自考13011人工智能与大数据考试大纲（2024年版）
北京市高等教育自学考试课程考试大纲课程名称：人工智能与大数据课程代码：13011（笔试） 2024 年 3 月版
第一部分课程性质与设置目的
一、课程性质与特点
《人工智能与大数据》是北京市高等教育自学考试信息管理与信息系统（专升本）专业的一门专业课程，是在完成公共基础课程学习后开设的选考课。《人工智能与大数据》 涵盖在人工智能与大数据分析领域常见的统计、机器学习、大数据存储与计算方法，以培养学生具备基本数据分析能力，满足各行业数据分析要求，增强学生振兴产业的责任感和使命感，激发学生的爱国情怀。本课程的主要任务是：（1）要求学生掌握人工智能基本思想、常见算法、基本原理；（2）培养学生根据实际问题建立数据分析模型的能力；（3） 培养学生进行机器学习、数据挖掘模型构建及求解的能力；（4）培养学生理解大数据概念、 知识体系、目前大数据分析领域的主要技术，理解 Hadoop、MapReduce 等技术理论及编程思想。
二、课程目标与基本
要求本课程的目标是全面贯彻落实立德树人根本任务，满足本专业培养适应大数据时代技术型人才的相关知识要求，为以后从事相关专业工作打下坚实基础。本课程的基本要求是正确理解与人工智能、大数据处理和分析相关的基本名词术语；掌握数据分析基本流程与方法；掌握数据描述性分析、回归分析、分类、聚类等常见算法思想；理解大数据本身的定义和特点；掌握 Hadoop 框架下的分布式存储、计算基本思想与关键技术。
本课程的考核章节为第一到第五章，重点章节是：
第二章、第三章、第四章、第五章， 不考核章节为第六章、第七章
三、与本专业其他课程的关系
《人工智能与大数据》课程在信息管理与信息系统的教学计划中被列为专业核心课， 本课程与数据统计与分析、数据结构与数据库等课程之间具有密切关联与相互作用。本课程的先导课为数据统计与分析，本课程的学习对全面掌握信息管理与信息系统专业各学科的知识起到重要的支撑作用。
第二部分考核内容与考核目标
第一章 绪论
通过本章的学习，了解大数据与人工智能的基本概念、发展历程、基本特征、典型应用等。了解大数据与人工智能面临的机遇与挑战。
(一) 日益增长的数据识记：大数据基本概念、特征理解: 大数据发展历程、大数据的基本认识
(二) 人工智能识记：认识人工智能理解：人工智能派别与发展史、人工智能的现状与应用、当人工智能遇上大数据
(三）大数据与人工智能的机遇与挑战理解：大数据与人工智能面临的难题、发展前景
第二章 数据工程
通过本章的学习，掌握数据工程一般流程、主要方法；掌握数据的获取、存储、数据仓库、预处理、模型构建与评估、可视化等过程的主要概念、方法、流程、工具等内容。
(一) 数据的多样性识记：数据格式的多样性理解:数据来源的多样性、数据用途的多样性
(二) 数据工程的一般流程理解：数据工程的一般流程
(三）数据的获取识记：数据来源理解：数据采集方法、大数据采集平台
(四) 数据的存储与数据仓库理解:数据存储、数据仓库
(五) 数据的预处理技术理解：数据预处理的目的应用：数据清理、数据集成、数据变换、数据归约
(六）模型的构建与评估应用：模型的构建、评价指标
(七）数据的可视化理解：可视化的发展应用：可视化工具
第三章 大数据框架
通过本章的学习，理解并掌握大数据分析平台 Hadoop 的基本概念、发展历程、主要组件、运行机制、相关技术、安装配置基本原理等；理解并掌握 MapReduce 编程主要过程与方法；理解与掌握 Spark 基本概念、主要组件与运行机制、安装配置基本过程；理解并掌握 Storm 基本概念、主要组件与运行机制、安装配置基本过程；理解并掌握 Flink 基本概念、主要组件与运行机制、安装配置基本过程。
(一) Hadoop 简介识记：Hadoop 的由来理解: MapReduce 和 HDFS
(二) Hadoop 大数据处理框架理解：HDFS 组件与运行机制、MapReduce 组件与运行机制、YARN 框架和运行机应用：Hadoop 相关技术、Hadoop 安装与部署
(三）MapReduce 编程理解：MapReduce 综述应用：Map 阶段、Shuffle 阶段、Reduce 阶段
(四) Spark 简介理解：Spark 概述、Spark 基本概念、Spark 生态系统应用：Spark 组件与运行机制、Spark 的安装
(五) Storm 简介理解：Storm 概述应用：Storm 组件和运行机制、Storm 的应用、Storm 的安装
(六) Flink 简介理解：Flink 概述应用：Flink 组件和运行机制、Flink 的应用、Flink 的安装和实例讲解
第四章 机器学习算法
通过本章的学习，理解并掌握机器学习主流算法的基本概念、基本原理、主要思想、 典型应用。
