大数据课程报告

大数据课程报告（精选6篇）

大数据课程报告 第1篇

摘要

流形学习方法作为一类新兴的非线性维数约简方法，主要目标是获取高维观测数据的低维紧致表示，探索事物的内在规律和本征结构，已经成为数据挖掘、模式识别和机器学习等领域的研究热点。流形学习方法的非线性本质、几何直观性和计算可行性，使得它在许多标准的 toy 数据集和实际数据集上都取得了令人满意的结果，然而它们本身还存在着一些普遍性的问题，比如泛化学习问题、监督学习问题和大规模流形学习问题等。因此，本文从流形学习方法存在的问题出发，在算法设计和应用（图像数据与蛋白质相互作用数据）等方面展开了一系列研究工作。首先对流形学习的典型方法做了详细对比分析，然后针对流形的泛化学习和监督学习、表征流形的局部几何结构、构造全局的正则化线性回归模型、大规模数据的流形学习等几个方面进行了重点研究，提出了三种有效的流形学习算法，并和相关研究成果进行了理论与实验上的比较，从而验证了我们所提算法的有效性。

关键词：流形学习，维数约简，正交局部样条判别投影，局部多尺度回归嵌入

I

目录

目录.................................................................................................................................................II 第1章 研究背景.......................................................................................................................1

1.1 流形学习的研究背景...................................................................................................1 1.2 流形学习的研究现状...................................................................................................2 1.3 流形学习的应用...........................................................................................................4 第2章 流形学习方法综述.......................................................................................................5

2.1 流形学习方法介绍.......................................................................................................6 第3章 流形学习方法存在的问题...........................................................................................9

3.1 本征维数估计...............................................................................................................9 3.2近邻数选择.................................................................................................................10 3.3 噪声流形学习.............................................................................................................10 3.4 监督流形学习.............................................................................................................11 第4章 总结.............................................................................................................................11

II

第1章 研究背景

1.1 流形学习的研究背景

随着信息时代的到来，使得数据集更新更快、数据维度更高以及非结构化性等问题更突出。在科研研究的过程中不可避免地遇到大量的高维数据，这就需要一种技术能够使在保持数据信息足够完整的意义下从海量数据集中提取出有效而又合理的约简数据，满足人的存储需求和感知需要。流形学习这一非监督学习方法应运而生，引起越来越多机器学习和认知科学工作者的重视。而在海量的高维数据中，往往只有少量的有用信息，如果想快速高效的搜集到人们想要的、有用的那些少量信息且快速的处理信息，这就需要一些关键技术的支持，即是必须采用相应的降维技术。而流形学习正是在数据降维方面有着重要的贡献。然而，降维的过程与《矩阵分析》中的内容有着密切的关系。

基于流形的降维方法能充分利用数据中所隐藏的低维有价值信息，进一步提高检索性能。Seung从神经心理学的角度提出“感知以流形的形式存在，视觉记忆也可能是以稳态的流形存储”，为流形提供了与人类认识相关的理由。流形学习的方法主要有主成分分析（PCA）、多维尺度化（MDS）、基于局部切空间排列法（LTSA）和基于等度规映射（ISOMAP）、局部线性嵌入算法（LLE）、拉普拉斯特征映射（LE）等。另外，流形学习方法在人脸识别、图像处理、模式识别、计算机视觉、认知科学、人工智能、人机交互等众多学科中有着广泛的应用。

线性维数约简方法是通过在高维输入空间与低维子空间之间建立线性映射关系，把高维数据样本集投影到低维线性子空间。线性维数约简技术通常假设数据集采样于一个全局线性的高维观测空间。如果所要处理的数据集分布确实呈现出全局线性的结构，或者在一定程度上可以近似为全局线性结构，则这些方法能够有效地挖掘出数据集内在的线性结构，获得数据紧致的低维表示。在线性维数约简方法中，使用最广泛的算法有主分量分析（Principal Component Analysis, PCA）(Jolliffe, 2002;Turk and Pentland, 1991)和线性判别分析（Linear Discriminant Analysis, LDA）(Duda et al., 2001)。

主分量分析（PCA）主要是根据高维数据在低维空间重构误差最小的原则，来寻找一组最优的单位正交向量基（即主分量），并通过保留数据分布方差较大的若干主分量来达到降维的目的。然而，众所周知，由于 PCA 算法没有利用数据样本的类别信息，所以它是一种非监督的线性维数约简方法。与 PCA 算法不同，LDA 算法考虑到样本的类别信息，它是一种有监督的方法。基于各类样本服从高斯分布且不同类的协方差矩阵相同的假设，LDA 算法在 Fisher 准则下选择最优的投影向量，以使得数据样本的类间散度最大而类内散度最小。由于 LDA 算法利用了样本的类别信息，而样本的类别信息通常有助于改善识别率，因此 LDA 算法更适用于分类问题。

