時間就如同白駒過隙般的流逝，我們的工作與生活又進入新的階段，為了今后更好的發展，寫一份計劃，為接下來的學習做準備吧！計劃怎么寫才能發揮它最大的作用呢？下面是小編帶來的優秀計劃范文，希望大家能夠喜歡!

有關大數據工作和計劃及收獲一

i、負責hadoop集群的安裝部署、維護及調優:

2、負責spark的安裝郵署、維護及調優:

3、負責基于大數據平臺開發的應用系統的部署、日常維護、調優和問題處理

4、負責elk 平臺的部署及維護。

技能要求：

1 、2年以上大數據運維工仵經驗;

2、熟悉hadoop生態圈技術棧及各個組件原理:

⒊、熟練掌握hdfs、hive、hbase、sρark、sqooρ 等組件，具備部署、維護、調優的能力:

4、熱悉kylin技術原理,有一定的維護經驗優先:

5、掌掇elk的日常維護技能·有一定的維護.經驗優先:

6、有一定的hql/sql 性能調優經驗;

7、具備基本的 java、python等語言開發能力優先:

8、有較強的溝通、團隊協作及學習能力。

有關大數據工作和計劃及收獲二

職責：

1、負責公司大數據產品的架構設計，包含數據收集、數據存儲、數據應用，并完成相關架構設計文檔的撰寫;

2、參與規劃從數據源到數據應用的整體流程，并參與相關產品的決策;

3、負責解決核心技術問題，對技術方案進行決策;

4、負責大數據研發團隊建設、人才梯隊培養和技術團隊管理;

5、積極了解業界發展，研究與跟蹤大數據新技術發展方向。

任職要求：

1、精通goldengate for bigdata相關理論，具備大型數據利用的生產實戰經驗;

2、精通數據驅動的理論，設計并生產上線相關數據驅動的產品;

3、精通常用消息中間件的使用，例如kafka/rocketmq/apache pulsar，有解讀相關源碼者優先;

4、掌握hadoop、spark生態體系相關產品的使用，掌握mapreduce編程或spark編程;

5、了解傳統數據倉庫理論及相關etl工具，例如kettle/datastage;

6、熟悉oracle、mongodb、mysql數據庫的使用;

7、扎實的java語言基礎，熟悉java開發工具和調試工具的使用;

8、良好的團隊協作精神，有能力對團隊在軟件設計、實現和測試方面進行指導;

9、良好的邏輯分析能力和溝通能力，執行力強、對待工作認真嚴謹、責任心強、具備出色的學習能力和團隊合作精神，有一定的推動能力;

10、計算機科學、信息技術或相關領域本科以上學歷，具有5年以上數據平臺項目開發經驗，3年以上的架構設計經驗，具有大數據平臺應用大型項目架構設計經驗優先;

有關大數據工作和計劃及收獲三

職責:

1)負責公司軟件產品整體架構的設計和關鍵功能實現

2)負責公司架構長期看護以及優化;

3)負責軟件部門各模組間的協調配合;

4)提高鞏固軟件代碼質量;

5)負責大數據流式框架的設計、優化及部署;

6)規劃研發部門員工的技術發展路線并提供必要的幫助和指導

任職資格:

1)本科及以上學歷，計算機相關專業，5年以上工作經驗;

2)頻繁換工作，比如一年一個公司，請繞路;

3)3年以上產品架構經驗，主導過產品的成功上線;

4)對底層設備通訊協議，b/s系統，手機app開發等都有一定的了解;

5)對各種主流語言c#\java\pathon有一定的了解

5)精通各種大數據架構，并深入研究過其中一種，有storm\kafka等流式實時處理經驗為佳

6)能夠承擔較強的工作壓力，有良好的自我驅動能力和責任感;

7)具備優秀的邏輯思維能力、表達能力、溝通協調能力。

有關大數據工作和計劃及收獲四

職責：

1、負責hadoop、hbase、hive、spark等大數據平臺 規劃、部署、監控、系統優化等，確保高可用;

2、負責公司大數據平臺的運維管理工作，集群容量規劃、擴容及性能優化;

3、處理公司大數據平臺各類異常和故障，確保系統平臺的穩定運行;

4、設計實現大規模分布式集群的運維、監控和管理平臺;

