国内外相关高校开设《数据科学》课程、数据科学学位计划、数据科学短期培训班，进行数据科学家和数据工程师的培养。在中国，香港中文大学从2008年起设立“数据科学商业统计”科学硕士学位；复旦大学从2007年起开设数据科学讨论班，2010年开始招收数据科学博士研究生，并从2013年起开设研究生课程《数据科学》；北京航空航天大学于2012年设立大数据工程硕士学位。在美国，加州大学伯克利分校（UCBerkeley）从2011年起开设《数据科学导论》课程，并从2012年起开设《数据科学和分析》课程；伊利诺伊大学香槟分校（UniversityofIllinoisatUrbana-Champaign，UIUC）从2011年起举“数据科学暑期研究班”（DataSciencesSummerInstituteprogram）；哥伦比亚大学（ColumbiaUniversity）从2011年起开设《数据科学导论》课程，2013年起开设《应用数据科学》课程，并将从2013年秋季起开设“数据科学专业成就认证”（CertificationofProfessionalAchievementinDataSciences）培训项目，并计划从2014年起设立硕士学位，2015年起设立博士学位；芝加哥大学（UniversityofChicago）开设3个月的夏季培训课程；纽约大学（NewYorkUniversity）将从2013年秋季起设立“数据科学”硕士学位；南加州大学（SouthCaliforniaUniversity）设立“数据科学”硕士学位；华盛顿大学（UniversityofWashington）从2013年5月起开设《数据科学导论》课程，并对修满数据科学相关课程学分的学生颁发数据科学证书（CertificateinDataScience）；雪城大学（SyracuseUniversity）也提供数据科学高级研究证书（CertificateAdvancedStudiesinDataScience）培训项目。在英国，邓迪大学从2013年起设立“数据科学”科学硕士学位。从上述人才的培养计划来看，数据科学家应该系统地掌握数据分析相关的技能，主要包括数学、统计学、数据分析、商业分析和自然语言处理等，具有较宽的知识面，具有独立获取知识的能力，具有较强的实践能力和创新意识。其中，只有复旦大学的课程设置强调了数据科学家是研究数据的科学家，而不仅仅是一个数据工程师或者数据分析师[2]（查看中国大数据技术与产业发展白皮书2013原文）。国内开设《数据科学》课程调研结果大陆：根据网络调研结果，国内高校目前还没有关于已开设《数据科学》课程的相关资料，但是，不排除个别已经开设《数据科学》课程（因为有些教师可能没有为课程建立主页）。相关高校在数据科学领域开展了相关工作，比如，复旦大学设有“上海市数据科学重点实验室”和“数据科学研究中心”，清华大学数据科学研究院计划在2014年9月开始培养大数据硕士，华东师范大学设有“数据科学与工程研究院”。在教材方面，复旦大学朱扬勇、熊赟等人编写了《数据学》，北京理工大学杨旭、汤海京等人编写了《数据科学导论》。香港：调研了中国香港几所主要大学，香港大学、香港中文大学、香港理工大学、香港科技大学、香港城市大学、香港浸会大学、香港岭南大学，都没有开设《数字科学》这门课，但是，有几所大学开设了《DataAnalysis》这门课，但是并没有课程信息，只有简单介绍。（查看调研报告）台湾：中国台湾省各高校暂时未开设《数据科学》课程，通过公开的资料也未显示有开课准备。台湾民间有一个“资料科学实验室”组织，2014年召开了“台湾资料科学爱好者大会”，有开设资料科学相关课程。（查看调研报告）国外开设《数据科学》课程调研结果美国：华盛顿大学开设了《IntroductiontoDataScience》，介绍了关系型数据库、MapReduce、NoSQL、基础数据分析、机器学习、可视化、图论。约翰霍普金斯大学在Coursera上一口气推出了9门DataScience方面的课程，组成“数据科学家”专项课程。（1）数据科学家的工具箱；（2）R语言程序开发；（3）获取和整理数据；（4）探索性数据分析；（5）可重复性研究；（6）统计推断；（7）回归模型；（8）实用机器学习；（9）数据产品开发。纽约大学开设MSdatascience项目。哥伦比亚大学设有数据科学学院。