1.2 流形学习的研究现状

流形学习假定输入数据是嵌入在高维观测空间的低维流形上，流形学习方法的目的是找出高维数据中所隐藏的低维流形结构。经过十多年的研究与探索，人们提出了大量的流形学习理论与算法。经典的流形学习方法有等距特征映射算法（ISOMAP）(Tenenbaum et al., 2000)、局部线性嵌入算法（LLE）(Roweis and Saul, 2000;Saul and Roweis, 2003)、Laplacian 特征映射算法（Laplacian Eigenmaps，LE）(Belkin and Niyogi, 2002;Belkin and Niyogi, 2003)、Hessian特征映射算法（Hessian-based Locally Linear Embedding，HLLE）(Donoho and Grimes, 2003)、最大差异展开算法（Maximum Variance Unfolding，MVU）(Weinberger et al., 2005;Weinberger and Saul, 2004;Weinberger and Saul, 2006;Weinberger et al., 2004)、局部切空间排列算法（Local Tangent Space Alignment, LTSA）(Zhang and Zha, 2004)、黎曼流形学习算法（Riemannian Manifold Learning, RML）(Lin and Zha, 2007;Lin et al., 2006)和局部样条嵌入算法（Local Spline Embedding，LSE）(Xiang et al., 2006;Xiang et al., 2008)等。

Tenenbaum 提出的 ISOMAP 算法是多维尺度分析（Multidimensional Scaling, MDS）(Cox and Cox, 1994)在流形框架下的非线性推广，其核心思想是用测地距离代替欧氏距离来表征流形上数据点的内在几何关系。对于样本 点和它的近邻点之间的测地距离用它们之间的欧氏距离来代替；对于样本点和近邻点之外的点之间的测地距离用它们之间的最短路径来代替。Bernstein 等人证明了只要样本是随机抽取的，在样本集足够大且选择适当近邻参数k 时，近邻图上两点的最短路径可以逼近它们的测地距离(Bernstein et al., 2000)。当应用于内蕴平坦的凸流形时，ISOMAP 算法能够忠实地捕获数据内在的低维流形结构(De Silva and Tenenbaum, 2003)。

ISOMAP 算法的主要缺点在于：① 对样本点的噪声比较敏感；② 对于具有较大曲率或稀疏采样的数据集，不能发现其内在的本征结构；③ 需要计算全体数据集的测地距离矩阵，因此算法的时间复杂度较高。围绕 ISOMAP算法，已经出现了许多相关的理论分析与研究工作。

Balasubramanian 等人对ISOMAP 算法的拓扑稳定性进行了深入探讨(Balasubramanian and Schwartz, 2002)。对于数据分布所在的低维流形具有较大的内在曲率情况，de Silva 和Tenenbaum 提出了保角等距特征映射算法（conformal ISOMAP）(De Silva and Tenenbaum, 2003)。为了减小 ISOMAP 算法的计算复杂度，de Silva 和 Tenenbaum提出了带标记的等距特征映射算法（Landmark ISOMAP）(De Silva and Tenenbaum, 2003)。

针对 ISOMAP 算法对于数据集噪声敏感的问题，Choi 等人通过观察图中的网络流提出了一种消除临界孤立点的方法以加强 ISOMAP 算法的拓扑稳定性(Choi and Choi, 2007)。在构建近邻图方面，Yang 提出通过构造k 连通图方式来确保近邻图的连通性，以提高测地距离的估计精度(Yang, 2005)。

2009 年，Xiang 等人提出了局部样条嵌入算法（LSE）(Xiang et al., 2006;Xiang et al., 2008)。Xiang 认为，对于嵌入在高维输入空间的低维流形，非线性维数约简的任务实际上是寻找一组非线性的复合映射，即由局部坐标映射（Local Coordinatization Mapping）与全局排列映射（Global Alignment Mapping）复合而成的兼容映射（Compatible Mapping）。在兼容映射的概念框架下，LSE 算法首先通过主分量分析计算每个样本点局部邻域在切空间上的投影获得该邻域所有样本的局部坐标，从而保持流形的局部几何结构信息；然后采用Sobolev 空间的一组样条函数把每个样本点的局部坐标映射成 全局唯一的低维坐标。它们均是利用每个样本的局部切空间来捕获流形的局部几何，样本点在切空间的投影来表示样本点的局部坐标。然而它们的主要区别在于全局排列，LTSA 算法是利用仿射变换来进行全局排列，而 LSE 算法是利用样条函数来获得全局唯一的坐标。因此相对于 LTSA 而言，LSE 算法能够实现更小的重构误差。LSE 算法的主要缺点在于：一是无法保持全局尺度信息；二是不能学习具有较大曲率的低维流形结构。除此，如何选择满足要求的样条函数也是一个值得考虑的问题。

