自考13011人工智能与大数据考试大纲（2026年版）
【13011】 人工智能与大数据自学考试大纲浙江省教育考试院 2026 年 6 月自学用书：《大数据与人工智能》，郏东耀主编，清华大学出版社、北京交通大学出版社。
一、课程性质与设置目的
要求《大数据与人工智能》课程是面向信息技术、大数据技术、人工智能及相关专业学习者的一门 基础 与应 用结 合课 程 。 课程 以大 数据 技术 原理 为基 础 ， 逐步 引入 Hadoop、HDFS、MapReduce、Spark、NoSQL、人工智能基础、机器学习、自然语言理解、 目标检测和智能交通等内容，体现技术基础、系统架构与行业应用的结合。
设置本课程的目的，是使自学应考者了解大数据与人工智能的发展背景、核心概念、关键技术和典型应用，掌握大数据采集、存储、处理、分析与智能应用的基本方法，形成用数据思维分析问题、用技术框架解决实际问题的能力。
学习本课程的要求，是在掌握基本概念和基本原理的基础上，重点理解各类技术组件之间的关系，能够结合业务场景进行分析和初步应用。书中个别产品版本、厂商时间线、代码细节和图表具体数值不作机械记忆要求，重点考核技术思想、系统流程、概念辨析和应用分析能力。
二、考核内容及目标
第 1 章大数据的来源、采集与基本概念
通过本章学习，了解大数据概念的产生背景、发展脉络和现实价值，掌握大数据的基本定义、 4V 特点、分类、采集流程与关键技术框架，为后续学习 Hadoop、数据存储与人工智能应用奠定
（1）大数据概念的来源及 Google GFS、MapReduce、Bigtable 等技术背景
（2）Hadoop、Spark、NoSQL 等大数据技术发展的基本线索
（3）大数据的定义、数据增长现象及数据价值
（4）大数据的 4V 特点：大、快、杂、疑
（5）大数据的分类、数据源及采集步骤
（6）大数据处理流程、关键问题与关键技术
1．识记：大数据、数据源、数据采集、流处理、并行化、摘要索引、可视化等概念；
Google 三驾马车、Hadoop、Spark、NoSQL 等名称及其基本含义；大数据 4V 特点及其英文含义。
2．理解：大数据从互联网业务、移动终端、传感器和行业系统中产生的原因；大数据与传统数据处理在规模、速度、类型和价值发现方式上的差异；数据采集、预处理、存储、分析和挖掘之间的关系。
3．简单应用：能够根据具体业务场景判断数据类型、数据来源和可采用的采集方式；能够用4V 特点分析电商、医疗、交通、社交网络等案例中的大数据现象。
4．综合应用：能够从数据产生、采集、存储、处理、分析、服务的链条出发，分析一个行业大数据应用的整体流程和关键风险。
大数据的定义、4V 特点、采集方法、处理流程及关键技术。
第 2 章大数据处理构架
Hadoop 通过 本章 学习 ， 掌握 Hadoop 的产 生背 景 、 生态 体系 和核 心组 件 ， 理解 Hive、HBase、Pig、ZooKeeper、YARN 等组件在大数据处理架构中的作用，能够从系统架构角度说明 Hadoop 解决海量数据存储和计算问题的思路。
（1）Hadoop 的诞生、发展及生态圈组成
（2）HDFS、MapReduce、YARN 在 Hadoop 中的基础地位
（3）Hive 的数据仓库功能和类 SQL 查询思想
（4）HBase 的列式、分布式和大数据仓库特征
（5）Pig 与 Pig Latin 的数据处理思想
（6）ZooKeeper 的协调服务作用
（7）Hadoop 资源管理与调度的基本机制
1．识记：Hadoop、Hive、HBase、Pig、ZooKeeper、YARN、MapReduce 等术语；
Hadoop
1.0 与
Hadoop 2.0 的基本区别；Pig Latin 的关系、包、元组、域等数据模式。
2．理解：Hadoop 由开源搜索引擎和 Google 论文思想发展而来的技术路径；Hive、Pig降低 MapReduce 编程复杂度的原因；ZooKeeper 在分布式系统中进行命名、配置、同步和协调的意义。
3．简单应用：能够根据任务特点选择 Hive、Pig、HBase 等组件进行数据查询、处理或存储；能够说明 YARN 在资源管理和任务调度中的基本作用。
4．综合应用：能够分析一个基于 Hadoop 的大数据平台中各组件的分工、数据流向和协同关系。