MIT开设IntroductiontoComputationalThinkingandDataScience（计算思维和数据科学导论）这门课，介绍如何利用计算机来理解真实世界的现象，目标受众是具备一定Python编程经验和计算复杂度基础知识的学生，课程强调必须更加照顾涉猎范围，而不是一味增加深度；为了这个目的，该课程会为学生提供许多主题的浅显介绍，这样学生就可以知道之后在他们的职业生涯中可以用计算机去完成什么样的任务了；课程的主题包括，绘图、随机程序、概率和统计、随机漫步、蒙特卡洛模拟、数据模型化、优化问题和分类归并。哈佛大学开设CS109DataScience，有GitHubk课程资料。（内容请查看调研报告）英国：目前大概有七所高校开设了《数据科学》及其相关课程，包括谢菲尔德大学、爱丁堡大学、伦敦大学学院、东英吉利大学、布里斯托大学、曼彻斯特大学、伦敦大学皇家霍洛威学院。其中，谢菲尔德大学和爱丁堡大学对于这一新兴专业归纳最全，并设立了相应的MSc；其他高校只设立了与数据科学相关的一些课程或专业，如曼大设立了数据与知识管理专业，东英吉利大学设立了知识发现与数据挖掘专业。（内容请查看调研报告）韩国、日本：经过对韩国科学技术院(KAIST)、浦项大学、首尔国立大学以及日本东京大学和京都大学的网络调研，可初步得出，韩国和日本目前还没有高校开设《数据科学》的课程。其中，韩国的三所大学有设立与数据科学相关的课程，但没有课件资料，也没有简要的课程介绍。（查看调研报告）
为孟连等地区用户提供了全套网页设计制作服务，及孟连网站建设行业解决方案。主营业务为成都网站设计、网站建设、孟连网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
达内教育。
根据网络上的相关评价，达内教育评分是4.5。万和教育平方是4.4，剩下的还有中公教育，北大青鸟等。以广大学子的评分来看的话，还是达内教育。
云计算是分布式计算的一种，指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后，通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。
私は大学に入って以来、かなり强い「手を动かす」実践力を持っておりました。新しい物事への呑み込みが早く、柔软性に富んでいると思います。NEC研究所で実习している间、新兴テクノロジーNoSQLのシステムプラットフォームについて研究しておりました。短い1ヶ月の间、真面目に学んだり仕事に励（はけ）んだりしただけでなく、任务もうまく果たせたと思います。
そして、大学学生会に入って、先辈たちといっしょに学校サイトの机能开発をしていたので、内部システム开発とデザインの経験を持っております。その後、システムマネジメントを2年间しておりました。学校のサーバーの安全管理をしていたので、セキュリティーについても経験を积んでおります。
手工翻译！请参考！
楼上要实在不知情就不要乱说！首先北京信息科技大学是由北京信息工程学院和北京机械学院在2008年合并改名而来，合并前两所学院都是标准的二本学校，哪来专科学校之有！另外信管专业在这个学校我不敢说是最高分的，但绝对不低分，在北京招的都是一本线，外地的分会更高！对于信管专业毕业我不敢说是最好就业的专业，但是它的就业面绝对是比较广的，看我下面描述你就知道了！
我是这个学校这个专业刚毕业的，别的学校的这个专业分高不高我不是很清楚，但是这个学校的信管和其他学校的信管专业有很大的不同，这么跟你说吧，它比较偏向于计算机，尽管有两个方向（计算机方向和管理方向），但是都脱离不了计算机，除了偏硬件的课程（像微机原理），计算机专业学的课程我们都学了，编程是最大的特色，用心学一下的话，最后毕业都能开发一个网站或者信息系统什么之类的，像毕设，他们大部分都做什么人力资源管理系统、B2C电子商务网站的居多，当然也有做算法研究的，四年我个人感觉其中最精髓的课程是系统分析与设计，学好这个，将来没准能做个系统架构师之类的，但是刚毕业，大部分都是去做开发或者测试什么之类的，总的前景我觉得还是比较好的，特别是系统分析与设计能力，这是现在信息系统的精髓！当然还有转型去做其他的像DBA之类与数据库有关的（数据库是我们的专业基础课），更高一层也有做数据挖掘的（估计其它学校在这个专业很少有开这课，我们就学了，很前沿的学科），这些都是比较不错的职业，最不济的也能去做个维护什么之类，像就有部分同学毕业去百货公司做技术支持或者维护什么的。
考研的话我们可以选两个方向，一个是计算机，一个是管理科学与工程，因为他们两涉及到的专业课我们都学了。
出国的话学院有和澳大利亚的大学合作的2+2、美国的大学合作有3+1+1，还算不错！
说了很多，仅供参考！，也可以hi我！
一、开设了大数据的大学：
1、北京大学
大数据是一个新的专业，国内首次出现这个专业是在2016年的时候，当时新设这个专业的高校全国只有3所有，其中就有北京大学。