5、深入研究大數據業務相關運維技術，持續優化集群服務架構，探索新的大數據運維技及發展方向。

任職要求：

1、熟悉hadoop/hbase/hive/spark/kafka/zookeeper等開源項目的安裝與調試,升級擴容;

2、熟悉hadoop大數據生態圈，包括但不限于hdfs、yarn、hive、hbase、spark、kafka、flume等;

3、精通一門以上腳本語言(shell/perl/python等),熟練掌握linux系統及常規命令與工具，熟練的shell腳本編寫能力。

有關大數據工作和計劃及收獲五

職責：

1、負責spark, hadoop, flink等開發和優化。

2、參與前期需求溝通和分析，以產品化開發的思維，完成需求分解和數據架構設計。

3、與研發和數據科學家合作保證產品定義清晰，按時完成產品上線。

4、能夠洞察市場狀況，與各部門合作轉化為基于大數據挖掘的新策略或方案.

5、主動創造和發掘新的基于大數據挖掘產品商業模式.

任職要求：

1、全日制本科及以上學歷，計算機軟件相關專業，5年以上開發經驗，3年以上架構經驗

2、精通hadoop/mapreduce/spark/hbase/flink/hive/r/mahout等分布式數據存儲和分布式計算平臺原理，流式計算開發，有開源二次開發經驗者優先。

3、精通大數據挖掘、機器學習.熟練掌握java/perl/python至少一種編程語言。

4、具有數據挖掘和分析、機器學習等項目實施相關經驗者優先;

5、良好的跨部門溝通合作能力，解決不同觀點能力并取得結果。具備敏銳的互聯網產品理解力，學習能力和邏輯思維能力強;

6、較強的自我驅動力、推動和協調能力，強烈的責任心和團隊合作精神;

有關大數據工作和計劃及收獲六

大數據模式下的精準營銷

于大部份營銷者來說，網站再定向(onsite retargeting)是其中一個最重要的營銷手段，所謂網站再定向的意思是對曾訪問您網站的用戶進行宣傳，在他們瀏覽網絡時向其展示廣告。此手段之所以重要是因為在第一次接觸中真正轉化為購買的只占2%，而沒有產生購買就離開網站的人群體高達98%。網站再定向的威力在于它能夠幫助你吸引很多的潛在客戶，由于這些用戶之前已經訪問了您的網站一次，這意味著他們確實對您的產品和服務感興趣。當你不斷向這些用戶顯示相關的廣告，將能夠吸引他們回訪并完成購買。理論上，網站再定向技術聽起來完美，但執行起來，卻可能讓很多廣告主走入死胡同，因為它只能夠覆蓋到舊有的訪客，而無法接觸新訪客。對于廣告主來說，網站再定向是一把雙刃刀，它雖然能帶來絕佳的roi，卻由于覆蓋度不足，會在無形中扼殺銷售機會。

其實無論是廣告數據或購買行為數據，網絡都能記錄下來，而網絡的實時記錄特性，讓它成為當下廣告主實現定位營銷的不二之選。隨著技術不斷革新，廣告主精細化定位的需求也不斷得到滿足。在隨后的篇幅中，我們會簡單地對比幾大定位技術，并通過電商案例分析來討論如何讓這些數據技術協同起來，促成客戶從瀏覽廣告到掏錢購買的轉化，實現廣告主的收益最大化。

網絡營銷的精細化定位潛力只有在大數據的支持下才能完全發揮出來。圖中的數據金字塔劃分出了數據的四個層級。最底層是廣告表現數據，是關于廣告位置和其表現的信息。具體而言，就是廣告位的尺寸、在網頁的位置、以往的點擊率、可見曝光(viewable impreion)等指標。

再上一層就是受眾分類數據。如今，市場上的數據提供商可以通過用戶的線上和線下的行為，來收集到廣告受眾的興趣、需求等數據。這些不會涉及個人真實身份的信息會被分析，并劃分為不同的群組，例如性價比追求者、網購達人等。有了受眾分類數據，廣告主可以在互聯網上按自己的需求和品牌的特性來投放。受眾分類數據的針對性更強，也能帶來比單純依賴廣告表現數據更好的點擊率與轉換率，因為它提供了消費者行為和偏好等寶貴信息。