不同流形学习算法的区别在于所尝试保持流形的局部邻域结构信息以及利用这些信息构造全局嵌入的方法不同，与以往的维数约简方法相比，流形学习能够有效地探索非线性流形分布数据的内在规律与性质。但是在实际应用中流形学习方法仍然存在一些缺点，比如本征维数估计问题、样本外点学习问题、监督流形学习问题和噪声流形学习问题等。为了解决这些问题，相关的算法也不断涌现出来。Freedman 等提出了一种基于简化单纯复形的流形重构方法来自动估计流形的本征维数(Freedman, 2002)。

为了解决样本外点学习问题，研究人员分别在流形学习的线性化、核化和张量化等方面作了有益的探索(Yan et al., 2007)。Geng 等将样本的类别信息融入到 ISOMAP 算法，提出了一种用于可视化和分类的有监督的等距特征映射算法（S-ISOMAP）(Geng et al., 2005)。Zhang 等提出了一种基于局部线性平滑的流形学习消噪模型(Zhang and Zha, 2003)。这些方法的提出在一定程度上缓解了目前流形学习方法中存在的一些问题，但是还需要进一步充实和完善。

1.3 流形学习的应用

目前，流形学习方法的应用可归纳为以下几个方面：

1)数据的可视化。流形学习方法在高维数据的可视化方面有了广泛的应用。人不能直接感知高维数据的内部结构，但对三维以下数据的内在结构却有很强的感知能力。由于流形学习方法可以发现高维观测数据中蕴含的内在规律和本征结构，而且这种规律在本质上不依赖于我们实际观测到的数据维数。因此我们可以通过流形学习方法 对高维输入数据进行维数约简，使高维数据的内部关系和结构在低于三维的空间中展示出来，从而使人们能够直观地认识和了解高维的非线性数据的内在规律，达到可视化的目的。

2)信息检索。随着多媒体和网络技术的迅猛发展，图像和文本信息的应用日益广泛，对规模逐渐庞大的图像和文本数据库如何进行有效的管理已成为亟待解决的问题。灵活、高效、准确的信息检索策略是解决这一问题的关键技术之一。这些图像和文本信息呈现出高维、大规模、非线性结构，利用流形学习方法来处理这些信息，在大大降低时间和空间计算复杂度的同时，能够有效地保留这些信息在原始高维空间的相似性。

3)图像处理。流形学习给图像处理领域提供了一个强有力的工具。众所周知，图像处理与图像中物体的轮廓以及骨架等密切相关。如果我们把图像中物体的轮廓以及骨架等看成是嵌入在二维平面中的一维流形或者由一组一维流形构成，那么显然流形学习方法凭借其强大的流形逼近能力可以应用于图像处理领域。

第2章 流形学习方法综述

流形学习方法作为一种新兴的非线性维数约简方法，主要目标是获取高维观测数据的低维紧致表示，探索事物的内在规律和本征结构，已经成为数据挖掘、模式识别和机器学习等领域的研究热点。本章首先探讨了流形学习的基础性问题，即高维数据分析的流形建模问题；然后依据保持流形几何特性的不同，把现有的流形学习方法划分为全局特性保持方法和局部特性保持方法，并介绍了每一类方法中有代表性的流形学习算法的基本原理，对各种流形学习算法进行性能比较和可视化分析，最后就流形学习方法普遍存在的本征维数估计、近邻数选择、噪声流形学习、样本外点学习和监督流形学习问题等进行了分析和讨论。2.1 流形学习方法介绍

流形学习的定义：流形是局部具有欧氏空间性质的空间。假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。

流形学习用数学语言描述是：令Yyi且: Y是一个光滑的嵌套，其中D >> d。那么流形学习的目标是基于上的一个给定被观测数据集合xi去恢复Y与，也就是在Y 中随机产生隐藏的数据yi，然后通过 映射到观测空间，使得xifyi。

从流形学习的定义中可以看出，这是一个把数据从高维映射到低维的过程，用到了线性变换，当然少不了矩阵的分解及其基本运算。2.1.1 多维尺度分析（Multidimensional Scaling, MDS）

多维尺度分析（Multidimensional Scaling, MDS）是一种经典的线性降维方法，其主要思想是：根据数据点间的欧氏距离，构造关系矩阵，为了尽可能地保持每对观测数据点间的欧氏距离，只需对此关系矩阵进行特征分解，从而获得每个数据在低维空间中的低维坐标。