Hadoop 生态体系及 Hive、HBase、Pig、ZooKeeper、YARN 的作用与联系。
第 3 章 Hadoop 分布式文件系统 HDFS 通过本章学习，掌握分布式文件系统的基本思想和 HDFS 的体系结构，理解 HDFS 面向海量文件存储、高容错和高吞吐的设计原则，能够说明 HDFS 的读写流程、存储机制和可靠性保障方法。
（1）分布式文件系统的概念及 HDFS 的产生背景
（2）HDFS 的设计目标和适用场景
（3）NameNode、DataNode、Secondary NameNode 等架构组成
（4）数据块、副本、机架感知等核心机制
（5）HDFS 文件读写、上传、下载和容错流程
（6）异构存储与擦除码技术
1．识记：分布式文件系统、HDFS、NameNode、DataNode、数据块、副本、机架感知、擦除码等概念；HDFS 主要特性：高容错、高吞吐、适合大文件、采用块机制、流式数据访问。
2．理解：HDFS 采用主从架构和块存储机制的原因；副本机制、心跳机制和元数据管理对可靠性的作用；HDFS 与传统本地文件系统在访问方式和存储目标上的差异。
3．简单应用：能够画出或描述 HDFS 的基本架构和文件读写流程；能够根据应用场景判断HDFS 是否适合存储相应数据。
4．综合应用：能够分析 HDFS 在大数据平台中的存储瓶颈、可靠性策略和成本优化思路。
HDFS 架构、数据块与副本机制、文件读写流程及可靠性保障。
第 4 章 MapReduce 与 Spark通过本章学习，掌握 MapReduce 的并行计算思想、组成和执行流程，理解批处理计算中的 Map、 Shuffle、 Reduce 等环节 ，了解 Spark 与 RDD 的基本思想以及 Spark 相较于 MapReduce 在迭代、交互和内存计算方面的优势。
（1）MapReduce 的设计思想和函数式编程来源
（2）Map、Reduce、Shuffle、Combiner、Partitioner 等基本概念
（3）MapReduce 作业执行流程和通信开销
（4）典型 MapReduce 使用案例
（5）Spark 的产生背景、架构和优势
（6）RDD 的概念、特性与基本操作
1．识记：MapReduce、Map、Reduce、Shuffle、Spark、RDD、惰性计算、容错等概念；
MapReduce 与 Spark 的基本组成。
2．理解：MapReduce 将复杂任务分解为映射和归约的并行处理思想；Shuffle 和网络通信开销对计算效率的影响；Spark 适合迭代计算和交互式计算的原因。
3．简单应用：能够用 MapReduce 思想描述词频统计等简单并行计算过程；能够识别适合批处理或内存迭代计算的任务类型。
4．综合应用：能够比较 MapReduce 与 Spark 的适用场景，并为给定大数据计算任务选择合理框架。
MapReduce 工作流程、Shuffle 过程、Spark 的优势及 RDD 思想。
第 5 章 NoSQL 数据库、分布式数据库 HBase、云数据库通过本章学习，掌握数据库、NoSQL、分布式数据库、HBase 和云数据库的基本概念，理解关系数据库与非关系数据库的差异，能够说明 HBase 的数据模型和云数据库的应用价值。
（1）数据库与关系型数据库的基本概念
（2）NoSQL 的产生背景、特点及与关系数据库的区别
（3）NoSQL 数据库的体系框架和分类
（4）HBase 在 Hadoop 生态系统中的位置
（5）HBase 表、行键、列族、时间戳等数据模型
（6）云数据库的概念、系统架构和典型产品
1．识记：数据库、关系数据库、NoSQL、键值数据库、列族数据库、文档数据库、图数据库、HBase、云数据库等概念；HBase 的行键、列族、列修饰符、时间戳等术语。
2．理解：NoSQL 出现的背景及其在高并发、海量数据、灵活模式方面的优势；HBase 与HDFS、Hadoop 的关系；云数据库在弹性、可用性和运维方面的特点以及云数据库系统框架。
3．简单应用：能够根据数据结构和访问方式选择关系数据库、NoSQL 或 HBase；能够说明HBase 表设计中行键和列族选择的基本考虑。
4．综合应用：能够分析互联网业务中海量数据存储方案的选择依据，并说明云数据库部署的利弊。