第三層是搜索動機數據。搜索再定向是個用于發掘新客戶的技術。它的出現讓我們能夠發掘出那些很可能會購物的用戶，因為他們已經開始搜索與廣告主產品相關的信息了。那些具有高商業價值的數據可以進一步被篩選出來，廣告主可以將具有高購買意愿的人們再定向到自己的產品信息上來。

而位居數據金字塔頂端的是站內客戶數據，這指的是用戶在廣告主網站上的用戶行為數據，包括了用戶瀏覽的頁面，下載的信息，以及加入購物車的商品等數據。網站用戶通常是那些已經了解過品牌并且對公司也熟悉的一群人。

對于廣告主來說，金字塔四層的數據都獨具價值。舉例而言，廣告表現數據是每個廣告主都首先會關注的信息，因為這些信息在大多數廣告管理平臺和廣告交易平臺都能輕易獲得的。同時，那些與用戶需求和偏好相關的數據，能夠助力廣告主更好地實現精細化營銷。因此，要想針對性地影響消費者購買路徑的每個過程，我們就需要把這四層的數據分析整合，才能制定一個更全面的營銷方案。

以下，我們將分享一個真實的案例，讓廣告主明白應當如何打通各層數據，制定覆蓋消費者購買路徑的精準定位的營銷方案。

案例分享

背景：愛點擊的客戶，國內最知名的電子商務網站之一，希望能提高roi(投資回報率)和線上交易數量

挑戰：客戶已經使用了網站再定向技術來實現一個較好的roi，但是，從再站內定向所帶動的交易數量開始有下降的趨勢。

優化策略︰利用多重數據的整合，提升轉化漏斗每一階段的人群數目，以提升總轉化量

第一步：網站再定向

廣告主會發現網站內再定向帶來的購買轉化量有限，這是因為大部份廣告主只會再定向曾經將商品加入購物車的訪客。要想提升網站再定向的效果，最優的方法是根據用戶瀏覽過的頁面進行屬性分類，并呈現具有針對性的內容。具體參考下圖：

有了全面的追蹤和分類，再定向受眾數量的基數大幅增加。在短短兩個星期內，交易數量顯著提升，尤其是來自老訪客的成交量更是大幅提升44%。

第二步：搜索再定向(search retargeting)及購買第三方受眾分類數據

一方面，再定向可以有效地召回老訪客，增大重復進入網站及購買的可能性。但同時，廣告主還應該考慮怎么能增加新訪客，以保證轉化漏斗有足夠的新增流量。

首先，我們利用搜索關鍵詞捕捉有興趣的用戶，然后儲存有關的用戶數據，最后，在交易平臺上將合適的廣告呈現給該用戶。此外，我們還會關注第三方受眾分類數據中那些有著同樣行為特征的用戶信息，整合在一起進行精準投放。

在進行搜索再定向及購買受眾數據后，新客戶所帶來的成交大幅度上升254%，廣告效果花費cpa下降29%，同時增加該網站整體的瀏覽量。

第三步：利用機器學習(machine learning)進一步擴大客戶的數量

用戶來進行定位廣告投放。xmo的算法可以對比客戶的crm消費者數據與第三方受眾數據，并預測出哪些網絡用戶會有特定的購買傾向。在這個案例中，xmo能通過機器學習來不斷產生新的受眾，平均每周能夠細分出一個有著230萬樣本的人群。通過將廣告投放到我們已有的目標受眾群和由機器學習鎖定的新目標受眾，我們可以看到非常喜人的廣告效果，雖然cpa輕微上升14%，但新客戶成交量大幅增長26%說明了機器學習能有效地為廣告主發掘新客戶。

什么是機器學習(machine learning)? (摘自維基百科wikipedia) 機器學習是人工智能的核心，根據數據或以往的經驗，通過設計算法來模擬背后機制和預測行為，并獲取新的數據。這是一個重新組織已有的知識結構使之不斷改善自身性能的過程。研究者可以