DDDxx设给定的高维观测数据点集为YU，i，观测数据点对i，Tyj间的欧氏距离为ijxiyj，传统MDS 的算法步骤如下：

a)首先根据求出的两点之间的欧氏距离

ij构造n阶平方欧式距离矩阵Aij2 nn。b)将矩阵A进行双中心化计算，即计算

B1HAH2（其中H 为中心化eeTHIn，将矩阵H左乘和右乘时称为双中心化）矩阵。

c)计算低维坐标Y。即将B奇异值分解，设B的最大的d个特征值diag1,2,...,dYUT。

u1,u2,...,ud则d维低维坐标为，对应特征向量，U虽然作为线性方法，MDS在流形学习中不能有效发现内在低维结构。但是从这一基本的算法中我们可以清楚的看出矩阵分析在流形学习研究中的应用。在这个MDS算法中，运用到了矩阵中的线性空间变换、矩阵特征值和特征向量的计算、矩阵的中心化计算、矩阵的奇异值的分解等相关知识点。想象一下，如果没有这些知识点做基础，这些算法如何进行。2.1.2 等距特征映射（ISOMAP）

（1）基本思想:Tenenbaum等人提出的等距特征映射算法（ISOMAP）是建立在多维尺度分析（MDS）基础上的一种非线性维数约简方法。ISOMAP算法利用所有样本点对之间的测地距离矩阵来代替MDS算法中的欧氏距离矩阵，以保持嵌入在高维观测空间中内在低维流形的全局几何特性。算法的关键是计算每个样本点与所有其它样本点之间的测地距离。对于近邻点，利用输入空间的欧氏距离直接得到其测地距离；对于非近邻点，利用近邻图上两点之间的最短路径近似测地距离。然后对于构造的全局测地距离矩阵，利用MDS算法在高维输入空间与低维嵌入空间之间建立等距映射，从而发现嵌入在高维空间的内在低维表示(Tenenbaum et al., 2000)。

（2）算法流程 <1>构造近邻图G

<2>计算最短路径

<3>计算 d 维嵌入(3)算法分析 ISOMAP算法是一种保持全局几何特性的方法，它的低维嵌入结果能够反映出高维观测样本所在流形上的测地距离。如果高维观测样本所在的低维流形与欧氏空间的一个子集是整体等距的，且与样本所在流形等距的欧氏空间的子集是一个凸集，那么ISOMAP算法能够取得比较理想的嵌入结果。但是当流形曲率较大或者流形上有“孔洞”，即与流形等距的欧氏空间的子集非凸时，流形上的测地距离估计会产生较大的误差，导致嵌入结果产生变形。

从算法的时间复杂度来看，ISOMAP算法有两个计算瓶颈(De Silva and Tenenbaum, 2003)。第一个是计算n×n 的最短路径距离矩阵DG。当使用Floyd算法时，计算复杂度为O(n3)；若采用Dijkstra算法，可将计算复杂度降低到O(kn2log n)（k 为近邻数大小）(Cormen, 2001)。第二个计算瓶颈源于应用MDS时的特征分解。由于距离矩阵是稠密的，所以特征分解的计算复杂度为O(n3)。从中我们可以看出，随着样本个数n 的增大，ISOMAP算法计算效率低下的问题会变得十分突出。2.1.3局部线性嵌入（LLE）

1、基本思想

与ISOMAP和MVU算法不同，局部线性嵌入算法（LLE）是一种局部特性保持方法。LLE算法的核心是保持降维前后近邻之间的局部线性结构不变。算法的主要思想是假定每个数据点与它的近邻点位于流形的一个线性或近似线性的局部邻域，在该邻域中的数据点可以由其近邻点来线性表示，重建低维流形时，相应的内在低维空间中的数据点保持相同的局部近邻关系，即低维流形空间的每个数据点用其近邻点线性表示的权重与它们在高维观测空间中的线性表示权重相同，而各个局部邻域之间的相互重叠部分则描述了由局部线性到全局非线性的排列信息(Roweis and Saul, 2000)。这样就可以把高维输入数据映射到全局唯一的低维坐标系统。

2、算法流程

LLE算法的基本步骤分为三步：（1）选择邻域（2）计算重构权值矩阵W（3）求低维嵌入Y

3、算法分析

通过前面算法描述我们不难发现，LLE算法可以学习任意维具有局部线性结构的低维流形。它以重构权值矩阵作为高维观测空间与低维嵌入空间之间联系的桥梁，使得数据点与其近邻点在平移、旋转和缩放等变化下保持近邻关系不变。而且LLE算法具有解析的全局最优解，无需迭代。在算法的计算复杂度上，选择邻域的计算复杂度为O(Dn2)，计算重构权值矩阵的计算复杂度为O((D+k)k2n)，求解低维嵌入Y 的计算复杂度为O(dn2)。因此与ISOMAP和MVU算法相比，LLE算法的计算复杂度要小得多。