NoSQL 与关系数据库比较、NoSQL 分类、HBase 数据模型和云数据库架构。
第 6 章大数据的
应用与展望通过本章学习，了解大数据在行业市场、企业发展、社会服务和商业智能中的应用方向，掌握大数据分析和挖掘的典型应用，能够从技术、产业和社会影响角度分析大数据未来发展趋势。
（1）大数据应用的行业方向和细分市场
（2）大数据推动企业发展的方式
（3）大数据成功应用案例
（4）大数据分析技术与挖掘技术应用
（5）大数据发展趋势、机遇与挑战
1．识记：商业智能、数据分析、数据挖掘、实时分析、精准分析、社交网络分析等概念；大数据应用的主要领域。
2．理解：大数据应用从存储计算走向行业分析服务的原因；大数据分析、挖掘和决策支持之间的关系；大数据应用带来的产业价值与治理挑战。
3．简单应用：能够概括金融、医疗、交通、电商、社交网络等领域的大数据应用方式；能够区分分析型应用和挖掘型应用。
4．综合应用：能够围绕某一行业提出大数据应用方案，并分析数据来源、分析目标、业务价值和风险控制。
大数据行业应用、分析挖掘场景、企业价值和未来趋势。
第 7 章人工智能的基本概念
通过本章学习，掌握人工智能的定义、研究对象、发展历史和经典思想实验，理解人工智能与计算机科学、认知科学、语言学等学科的交叉关系，能够对人工智能能力边界和未来发展进行初步分析。
（1）人工智能的定义、目标和学科特点
（2）人工智能的发展历史和重要阶段
（3）图灵测试的思想、过程和意义
（4）中文屋理论的观点及其争议
（5）人工智能未来发展方向与应用前景
1．识记：人工智能、机器智能、图灵测试、中文屋理论、强人工智能、弱人工智能等概念；
人工智能涉及的主要学科。
2．理解：人工智能模拟学习、推理、思考、规划等智能行为的基本目标；图灵测试与中文屋理论所讨论的智能判断标准；人工智能发展的技术推动因素和限制因素。
3．简单应用：能够用人工智能基本概念解释智能助手、自动驾驶、机器翻译等应用；能够比较不同智能判断观点的优缺点。
4．综合应用：能够结合现实应用讨论人工智能的能力、局限、伦理和未来发展方向。
人工智能定义、发展历史、图灵测试、中文屋理论及未来趋势。
第 8 章特征提取
通过本章学习，掌握特征提取和特征选择的基本思想，理解预测建模、数据表示、特征构建与模型性能之间的关系，了解图像特征的基本类型和提取方式，为机器学习与目标检测学习奠定
（1）预测建模与监督学习问题
（2）特征、属性、输入变量和数据表示
（3）特征构建、特征选择问题
（4）数学方法在特征处理中的作用
（5）图像特征、像素邻域、连通性、边缘、形状等概念
（6）特征选择的开放性问题
1．识记：特征、特征提取、特征选择、预测模型、训练样本、图像特征、连通性等概念；常见图像基础特征的名称。
2．理解：特征质量对机器学习模型泛化能力的影响；特征选择与降维、去噪、减少过拟合之间的关系；图像特征从像素、边缘、区域、形状等层次表达目标的方式。
3．简单应用：能够根据给定任务列举可能提取的特征；能够判断冗余特征、无关特征对模型训练的影响。
4．综合应用：能够为图像识别或分类任务设计基本特征提取思路，并说明其对模型效果的影响。
特征提取基础、特征选择和图像、纹理特征表达。
第 9 章机器学习
通过本章学习，掌握机器学习的定义、学习过程和基本类型，理解强化学习、推荐系统、神经网络和深度学习的基本思想，能够说明机器学习从数据、模型、训练到预测的基本流程。
（1）机器学习的定义、训练数据、模型和预测
（2）学习算法的性能评估、时间复杂度、空间复杂度和样本复杂度
（3）强化学习的奖励、状态、行动和策略思想
（4）推荐系统的基本任务和实现思路
（5）神经网络的基本组成
（6）深度学习的层次表达和特征学习
1．识记：机器学习、训练数据、模型、预测、强化学习、推荐系统、神经元、神经网络、深度学习等概念；监督学习、无监督学习、强化学习的基本区别。
2．理解：机器学习通过经验提升性能的机制；强化学习与有监督学习的差异；推荐系统利用用户行为和物品特征进行预测的逻辑；神经网络和深度学习的层次表达思想。
3．简单应用：能够根据问题类型判断适合采用分类、回归、聚类或推荐方法；能够解释一个简单机器学习任务中的训练数据、特征、模型和输出。
4．综合应用：能够分析一个实际应用中机器学习建模的流程，包括数据准备、模型训练、评估和应用反馈。