2、对外经济贸易大学
与北大为同一批次开设大数据专业的学校还有对外经贸大学，很多人不知道这所学校是一所211工程大学，所以这个大数据专业应该是办得不错的。
3、中南大学
该校是湖南最好的大学，属于211和985工程学校。是第一批开设大数据与专业的高校。网上的一些排名中将该校的大数据专业排在了全国第一的位置。
4、中国人民大学
人大属于第二批开设大数据专业的高校，具体开设时间是在2017年。人大的这个专业虽然开设只有一两年的时间，但是实力应该是很强的，因为该校的统计学科在国内处于领先地位。
二、大数据专业：
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
以中国人民大学为例：
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。
扩展资料：
大数据专业主要课程
C程序设计、数据结构、数据库原理与应用、计算机操作系统、计算机网络、Java语言程序设计、Python语言程序设计，大数据算法、人工智能、应用统计（统计学）、大数据机器学习、数据建模、大数据平台核心技术、大数据分析与处理,大数据管理、大数据实践等课程。
数据（big data）
指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
参考资料：百度百科 数据科学与大数据技术专业
特点：
它们可以处理超大量的数据。
它们运行在便宜的PC服务器集群上。
PC集群扩充起来非常方便并且成本很低，避免了“sharding”操作的复杂性和成本。
它们击碎了性能瓶颈。
NoSQL的支持者称，通过NoSQL架构可以省去将Web或Java应用和数据转换成SQL友好格式的时间，执行速度变得更快。
“SQL并非适用于所有的程序代码，” 对于那些繁重的重复操作的数据，SQL值得花钱。但是当数据库结构非常简单时，SQL可能没有太大用处。
没有过多的操作。
虽然NoSQL的支持者也承认关系数据库提供了无可比拟的功能集合，而且在数据完整性上也发挥绝对稳定，他们同时也表示，企业的具体需求可能没有那么多。
Bootstrap支持
因为NoSQL项目都是开源的，因此它们缺乏供应商提供的正式支持。这一点它们与大多数开源项目一样，不得不从社区中寻求支持。
优点：
易扩展
NoSQL数据库种类繁多，但是一个共同的特点都是去掉关系数据库的关系型特性。数据之间无关系，这样就非常容易扩展。也无形之间，在架构的层面上带来了可扩展的能力。
大数据量，高性能
NoSQL数据库都具有非常高的读写性能，尤其在大数据量下，同样表现优秀。这得益于它的无关系性，数据库的结构简单。一般MySQL使用 Query Cache，每次表的更新Cache就失效，是一种大粒度的Cache，在针对web2.0的交互频繁的应用，Cache性能不高。而NoSQL的 Cache是记录级的，是一种细粒度的Cache，所以NoSQL在这个层面上来说就要性能高很多了。
灵活的数据模型
NoSQL无需事先为要存储的数据建立字段，随时可以存储自定义的数据格式。而在关系数据库里，增删字段是一件非常麻烦的事情。如果是非常大数据量的表，增加字段简直就是一个噩梦。这点在大数据量的web2.0时代尤其明显。
高可用
NoSQL在不太影响性能的情况，就可以方便的实现高可用的架构。比如Cassandra，HBase模型，通过复制模型也能实现高可用。
主要应用：
Apache HBase
这个大数据管理平台建立在谷歌强大的BigTable管理引擎基础上。作为具有开源、Java编码、分布式多个优势的数据库，Hbase最初被设计应用于Hadoop平台，而这一强大的数据管理工具，也被Facebook采用，用于管理消息平台的庞大数据。
Apache Storm
用于处理高速、大型数据流的分布式实时计算系统。Storm为Apache Hadoop添加了可靠的实时数据处理功能，同时还增加了低延迟的仪表板、安全警报，改进了原有的操作方式，帮助企业更有效率地捕获商业机会、发展新业务。
Apache Spark
该技术采用内存计算，从多迭代批量处理出发，允许将数据载入内存做反复查询，此外还融合数据仓库、流处理和图计算等多种计算范式，Spark用Scala语言实现，构建在HDFS上，能与Hadoop很好的结合，而且运行速度比MapReduce快100倍。
Apache Hadoop
该技术迅速成为了大数据管理标准之一。当它被用来管理大型数据集时，对于复杂的分布式应用，Hadoop体现出了非常好的性能，平台的灵活性使它可以运行在商用硬件系统，它还可以轻松地集成结构化、半结构化和甚至非结构化数据集。