但LLE算法也存在一些缺点：① 由于LLE算法只是保持局部近邻的重构权值关系，并不是保持距离关系，因此，LLE算法通常不能很好的恢复出具有等距性质的流形。② LLE算法希望样本集均匀稠密采样于低维流形，因此，对于受噪声污染、样本密度稀疏或相互关联较弱的数据集，在从高维观测空间到低维嵌入空间的映射过程中，可能会将相互关联较弱的远点映射到局部近邻点的位置，从而破坏了低维嵌入结果。

第3章 流形学习方法存在的问题

流形学习相对于传统的线性维数约简方法来说，它能够更好地发现高维复杂非线性数据内在的几何结构与规律。但其各种算法本身还存在着一些普遍性的问题，比如本征维数估计问题、近邻数选择问题、噪声流形学习问题、泛化学习问题和监督学习问题等。本小节将对这些问题进行简要的分析和讨论。

3.1 本征维数估计

本征维数估计是流形学习的一个基本问题(赵连伟 et al., 2005)。本征维数一般被定义为描述数据集中所有数据所需要的自由参数（或独立坐标）的最小数目。它反映了隐藏在高维观测数据中潜在低维流形的拓扑属性。在非 线性维数约简过程中，本征维数估计的准确与否对低维空间的嵌入结果有着重要的影响。如果本征维数估计过大，将会保留数据的冗余信息，使嵌入结果中含有噪声；相反如果本征维数估计过小，将会丢失数据的有用信息，导致高维空间中不同的点在低维空间可能会交叠。因此，设计稳定可靠的本征维数估计方法将有助于流形学习算法的应用和性能的改善。

目前现有的本征维数估计方法大致分为两大类：特征映射法和几何学习法(Camastra, 2003)。特征映射法包括全局 PCA 方法(Bennett, 1969)、局部 PCA 方法(Bruske and Sommer, 1998;Fukunaga and Olsen, 1971)和多维尺度分析方法(Cox and Cox, 2000)，它主要利用了数据分布的本征特征是数据的局部特征的基本思想，对局部数据进行特征分解，选取对应特征值最大的特征向量作为本征特征。显然，这类方法所估计的本征维数大小在很大程度上取决于数据的局部邻域划分和阈值的选择，因此特征映射方法不能提供本征维数的可靠估计。几何学习法主要基于最近邻距离（Nearest Neighbor Distances）或分形维（Fractal Dimension）(Camastra, 2003)来探索数据集所蕴含的几何信息，这类方法通常需要充足的样本数，因此，对于样本数少、观测空间维数较高的情况，经常会出现本征维数欠估计的情况。

3.2近邻数选择

流形学习探测低维流形结构成功与否在很大程度上取决于近邻数的选择(Zeng, 2008)，然而在构造近邻图时如何选择一个合适的近邻数是一个公开的问题。如果近邻数选择过大，将会产生“短路边”现象（“short-circuit” edges），从而严重破坏原始流形数据的拓扑连通性。

3.3 噪声流形学习

当观测数据均匀稠密采样于一个理想的低维光滑流形时，流形学习方法可以成功地挖掘出其内在的低维结构和本质规律。但是在实际应用中，我们经常发现高维采样数据由于受各种因素的影响，一般总是存在着噪声和污染，这将势必影响流形学习算法的低维嵌入结果。3.4 监督流形学习

现有的流形学习方法多数用于无监督学习情况，如解决降维与数据可视化等问题。当已知数据的类别信息，如何利用这些信息有效地改进原始流形学习算法的分类识别能力是监督流形学习所要解决的问题。从数据分类的角度来看，人们希望高维观测数据经过维数约简后在低维空间中类内差异小而类间差异大，从而有利于样本的分类识别。原始的流形学习算法都是无监督学习过程，一些引进监督信息的改进算法纷纷被提出来(Li et al., 2009;Zhao et al., 2006)。这些方法的基本思想是利用样本的类别信息指导构建有监督的近邻图，然后利用流形学习方法进行低维嵌入。尽管这些方法能够获得较好的分类结果，但是这种通过类别属性构建的近邻图往往会被分割成多个互不相连的子图，而不是一个完整的近邻图，这就给原始流形学习算法的最终应用带来了很大的不便。