通過機器學習來抓取現有數據的特征來預測未知的概率分布，找到新的具有相同特征的數據并加入庫中。機器學習中最關鍵的就是開發出能智能識別復雜模式并能智能化決策的算法。

觀點總結

多渠道數據的整合可以在兩方面幫助廣告主提高廣告表現。

首先，此舉可以增加廣告受眾總數，并會為廣告主贏得源源不斷的訪問量。第二，多渠道數據整合后的定向還能促進消費者購買漏斗的每一個過程，廣告主通常利用網站再定向技術來召回“購物車放棄者”或者流失的老客戶，但實際上，廣告主應該把注意力放在現有客戶和新客戶的比例。 總而言之，從搜索動機數據，到受眾分類數據，到最終的機器學習，都能促進購買漏斗的頂端訪客數量的增加。結合上創意的策略定制、精準的位置選擇，客戶的轉化率將會提高，廣告主也將挖掘出更多的商機。

有關大數據工作和計劃及收獲七

職責：

1、負責公司大數據平臺自動化運維開發、監控和優化工作，保障數據平臺服務的穩定性和可用性;

2、負責公司hadoop核心技術組件日常運維工作 ;

3、負責公司大數據平臺現場故障處理和排查工作;

4、研究大數據前沿技術，改進現有系統的服務和運維架構，提升系統可靠性和可運維性;

任職要求：

1、本科或以上學歷，計算機、軟件工程等相關專業，3年以上相關從業經驗

2、精通linux運維命令，熟悉linux的維護和管理，熟悉shell/python腳本開發，掌握scala/java優先;

3、熟悉大數據項目實施：包括不限于kafka、hadoop、hive、hbase、spark等大數據生態的平臺搭建，監控和調優;

4、良好團隊精神服務意識，溝通協調能力;

有關大數據工作和計劃及收獲八

高校教育大數據的分析挖掘與利用

摘 要,本文從高校教育大數據的匯聚融合與挖掘應用的角度,分析了如何運用教育大數據技術推動大學管理和人才培養的創新改革的思路和方法。首先,分析了教育大數據對高校現代化、精細化、規范化管理的4個價值,其次,給出了高等教育大數據技術平臺的基本技術架構,第三,結合教育大數據實際應用,介紹了陜西省高等教育質量監管大數據中心、mooc中國、西安交通大學教學質量綜合監控與評價三個典型案例,最后,提出了教育大數據分析挖掘中的3項基礎性關鍵技術

關鍵詞,高等教育,大數據,分析,挖掘

高校大數據分析挖掘至少有四個典型價值, 一是使得大學的管理更加精準高效,可以朝著智慧治理、分類管理、過程監控、趨勢預測、風險預警的方向發展,真正實現基于大數據分析規律的精準治理,改變管理的模糊性, 二是可以更加準確地分析評價課堂教學的質量,過去我們對課堂、對老師的評價是定性和模糊的,而在大數據智慧課堂的模式下,可以真正實現采集樣本的持久化,采集方式

的多元化,挖掘手段的多樣化,分析技術多維度,通過這些方式可以提高課堂教學的質量, 三是使得教和學更加智慧,更加有效。對學生來說,老師可以了解學生學習的進展情況,發現學習興趣點,以及對老師講的哪些內容理解或者不理解,學習路徑分析及課程推薦等等。對教師而言,不僅可以跨校跨地域分享他人的優秀課程,而且可以對學習者進行精準分類,進行個性化指導, 四是資源服務的個性化、精準化推薦與服務,學習績效的個性化評價,以及個性化教學管理,個性化手機內容推送等等,這些功能將有效提升教與學的效率和質量

首先,我們對高等教育大數據技術平臺有一個總體的頂層設計,如圖1所示。這不僅是學校自己要有一個大數據的管理平臺或者是數據中心,而且也是面向區域乃至全國的平臺。教育部評估中心正在努力建立國家級高等教育教學質量監控大數據中心,陜西省也是這樣考慮的。數據來自高校、教育管理部門以及行業、第三方、企業用人單位等等各方面采集的數據,該數據平臺既有大學的業務數據、課程資源,也有政府部門的統計數據,還有學生網上學習的日志數據,用戶產生的ugc數據,比如微信、微博、論壇等等的數據,基于大數據平臺,開展面向學習者、面向高等教育管理機構、教師、高校等提供服務,并和教育部評估中心、主管部門等

進行數據交換與對接

顯然,這樣一個大數據平臺必須是一個高性能的計算平臺,沒有這樣的基礎設施一切無從談起,所以去年我們學校花了很大的力氣做了兩件事,一個是把校內二級單位原來小的集群計算進行整合,形成學校統一的高性能云計算平臺,既面向校內的科學研究、人才培養提供服務,其實也可以為社會提供合作共建共享模式。目前,我們已建立了一種自我造血機制,四兩撥千斤,以這個平臺吸引更多的外部資源,努力擴展平臺的性能和應用