机器学习基本流程、强化学习、推荐系统、神经网络和深度学习思想。
第 10 章自然语言理解
通过本章学习，掌握自然语言、自然语言处理和自然语言理解的基本概念，理解语言认知模型、自然语言理解模型、汉语特点和思维规律，能够分析计算机处理文本、语义和人机交互的基本问题。
（1）自然语言、形式语言、机器语言的区别
（2）NLP 与 NLU 的概念和关系
（3）自然语言理解的目标与应用
（4）语言认知模型和自然语言理解模型
（5）语言及汉语的特点
（6）思维及思维规律特点
（7）计算机识字与理解的基本过程
1．识记：自然语言、自然语言处理、自然语言理解、语境、语义、语言认知模型、计算机识字等概念；文本分类、机器翻译、问答等应用名称。
2．理解：自然语言具有歧义、多样性、冗余性和动态变化的原因；NLP 与 NLU 在处理目标和理解深度上的差异；语言、认知、思维和语境在理解过程中的作用。
3．简单应用：能够举例说明自然语言歧义、语境依赖和汉语特点给计算机理解带来的困难；
能够说明文本分类、机器翻译等应用的基本处理目标。
4．综合应用：能够分析一个人机对话或文本理解系统需要解决的语言识别、语义理解、上下文建模和知识表示问题。
NLP 与 NLU 区别、语言认知模型、汉语特点、思维规律和计算机语言理解问题。
第 11 章人工智能方法在目标检测中的
应用通过本章学习，掌握目标检测、计算机视觉、智能视频监控和人脸识别的基本概念，理解人工智能方法在图像和视频分析中的应用流程，能够分析目标检测系统的组成模块、关键技术和实际应用价值。
（1）计算机视觉与目标检测的概念
（2）图像目标检测、定位、识别的基本任务
（3）智能视频监控系统的功能和技术模块
（4）场景建模、运动检测、目标分类、跟踪和行为理解
（5）人脸检测、人脸识别系统及其应用流程
1．识记：计算机视觉、目标检测、目标识别、智能视频监控、人脸检测、人脸识别、目标跟踪等概念；智能视频监控系统常见模块名称。
2．理解：目标检测是视频监控、人脸识别和场景理解基础技术的原因；智能视频监控从人工监看走向自动分析的技术逻辑；人脸识别系统中检测、特征提取、匹配和识别之间的关系。
3．简单应用：能够描述一个视频监控系统从视频采集到异常报警的基本流程；能够说明人脸识别系统中检测与识别的区别。
4．综合应用：能够针对多场景设计目标检测应用流程，并分析误检、漏检、隐私和数据质量问题。
目标检测任务、智能视频监控模块、人脸识别流程及应用分析。
第 12 章云计算、大数据与人工智能
通过本章学习，掌握云计算的基本概念和服务优势，理解云计算、物联网、大数据与人工智能之间的支撑关系，能够说明云平台在数据存储、计算、分析和机器学习中的作用。
（1）云计算的概念、服务模式和商业优势
（2）云计算的弹性、按需付费、资源池化和托管服务特点
（3）云端迁移、灾难恢复、开发测试和托管服务等用例
（4）云计算、物联网、大数据与人工智能的融合关系
1．识记：云计算、云服务、弹性服务、按需付费、混合云、物联网、大数据、人工智能等概念；云计算常见应用用例。
2．理解：云计算降低基础设施门槛并提升计算弹性的原因；物联网产生数据、大数据处理数据、人工智能利用数据、云计算提供资源之间的关系；云端迁移与混合环境的基本思路。
云计算概念、云服务优势及云计算与物联网、大数据、人工智能的融合。
第 13 章基于大数据的人工智能
应用通过本章学习，了解大数据与人工智能融合的典型应用，掌握自动编码器、信息量、多层神经网络、鲁棒性、对抗生成网络等基本思想，能够分析大数据如何推动深度学习和智能应用的发展。
（1）自动编码器的输入输出思想和多层神经网络基础
（2）全国天气推测局部天气、手写文字识别、Google 猫脸识别案例理解
（3）多层架构与深层特征学习
（4）鲁棒性对人工智能系统发展的意义
（5）对抗生成网络的基本思想
（6）大数据与人工智能融合对生活的影响和发展趋势
1．识记：自动编码器、信息量、多层架构、深度挖掘、鲁棒性、对抗生成网络、生成模型等概念；典型人工智能应用案例名称。
2．理解：自动编码器通过输入重构学习特征表示的基本逻辑；大数据规模与深度学习模型能力提升之间的关系；鲁棒性对模型泛化、抗干扰和实用化的重要性；对抗生成网络中生成与判别的基本思想。