第4章 总结

流形学习是一个具有基础性、前瞻性的研究方向，其研究成果和技术已经立即应用于模式识别、计算机视觉、图像处理等相关领域。如高维数据的可视化、可听化；基于内容检索的模型；视频中三维对象的跟踪和检测；从静态二维图像中进行三维对象的姿态估计和识别；二维和三维对象的形状重构；从运动中构建结构、从阴影中成形等。此外流形学习还应用于自然语言处理、基因表达分析等生物信息处理领域，特别是在基因表达分析中，用于检测和区分不同的疾病和疾病类型。

尽管流形学习的算法和应用在过去的几年中已经取得了丰硕的成果，但是由于其数学理论基础较为深厚复杂，以及多个学科之间交叉融合，所以仍有许多亟需研究和解决的问题，尤其在下述几个方面：

1.目前已有很多流形学习算法，但很多算法只是建立在实验的基础之上，并没有充分理论基础支持，所以我们一方面要进一步探索能够有效学习到流形局部几何和拓扑结构的算法，提高流形投影算法的性能，另外更重要的是要不断完善理论基础。

2.各支几何都是研究空间在变换群下的不变性，微分几何亦是如此。而很多情况下我们正需要这种不变性，所以研究局部样本密度、噪声水平、流形的正则性、局部曲率、挠率结构的交互作用对流形学习的研究有积极促进作用。

3.统计学习理论得到充分发展并逐渐成熟，流形学习理论在其基础上发展自然可以把统计学中有用的技术应用于流形学习中，如流形上的取样和Monte Carlo估计、假设检验，以及流形上关于不变测度的概率分布密度问题，都值得进一步研究。

4.目前大部分学习算法都是基于局部的，而基于局部算法一个很大缺陷就在于受噪声影响较大，所以要研究减小局部方法对于噪声和离群值的影响，提高学习算法鲁棒性及泛化能力。

5.谱方法对噪声十分敏感。希望大家自己做做实验体会一下，流形学习中谱方法的脆弱。

6.采样问题对结果的影响。

7.一个最尴尬的事情莫过于，如果用来做识别，流形学习线性化的方法比原来非线性的方法效果要好得多，如果用原始方法做识别，那个效果叫一个差。也正因为此，使很多人对流形学习产生了怀疑。

8.把偏微分几何方法引入到流形学习中来是一个很有希望的方向。这样的工作在最近一年已经有出现的迹象。

参考文献

[1] R.Basri and D.W.Jacobs.Lambertian reflectance and linear subspaces.IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(2):218–233, 2003.[2] R.Vidal.Subspace clustering.IEEE Signal Processing Magazine, 28(2):52–68, 2011.[3] J.Shi and J.Malik, “Normalized cuts and image segmentation,” IEEE Transactions Pattern Analysis Machine Intelligence, 22(8):888–905, 2000.[4] G.Liu, Z.Lin, S.Yan, J.Sun, Y.Yu, and Y.Ma.Robust recovery of subspace structures by low-rank representation.IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1):171–184, 2013.[5] E.Elhamifar and R.Vidal.Sparse subspace clustering: Algorithm, theory, and applications.IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(11):2765–2781, 2013.[6] Y.Wang, Y.Jiang, Y.Wu, and Z.Zhou.Spectral clustering on multiple manifolds.IEEE Transactions on Neural Networks, 22(7):1149–1161, 2011.[7] B.Cheng, G.Liu, J.Wang, Z.Huang, and S.Yan, Multi-task low rank affinity pursuit for image segmentation, ICCV, 2011.[8] C.Lang, G.Liu, J.Yu, and S.Yan, Saliency detection by multitask sparsity pursuit, IEEE Transactions on Image Processing, 21(3): 1327–1338, 2012.

大数据课程报告 第2篇

大数据专业一般指大数据采集与管理专业。

大数据采集与管理专业是从大数据应用的数据管理、系统开发、海量数据分析与挖掘等层面系统地帮助企业掌握大数据应用中的各种典型问题的`解决办法的专业。

大数据课程报告 第3篇

大数据时代最为宝贵的资源是数据, 如何有效地分析利用海量数据将是数据挖掘需要解决的全新问题。数据挖掘的相关算法已非常成熟, 并且在各个领域已取得了广泛应用。但是大数据环境下的数据挖掘理论与算法需要针对结构化数据、非结构化数据、多媒体数据具有更加强大的运算和处理能力。因此, 数据挖掘技术及应用等相关课程应与时俱进地适应大数据的要求, 对数据挖掘相关课程的教学内容进行变革。