Apache Drill
你有多大的数据集？其实无论你有多大的数据集，Drill都能轻松应对。通过支持HBase、Cassandra和MongoDB，Drill建立了交互式分析平台，允许大规模数据吞吐，而且能很快得出结果。
Apache Sqoop
也许你的数据现在还被锁定于旧系统中，Sqoop可以帮你解决这个问题。这一平台采用并发连接，可以将数据从关系数据库系统方便地转移到Hadoop中，可以自定义数据类型以及元数据传播的映射。事实上，你还可以将数据（如新的数据）导入到HDFS、Hive和Hbase中。
Apache Giraph
这是功能强大的图形处理平台，具有很好可扩展性和可用性。该技术已经被Facebook采用，Giraph可以运行在Hadoop环境中，可以将它直接部署到现有的Hadoop系统中。通过这种方式，你可以得到强大的分布式作图能力，同时还能利用上现有的大数据处理引擎。
Cloudera Impala
Impala模型也可以部署在你现有的Hadoop群集上，监视所有的查询。该技术和MapReduce一样，具有强大的批处理能力，而且Impala对于实时的SQL查询也有很好的效果，通过高效的SQL查询，你可以很快的了解到大数据平台上的数据。
Gephi
它可以用来对信息进行关联和量化处理，通过为数据创建功能强大的可视化效果，你可以从数据中得到不一样的洞察力。Gephi已经支持多个图表类型，而且可以在具有上百万个节点的大型网络上运行。Gephi具有活跃的用户社区，Gephi还提供了大量的插件，可以和现有系统完美的集成到一起，它还可以对复杂的IT连接、分布式系统中各个节点、数据流等信息进行可视化分析。
MongoDB
这个坚实的平台一直被很多组织推崇，它在大数据管理上有极好的性能。MongoDB最初是由DoubleClick公司的员工创建，现在该技术已经被广泛的应用于大数据管理。MongoDB是一个应用开源技术开发的NoSQL数据库，可以用于在JSON这样的平台上存储和处理数据。目前，纽约时报、Craigslist以及众多企业都采用了MongoDB，帮助他们管理大型数据集。（Couchbase服务器也作为一个参考）。
十大顶尖公司：
Amazon Web Services
Forrester将AWS称为“云霸主”，谈到云计算领域的大数据，那就不得不提到亚马逊。该公司的Hadoop产品被称为EMR（Elastic Map Reduce），AWS解释这款产品采用了Hadoop技术来提供大数据管理服务，但它不是纯开源Hadoop，经过修改后现在被专门用在AWS云上。
Forrester称EMR有很好的市场前景。很多公司基于EMR为客户提供服务，有一些公司将EMR应用于数据查询、建模、集成和管理。而且AWS还在创新，Forrester称未来EMR可以基于工作量的需要自动缩放调整大小。亚马逊计划为其产品和服务提供更强大的EMR支持，包括它的RedShift数据仓库、新公布的Kenesis实时处理引擎以及计划中的NoSQL数据库和商业智能工具。不过AWS还没有自己的Hadoop发行版。
Cloudera
Cloudera有开源Hadoop的发行版，这个发行版采用了Apache Hadoop开源项目的很多技术，不过基于这些技术的发行版也有很大的进步。Cloudera为它的Hadoop发行版开发了很多功能，包括Cloudera管理器，用于管理和监控，以及名为Impala的SQL引擎等。Cloudera的Hadoop发行版基于开源Hadoop，但也不是纯开源的产品。当Cloudera的客户需要Hadoop不具备的某些功能时，Cloudera的工程师们就会实现这些功能，或者找一个拥有这项技术的合作伙伴。Forrester表示：“Cloudera的创新方法忠于核心Hadoop，但因为其可实现快速创新并积极满足客户需求，这一点使它不同于其他那些供应商。”目前，Cloudera的平台已经拥有200多个付费客户，一些客户在Cloudera的技术支持下已经可以跨1000多个节点实现对PB级数据的有效管理。
Hortonworks