目前,我校的高性能平臺除了應用于材料、航天、能動、信息等大型科學計算之外,還開展了以下三項典型的大數據應用

案例1,陜西省高等教育質量監控與評估大數據應用

圖2所示的是陜西省高等教育的整體架構。其數據基礎是來自陜西省100多所高校的各種辦學狀態數據,有將近700個表格,以及陜西省教育廳各個職能部處的各種各樣的管理數據,此外還有行業第三方提供的數據,包括招生、就業數據等等,這個平臺上我們開展預測預警、查詢在線分析、信息發布、統計決策等等,主要是為省級教育管理部門、評估機構、教育管理機構提供各種各樣的辦學狀況的分析、統計、關聯分析

建設全省高等教育大數據服務平臺,實時采集各高校的辦學狀態數據,其根本目的是為了匯聚全省各高校的辦學狀態數據,打破數據孤島,融合各方數據,實現橫向關聯比較、縱向歷史分析,提供精準服務,支持科學決策

首先,該平臺面向省教育廳提供了11項功能,從根本上解決了原來各處室間的數據孤島的問題,實現了數據融合,橫向關聯,縱向融通,這個數據和各個高校是實時融通的,為省教育廳領導和職能部處提供了領導儀表盤、各職能處室的專項服務、81張高基表及年報年鑒表格的自動生成、績效分析、招生就業及辦學指標計算、教育評估等功能,從根本上解決了數據碎片化及其治理問題

其次,面向全省高校輔助決策,為高校領導以及校內各個職能部處提供了系列功能,包括辦學情況綜合分析和在線查詢,專業結構分析比較,校級的教學質量監控評測體系,教師管理等等,這些功能非常實用,這是大學實現精細化、規范化、現代化管理的必備基礎。以我校為例,我們過去教師的數據可能在人事處、教務處、科研院等學校的職能部門,采取本平臺以后,把教師有關的所有數據都進行了融合,打通了所有原來割裂的數據。從去年開始,我們學校的職稱評聘,年度考核全部基于這一平臺,全部在大數據里,建立健全了基于數據驅動的精準化服務,解決了數據碎片化歷史遺留問題,實現了從管理信息化向服務信息化的根本轉變

第三,為本科教育教學評估及專業認證提供技術支撐。鑒于本平臺能提供比較全面的高校辦學狀態數據,便于專家在進校之前全面系統地掌握學校辦學的情況,找到問題,精準查看驗證,提高效率,給高等教育評估提供了重要支持。基于本平臺,我們成立了中國西部高等教育評估中心,接受陜西省教育廳指派的省屬本科高校的審核評估和專業論證。如果沒有這一高等教育大數據平臺的支撐,工作量和難度是極其巨大的,甚至難以實現

案例2,mooc中國技術平臺

mooc中國成立于2015年1月,到目前為止已經有121所高校加入,理事單位40家,會員單位80家。該平臺的宗旨是,做政府想做的,做社會愿意做的,做單一高校做不了的事情。例如,真正解決校際資源共享、學分互認等,開拓遠程教育國際化等未來發展的難題。 圖3給出了mooc中國的技術框架。其核心是互聯網+教育,實現互聯網教育從1.0到2.0的升級。基于這一平臺,既要開展網絡教育業務的國際化,比如我們牽頭成立的“絲路大學聯盟”,其目的之一是借助mooc中國平臺,實現網絡教育業務的國際化,通過mooc中國平臺,面向“一帶一路”國家開展開放教育和技能培訓