二、大数据环境特征

Gartner认为大数据是海量的、高增长率和多样化的信息资产, 需要新的处理模式才能实现对其发现和优化。维基百科认为大数据所涉及的资料量规模巨大, 以至于目前无法通过主流软件工具, 在一定合理的时间内对其获取、管理、处理并整理成为能起到决策支持作用的数据资源。大数据是包括交易和交互数据集在内的所有数据集, 其规模或复杂程度超出了常用技术, 麦肯锡认为大数据是指无法在一定时间内用传统数据库软件工具对其内容进行采集、存储、管理和分析的数据集合, 因此需要通过数据挖掘实现对大量的结构化和非结构化数据集合进行分析, 以便提供有用的数据洞察。大数据一般具有四个主要特征: (1) 数据体量巨大 (Volume) , 随着时间的推移, 衡量数据体量的单位从G, T, P到E。 (2) 数据种类繁多 (Variety) , 互联网、物联网、传感网的发展, 使数据类型变得更加复杂, 不仅包括传统的关系数据类型, 也包括以网页、视频、音频、E-mail等形式存在的未加工的、半结构化的和非结构化的数据。 (3) 流动速度快 (Velocity) , 面对快速动态变化的流式数据, 获取、存储及挖掘有效信息的速度都难以用传统的系统进行处理。 (4) 价值密度低 (Value) , 数据量呈指数增长加大了获取有用信息的难度, 如何快速高效发现隐藏在海量数据中的潜在有价值模式更加困难。

三、数据挖掘系统

数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、事先不知道, 但又潜在有价值的信息和知识的过程。数据挖掘系统最初仅支持一个或少数几个数据挖掘算法, 发展为与数据库和数据仓库之间存在有效接口而支持数据库和数据仓库, 又能进一步挖掘Internet/Extranet的分布式和高度异质的数据, 而研究开发分布式、移动式的数据挖掘系统成为第四代数据挖掘系统的重要课题之一, 使得数据挖掘系统与其他系统联合提供决策支持的功能。根据数据挖掘系统与数据库或数据仓库的耦合程度, 可以将数据挖掘系统分为不耦合、松散耦合、半紧耦合和紧密耦合四种结构。面对大数据环境, 半紧密耦合和紧密耦合是在性能和效率方面比较理想的。半紧密耦合是指除了将数据挖掘系统连接到一个数据库或数据仓库系统之外, 一些基本的数据挖掘原语还可以在数据库或数据仓库系统中实现, 这种设计将提高数据挖掘系统的性能。紧密耦合系统是指将数据挖掘系统平滑地集成到数据库或数据仓库系统中, 数据挖掘子系统被视为信息系统的一个部分。根据数据挖掘的研究体系 (如图1所示) , 给出数据挖掘相关课程的主要讲授内容, 包括:预测 (Forecast) , 关联规则 (Association Rules) , 聚类分析 (Clustering Analysis) , 粗糙集 (Rough Sets) , 进化计算 (Evolutionary Computation, EC) , 灰色系统 (Grey System) , 模糊逻辑 (Fuzzy Logic) , 人工智能与机器学习 (Artificial Intelligence, Machine Learning) , 决策树 (Decision Tree) , 统计分析 (Statistical Analysis) , 知识获取、知识表示、知识推理和知识搜索 (Knowledge Acquisition, Representation, Reasoning and Search) , 决策与控制 (Decision and Control) , 可视化技术 (Visual Technology) , 并行计算 (Parallel Computing) 和海量存储 (Mass Storage) 等。

四、大数据环境下的数据挖掘

大数据的“4V“特征表明对海量的数据分析将更加复杂、更追求速度、更注重实效。大数据环境下的数据挖掘应实现海量数据建模, 通过数理模型对海量数据进行整理与分析, 发掘在海量数据之中隐藏的分析与决策所需的规律性知识。将数据挖掘作为大数据环境下重要的研究方法或发现新知识的技术工具, 而不是把数据本身当成研究目标, 与传统数据挖掘方法有密切联系又有本质区别。因此在大数据环境下的数据挖掘相关课程教学中应注意以下变化: (1) 数据预处理:除利用数据仓库加载传统数据, 针对大数据分析所涉及到的非结构化数据, 应保证输入数据的完整性和相关的ETL (Extraction-Transformation-Loading, 数据提取、转换和加载) 流程的正确性。 (2) 数据存储机制:通过多维立方体实现结构化的多维数据组织与管理, 多数是建立在关系数据模型和关系数据库基础之上。而需将非结构化数据考虑进大数据分析时, 应采用分布式文件系统, 以流的形式访问文件系统中的数据, 提供访问拥有超大数据集的高传输率的应用程序 (如Hadoop和其他开源的分布式系统基础架构) 。 (3) 数据挖掘算法处理能力:面对数据规模的增大, 需解决数据挖掘算法的效率问题, 提高算法的有效性和可伸缩性。 (4) 数据挖掘算法处理效率:数据规模的不断增大导致分析处理的时间相应加长, 而大数据条件下对信息处理的时效性要求越来越高, 应建立简单有效的人工智能算法和新的问题求解方法。