和Cloudera一样，Hortonworks是一个纯粹的Hadoop技术公司。与Cloudera不同的是，Hortonworks坚信开源Hadoop比任何其他供应商的Hadoop发行版都要强大。Hortonworks的目标是建立Hadoop生态圈和Hadoop用户社区，推进开源项目的发展。Hortonworks平台和开源Hadoop联系紧密，公司管理人员表示这会给用户带来好处，因为它可以防止被供应商套牢（如果Hortonworks的客户想要离开这个平台，他们可以轻松转向其他开源平台）。这并不是说Hortonworks完全依赖开源Hadoop技术，而是因为该公司将其所有开发的成果回报给了开源社区，比如Ambari，这个工具就是由Hortonworks开发而成，用来填充集群管理项目漏洞。Hortonworks的方案已经得到了Teradata、Microsoft、Red Hat和SAP这些供应商的支持。
IBM
当企业考虑一些大的IT项目时，很多人首先会想到IBM。IBM是Hadoop项目的主要参与者之一，Forrester称IBM已有100多个Hadoop部署，它的很多客户都有PB级的数据。IBM在网格计算、全球数据中心和企业大数据项目实施等众多领域有着丰富的经验。“IBM计划继续整合SPSS分析、高性能计算、BI工具、数据管理和建模、应对高性能计算的工作负载管理等众多技术。”
Intel
和AWS类似，英特尔不断改进和优化Hadoop使其运行在自己的硬件上，具体来说，就是让Hadoop运行在其至强芯片上，帮助用户打破Hadoop系统的一些限制，使软件和硬件结合的更好，英特尔的Hadoop发行版在上述方面做得比较好。Forrester指出英特尔在最近才推出这个产品，所以公司在未来还有很多改进的可能，英特尔和微软都被认为是Hadoop市场上的潜力股。
MapR Technologies
MapR的Hadoop发行版目前为止也许是最好的了，不过很多人可能都没有听说过。Forrester对Hadoop用户的调查显示，MapR的评级最高，其发行版在架构和数据处理能力上都获得了最高分。MapR已将一套特殊功能融入其Hadoop发行版中。例如网络文件系统（NFS）、灾难恢复以及高可用性功能。Forrester说MapR在Hadoop市场上没有Cloudera和Hortonworks那样的知名度，MapR要成为一个真正的大企业，还需要加强伙伴关系和市场营销。
Microsoft
微软在开源软件问题上一直很低调，但在大数据形势下，它不得不考虑让Windows也兼容Hadoop，它还积极投入到开源项目中，以更广泛地推动Hadoop生态圈的发展。我们可以在微软的公共云Windows Azure HDInsight产品中看到其成果。微软的Hadoop服务基于Hortonworks的发行版，而且是为Azure量身定制的。
微软也有一些其他的项目，包括名为Polybase的项目，让Hadoop查询实现了SQLServer查询的一些功能。Forrester说：“微软在数据库、数据仓库、云、OLAP、BI、电子表格（包括PowerPivot）、协作和开发工具市场上有很大优势，而且微软拥有庞大的用户群，但要在Hadoop这个领域成为行业领导者还有很远的路要走。”
Pivotal Software
EMC和Vmware部分大数据业务分拆组合产生了Pivotal。Pivotal一直努力构建一个性能优越的Hadoop发行版，为此，Pivotal在开源Hadoop的基础上又添加了一些新的工具，包括一个名为HAWQ的SQL引擎以及一个专门解决大数据问题的Hadoop应用。Forrester称Pivotal Hadoop平台的优势在于它整合了Pivotal、EMC、Vmware的众多技术，Pivotal的真正优势实际上等于EMC和Vmware两大公司为其撑腰。到目前为止，Pivotal的用户还不到100个，而且大多是中小型客户。
Teradata
对于Teradata来说，Hadoop既是一种威胁也是一种机遇。数据管理，特别是关于SQL和关系数据库这一领域是Teradata的专长。所以像Hadoop这样的NoSQL平台崛起可能会威胁到Teradata。相反，Teradata接受了Hadoop，通过与Hortonworks合作，Teradata在Hadoop平台集成了SQL技术，这使Teradata的客户可以在Hadoop平台上方便地使用存储在Teradata数据仓库中的数据。
AMPLab
通过将数据转变为信息，我们才可以理解世界，而这也正是AMPLab所做的。AMPLab致力于机器学习、数据挖掘、数据库、信息检索、自然语言处理和语音识别等多个领域，努力改进对信息包括不透明数据集内信息的甄别技术。除了Spark，开源分布式SQL查询引擎Shark也源于AMPLab，Shark具有极高的查询效率，具有良好的兼容性和可扩展性。近几年的发展使计算机科学进入到全新的时代，而AMPLab为我们设想一个运用大数据、云计算、通信等各种资源和技术灵活解决难题的方案，以应对越来越复杂的各种难题。