到目前為止,mooc中國已經有了9911門課程,用戶將近600萬,其中光it培訓的有500多萬,學歷教育在讀

學生50多萬

案例3,西安交大教育教學大數據分析挖掘與應用

學校非常重視教育信息化技術融入和應用到教育教學之中,去年一次性建成了80個智能教室,把物聯網技術、云計算技術應用于智能教室和教學一線,基于物聯網技術實現教室設備的集中管理、智能控制,同時,將互聯網技術深度融入到教室的管理當中,除了多媒體的直播錄制功能以外,還提供了學生考勤和專家的精準督導,通過云平臺來集中管理各個教室,比如說開投影機、關電源、關多媒體設備等等,都可以通過后端的云平臺集中管控,真正實現教室管理的數字化、智能化、精細化,提升了教學保障的能力,也大大提高了教室管理的效率。更重要的是,這些教學的過程數據可以全程采集下來,獲得數據,有了這些數據,就可以做精準化分析服務,建立西安交大教學質量大數據監測中心 目前,我校的教學大數據主要包括兩大部分,一是教師在授課過程中的全程錄制的課堂實況,二是學生在學習過程中產生的大量日志數據。基于這個平臺,我們可以開展教育教學的大數據關聯分析,開展課堂教學質量的綜合評價,實現正面激勵、負面懲戒、精準督導,實現教學評價從模糊宏觀到量化精準、從每學期制到持續常態、從部分隨機到全面覆蓋、從事后評價到實時動態的根本轉變。通過評價激勵老師敬畏課堂,評選精品課堂、示范課堂,在全校內進行正面

表彰,另外也作為教學質量評價的重要依據,包括教師的職稱晉升,評選最喜愛的老師等等

此外,本系統還為學院領導和管理部門提供了針對性的信息服務與決策支持,以數據說話,量化分析,改變了以前我們的模糊評價,采取多維度、全覆蓋、持續化、精細化的過程評價與監控

首先,介紹一下大數據人工智能的基本原理。前段時間,alphago戰勝世界圍棋冠軍這一故事炒得很熱。這對我們的教育科研工作者提出了一個重要的課題,到底人工智能會不會戰勝人類的智能,將來教師存在的主要價值是否還有必要,863計劃正在研究一個項目,到2020年,人工智能軟件參加高考得分要超過一本線,這就是說,計算機教出來的機器軟件參加高考都能達到一本線以上。這就引起我們的思考,這是一個深層次的方向性問題。當然我們今天不是談這個問題,而是我們要看看alphago的原理,其核心是價值計算函數,用收益函數來判斷圍棋下一步該落子到哪里其收益是最大的,其中采用了人工智能深度學習方法。alphago并非天生聰明,其實他的智慧是分三步完成的, 第一步,給alphago輸入了3000萬個人類圍棋高手的棋譜和走法,任何一個人是不可能記住3000萬個棋局的,只有人工智能才能記住 第二步,alphago自己和自己對弈,在對弈過程中找到自己的薄弱點,進而改進和完善,這其實和人的學習原理類似

第三步,才是人機對弈,從職業選手到世界圍棋冠軍,通過這樣不斷的對弈完善算法,校正學習,使得alphago具有強大的智能計算能力。alphago的難點在哪,其關鍵在于在一個巨大的落子空間選一個最大的收益點,或者落子點,稱之為movepicker,,函數,這個空間很大,有10170次方,在如此龐大的計算空間中選擇最優函數,只能依靠高性能計算平臺

alphago為我們研究大數據問題提供了思路和啟發。我們在研究教育大數據問題中需要著力攻克以下理論與技術難題

第一,大數據造成了嚴重的認知碎片化問題。比如,大家在百度搜糖尿病會檢索出4440萬個數據源,誰也看不過來,并且里面還有一大堆真假難辯的數據。所以,碎片化知識的聚合是一個非常基礎的難題,高度的碎片化降低了知識的可用性,造成了分布性、動態化、低質化、無序化等典型的問題

一方面是知識的碎片化,另一方面是每個人的興趣和需求還不一樣。所以,資源的碎片化整合以及個性化推薦是今后人工智能中的關鍵問題。我們的思路是,一方面,我們要

從資源的角度把無序、分散、低質的資源進一步重組以后形成知識點,形成有序的知識地圖,另一方面,要對學習過程進行跟蹤,實現興趣、個性、情感等方面的動態分析與挖掘,兩者結合起來,建立基于用戶興趣和個性的資源推薦,最后實現個性化精準過濾,通過知識地圖面向用戶提供導航學習,從而緩碎片化知識的問題。開展這一研究也要建立龐大的基礎數據,就像剛才講的alphago,光靠智能軟件肯定不可能那么聰明,需要建立龐大的知識地圖、知識圖譜,并將其放到了國際開源社區和開放數據平臺之上 第二,碎片化知識的聚合問題。其目的是解決“既見樹木,又見森林”的問題,破解“學習迷航”、“認知過載”的問題。我們正在承擔國家自然科學基金重點項目,研究如何將多源、片面、無序的碎片化知識聚合成符合人類認知的知識森林,找出主題與主題之間的認知關系,最后形成一個知識森林,其中需要解決主題分面樹的生成、碎片化知識的裝配、知識森林生成、學習路徑選擇與導航等有關知識地圖、知識圖譜構建與應用等許多基礎性關鍵技術