3．简单应用：能够用自动编码器或深度学习思想解释手写数字、图像识别等简单应用；能够分析大数据在天气预测、图像识别、生活服务中的价值。
4．综合应用：能够围绕一个人工智能应用分析数据来源、特征学习、模型训练、鲁棒性和实际影响。
自动编码器、深度学习应用、鲁棒性、对抗生成网络及大数据与人工智能融合趋势。
第 14 章基于大数据的智能交通系统
通过本章学习，掌握智能交通系统的概念、组成技术和发展历程，理解大数据与交通系统结合的方式，能够分析交通数据采集、监测、预测和决策支持在智能交通中的作用。
（1）智能交通系统的概念和技术组成以及各国智能交通系统发展概况
（2）大数据与交通系统结合的方式
（3）大数据技术在智能交通中的应用
1．识记：智能交通系统、交通大数据、车辆监控、交通预测、交通管理等概念；智能交通涉及的自动控制、通信、计算机和信息技术。
2．理解：智能交通系统利用多种技术提高交通效率和安全性的原因；大数据在交通流监测、拥堵分析、事故预警和出行服务中的作用；不同国家和地区智能交通发展的基本特点。
智能交通系统概念、交通大数据应用和科学使用方法。
第 15 章大数据背景下机器学习算法实验
通过本章学习，掌握机器学习实验中的距离度量、聚类、回归、分类和决策树等基本算法思想，能够理解算法参数、训练、评估与实践示例，具备对简单机器学习实验进行分析和解释的能力。
（1）欧氏距离、曼哈顿距离、马氏距离、余弦距离
（2）聚类、回归、分类的概念和基本算法思想
（3）K-means 等聚类算法的基本流程
（4）决策树的节点、分裂、信息增益等基本概念
（5）机器学习实践示例中的训练、预测和评估
（6）算法实验中的参数选择和结果解释
1．识记：欧氏距离、曼哈顿距离、马氏距离、余弦距离、聚类、回归、分类、决策树、信息增益、训练集、测试集等概念；常见机器学习评价指标名称。
2．理解：不同距离度量反映相似性的方式和适用差异；聚类、回归、分类三类任务的区别；
决策树通过属性划分样本的思想；训练、预测、评价在实验流程中的作用。
3．简单应用：能够计算或判断简单二维样本的欧氏距离、曼哈顿距离或余弦相似性含义；能够根据任务目标区分聚类、回归和分类；能够解释决策树根节点、内部节点和叶节点的含义。
4．综合应用：能够分析一个简单机器学习实验的完整流程，包括数据准备、算法选择、模型训练、预测结果和评价指标解释。
距离度量、聚类/回归/分类区别、决策树原理和机器学习实验流程。
三、题型举例
（题型仅作参考，实际命题时不受此限制）
（一）单项选择题 2 分×15 题=30 分
1．下列选项中，不属于大数据 4V 特点的是（ ）。
A．大量 B．高速 C．多样 D．低成本参考答案：D（二）多项选择题 2 分×5 题=10 分
1．Hadoop 生态体系中常见的组件包括（ ）。
A．HDFS B．MapReduce C．Hive D．ZooKeeper E．YARN 参考答案：ABCDE（三）名词解释题 3 分×5 题=15 分
1．HDFS。
参考答案：HDFS 即 Hadoop 分布式文件系统，是用于在普通硬件集群上存储海量数据的分布式文件系统，具有高容错、高吞吐、适合大文件和流式访问等特点。
（四）简答题 5 分×4 题=20 分
1．简述 MapReduce 的基本工作思想。
参考答案要点：将大规模任务拆分为多个 Map 子任务并行处理；通过 Shuffle 对中间结果分组、排序和传输；由 Reduce 汇总得到最终结果；适合大规模离线批处理。
（五）论述题 10 分×1 题=10 分
1．试述云计算、大数据、物联网与人工智能之间的关系。
参考答案要点：物联网提供海量数据来源；大数据完成采集、存储、处理、分析和挖掘；人工智能利用数据训练模型并形成预测、识别和决策能力；云计算提供弹性计算、存储和部署环境 ；
四者共同支撑智能应用。
（六）案例分析题 15 分×1 题=15 分
1．某城市计划建设智能交通平台，实时采集车辆位置、道路视频、信号灯状态和事故报警信息。请分析该平台需要的大数据与人工智能关键环节。
参考答案要点：数据采集包括车辆、摄像头、传感器、业务系统等来源；存储可采用分布式文件系统、数据库或云平台；处理包括实时流处理和历史批处理；分析目标包括拥堵预测、车辆检测、异常事件识别和路径优化；人工智能应用包括目标检测、预测模型和决策支持；还需考虑隐私、安全、数据质量和系统可靠性。
