目，就业火爆，2017年有1500多名申请人，录取不到100人。在国内，过去两年，包括北京大学、复旦大学在内的35所高校设置了此专业。教育部已经将数据科学与大数据定义为新工科专业予以正式备案登记。

眼下，数据科学与人工智能领域虽然大热，特别是深度学习，看似横扫一切，但它真正进入人们视线，基本是从2012年Geoffrey Hinton教授等人在视觉图像识别大获成功后才真正引起重视。所以回到原点审视的话，深度学习依然是一个充满未知、有待人类去探索的领域。在应用层面，例如深度学习和机器学习的一些复杂算法虽然高效，但是因其黑箱子性质，稳定性没有理论保证，使得一些避险领域　(如金融)　依然会让人心有疑虑，这也是研究者该去孜孜不倦探索与回答的挑战。

但是无论如何，人工智能这个似乎昨天还在蹒跚学步的婴儿，忽然间已经成为了强壮高大的巨人，开始迅速接管人类的各行各业。

斯坦福大学吴恩达教授曾经做过一个比喻：“就像100年前电的发明改变了所有行业、农业、制造业、铁路、通信等等，我觉得人工智能就像100年前的电力，也能为几乎所有行业带来巨大改变。”而这个未来，正以一个可怖的速度，呼啸而来，与并未做好准备的我们迎面碰撞。

未来已来，我们能做的，只能是尽我们最大的努力，张开双臂，去迎接更美好的明天！