第三,學習行為的分析和挖掘技術。網上學習最大的好處我們可以把教師和學生所有的教與學的行為記錄下來,討論、作業、習題、筆記及進度記錄下來,有了這些數據,我們可以進行后續分析,開展學習行為的特征識別和規律發現等等,既可以跟蹤挖掘某個個體的學習規律,也可以找出一

個群體、一個小組的特征和規律。針對不同的課程,開展課程點擊率、學習人群、知識關注點、學習時間等的分析與跟蹤,刻畫一個學生學習的過程,從時間、空間和課程知識導航的角度,甚至圍繞某個知識點,研究學習者的特征、行為、交互等相互之間的關系,為老師深化課程改革、探索以學生為中心的教學設計具有非常重要的意義

教育是全人類、全社會發展的基礎性事業,隨著互聯網+技術全面滲透和深度融入教育教學,不僅產生了大量的課程資源和學習內容,而且還產生了巨量的教育教學管理數據、行為數據、服務數據,蘊藏著巨大的價值,亟需我們開展深入研究,可謂前景廣闊,挑戰巨大，

,編輯,王曉明,

有關大數據工作和計劃及收獲九

職責：

1、負責公司的大數據平臺的數倉架構、系統架構設計;

2、負責帶領團隊完成輿情分析相關的挖掘方案設計;

3、負責大數據研發組團隊管理;

4、負責帶領團隊完成輿情平臺的方案文檔撰寫、迭代開發;

5、負責研發規范制定，研究行業前沿技術;

6、參與產品規劃及設計討論。

任職要求：

1、本科五年工作經驗及以上，有至少五年的大數據技術實踐經驗，有nlp或ai相關經驗;

2、有很強的架構設計能力和良好的表達能力;

3、有一定的項目管理及團隊管理能力;

4、精通hadoop、spark生態圈中的常用組件原理及應用;

6、理解媒體業務，精通數據倉庫的規劃和設計;

5、精通掌握java或python編程，有性能調優能力;

4、熟悉nlp算法原理及應用;

6、對新生事物或者新技術有濃厚興趣，學習能力強。

有關大數據工作和計劃及收獲十

職責：

1. 負責大數據基礎和應用平臺的整體規劃和架構設計，參與需求分析，架構設計，詳細設計以及技術選型決策

2. 參與數據挖掘和建模相關核心算法的代碼實現

3. 負責大數據算法平臺的技術把關，性能調優，控制架構質量，解決項目技術難題;對研發項目和任務需求進行評估和方案設計、拆分任務并指導工程師完成開發

4. 帶領團隊提供并實現大數據算法平臺上各項數據接入、數據挖掘分析及數據可視化的架構設計與能力，支持解決方案實施

5. 負責數據庫設計、應用架構設計、核心技術選型等工作

6. 協調解決開發中的技術問題、設計和監控運營指標，保障系統穩定運行

7. 培養，指導有能力的員工，指導工程師進行技術驗證實現，核心技術攻關，解決開發過程中的技術難題

任職要求：

1. 熟悉大數據和數據倉庫的系統架構設計方法

2. 熟練使用并理解hadoopspark架構及生態。(hadoop，hive，hbase，elasticsearch，kafka，sparkflink等)

3. 熟悉分布式系統架構，有分布式實時、離線和機器學習平臺的架構和開發經驗，具備海量數據清洗、分析處理及存儲的實踐經驗

4. 熟練使用java，具有大規模分布式系統調優經驗

5. 熟悉ai相關算法，熟悉機器學習、深度學習。熟悉ai學習開源框架(tensorflow、pytorch等)者優先;

6. 具備良好的團隊合作精神，對工作充滿激情。

7. 熟悉fusioninsight平臺開發經驗者優先