(一) 机器学习绪论识记：机器学习基本概念理解:机器学习评价标准应用：机器模型的数学基础
(二) 决策树理论应用：决策树模型、决策树的训练
(三）朴素贝叶斯理论应用：朴素贝叶斯理论的基本原理
(四) 线性回归理解：线性回归模型的基本形式应用:线性回归模型数学公式、最小二乘法
(五) 逻辑斯蒂回归理解：二分类逻辑回归模型应用：二分类逻辑斯蒂回归的训练、softmax 分类器、逻辑斯蒂回归和 softmax 的应
(六）支持向量机理解：间隔应用：支持向量机的原始形式、对偶形式、核函数、支持向量机扩展与应用
(七）集成学习理解：基本概念应用：Boosting、Bagging、Stacking
(八）神经网络理解：生物神经元与人工神经元应用：感知机、BP 神经网络、Sklearn 中的神经网络
(九）聚类理解：聚类思想、性能计算和距离计算应用：原型聚类、密度聚类、层次聚类、Sklearn 中的聚类
(十）降维与特征选择理解：维数爆炸与降维应用：降维技术、特征选择技术、Sklearn 中的降维
第五章 深度学习简介
通过本章的学习，理解神经网络与深度学习之间的关系；理解并掌握卷积神经网络、 循环神经网络、生成对抗网络的基本原理、网络结构与实现过程。
(一) 从神经网络到深度神经网络理解: 深度学习应用、深度神经网络的困难
(二) 卷积神经网络理解：卷积神经网络的生物学基础应用：卷积神经网络结构
(三）循环神经网络理解：循环神经网络简介应用：循环神经网络的结构
(四) 生成对抗网络理解：生成对抗网络简介应用：生成对抗网络的结构
第三部分有关说明与实施要求
一、考核的能力层次表述
本大纲在考核目标中，按照“识记”、“理解”、“应用”三个能力层次规定其应达到的能力层次要求。各能力层次为递进等级关系，后者必须建立在前者的基础上，其含义是：识记：能知道有关的名词、概念、知识的含义，并能正确认识和表述，是低层次的要求。
理解：在识记的基础上，能全面把握基本概念、基本原理、基本方法，能掌握有关概念、原理、方法的区别与联系，是较高层次的要求。
应用：在理解的基础上，能运用基本概念、基本原理、基本方法联系学过的多个知识点分析和解决有关的理论问题和实际问题，是最高层次的要求。
二、指定教材
《大数据与人工智能导论（第二版）》，姚海鹏、王露瑶、刘韵洁、买天乐著，人民邮电出版社，2020 年版。
三、
自学方法指导
1、在开始阅读指定教材某一章之前，先翻阅大纲中有关这一章的考核知识点及对知识点的能力层次要求和考核目标，以便在阅读教材时做到心中有数，有的放矢。
2、阅读教材时，要逐段细读，逐句推敲，集中精力，吃透每一个知识点，对基本概念必须深刻理解，对基本理论必须彻底弄清，对基本方法必须牢固掌握。
3、在自学过程中，既要思考问题，也要做好阅读笔记，把教材中的基本概念、原理、方法等加以整理，这可从中加深对问题的认知、理解和记忆，以利于突出重点，并涵盖整个内容，可以不断提高自学能力。
四、对社会助学的要求
1、应熟知考试大纲对课程提出的总要求和各章的知识点。
2、应掌握各知识点要求达到的能力层次，并深刻理解对各知识点的考核目标。
3、辅导时，应以考试大纲为依据，指定的教材为基础，不要随意增删内容，以免与大纲脱节。
4、辅导时，应对学习方法进行指导，宜提倡“认真阅读教材，刻苦钻研教材，主动争取帮助，依靠自己学通”的方法。
5、辅导时，要注意突出重点，对考生提出的问题，不要有问即答，要积极启发引导。
6、注意对应考者能力的培养，特别是自学能力的培养，要引导考生逐步学会独立学习，在自学过程中善于提出问题，分析问题，做出判断，解决问题。
7、要使考生了解试题的难易与能力层次高低两者不完全是一回事，在各个能力层次中会存在着不同难度的试题。
8、助学学时：本课程共 6 学分，建议总课时 108 学时，其中助学课时分配如下：
章次 内容 学时
第一章
绪论
第二章
数据工程
第三章
大数据框架
第四章
机器学习算法
第五章
深度学习简介合 计
五、关于命题考试的若干规定
1．本大纲各章所提到的内容和考核目标都是考试内容。试题覆盖到章，适当突出重点。
2．笔试的比例一般为识记占 40%，理解占 30%，应用占 30%。
3. 试题难易程度应合理：易、中等难度、难。难题部分比例不超过 30%。
4．笔试试题类型一般分为：名词解释题、单项选择题、简答题、论述题。
5．笔试采用闭卷考核方式，考试时间 150 分钟，按百分制计分，60 分为及格。
六、题型示例
（一）名词解释题
云计算
（二）单项选择题
1HDFS 默认 Block Size 为 A．32MB B．64MB C．128MB D．256MB（三）简答题简述 HDFS 读数据的原理（四）论述题请从数据存储、数据计算、应用等方面论述 Hive 与 HDFS、Mapreduce 之间的关系。