五、小结

大数据时代的到来对数据挖掘的研究和教学都提出了新的挑战。应从数据预处理、数据存储机制、数据挖掘算法处理能力和效率等多个方面进行创新, 以适应大数据环境下知识管理与智能决策的需要。

摘要：大数据时代已经到来, 需要对大量的结构化和非结构化数据集合进行挖掘, 数据挖掘领域需要进行彻底变革, 数据挖掘课程的授课内容和实践环节都需进行相应的调整。本文通过分析大数据的内涵、特征, 数据挖掘的核心课程, 探讨大数据时代对数据挖掘课程提出的新要求与新挑战。

关键词：大数据,数据挖掘,教学改革

参考文献

[1]陈燕.数据挖掘技术与应用[M].北京:清华大学出版社, 2011.

[2]陶雪娇, 胡晓峰, 刘洋.大数据研究综述[J].系统仿真学报, 2013, (25) :142-146.

大数据课程报告 第4篇

【关键词】 大数据；数据库原理与应用；教学改革

【中图分类号】G640.2【文献标识码】A【文章编号】2095-3089（2016）18-00-01

一、引言

近年来，随着信息技术的迅猛发展与普及，行业应用系统的规模迅速扩大，产生的数据呈爆炸性增长，许多企业把几个数据集放在一起，形成了多个PB级数据量，数据的种类和范围不断丰富，冲破了原本结构化的范畴。随着社交数据、企业活动和应用数据的不断增多，决策者越来越需要有效的信息，数据的真实性和安全性变得尤为重要。如何掌握庞大的数据信息，并对含有意义的数据进行专业化处理成为数据库管理人员的重要任务。大数据和云计算有着密不可分的联系，它无法用单台计算机处理，必须对海量的数据进行分布式管理和挖掘。数据库目前应用在全国联网、订票系统和银行业务系统等大型网站，在互联网日趋流行的动态网站中，显得更加重要。

二、数据库原理与应用课程中存在的问题

数据库原理与应用主要介绍数据库技术的基本理论，SQL Server的功能，数据库设计方法、维护和管理以及数据库系统开发应用的相关技术，是一门理论与实践并重的课程，但目前在教学过程中按照传统的教学模式重理论而轻实践。根据教学经验和同行之间的交流，发现课程教学过程中存在很多问题，如方法陈旧、学生的操作能力辅导环节薄弱等。具体如下：

1.缺少一体化课程设计

在教学过程中教师只是单纯的传授知识，训练学生的某种技能，而在大数据时代下，数据量存储大、种类多、处理速度快，来源广泛。因此，在教学过程中要整合专业知识和大数据的时代背景，综合个人能力和专业建设能力进行培养和训练。

2.课程学习目标不明确

根据调查信息和电商专业的学生发现，数据库原理与应用课程的学习目标一般只列出教授的知识点、教学过程中的重点和难点以及学生应掌握哪些知识点，使课程教学滞留在基本的知识传授阶段，也弱化了教师职责，不利于学生能力的培养。知识的理解只是基础，灵活应用数据库也只是个过程，数据库系统管理能力的提高才是最终目标，而目前教学过程中很少有课程把大数据与学生数据库管理能力结合起来。

3.学生能力培养不足

数据库原理与应用课程对学生的评估方法偏向于基础知识的考核，把学生的注意力偏向在理论知识和局部技巧上，导致数据库知识没有形成完整的认识，设计思维和方法不系统，在操作过程中不能灵活运用，达不到解决未来企业中实际问题的效果。以后一旦遇到大型复杂项目时，学生不能快速有效地进行构思、设计、实现、维护和运行。

4.教学中缺乏反馈

课程教学中的反馈是对授课和实施过程中遇到的问题进行分析与讨论，由学生提出，反馈给教师，是一种互动式的教学活动，把教师和学生绑定成学习的共同体，注重两者之间合作学习、教学相长，达到共同提高的目的。缺乏反馈会直接影响教学目标的有效达成，也不利于教师在教学环节中素质的提高、教学方法的重新设计等。

三、数据库原理与应用课程改革的具体措施

1.课程群一体化

数据库一体化应以大数据思想为指导，围绕数据库原理与应用培养目标要求，将信管和电商专业培养方案中具有逻辑关系的课程整合起来，形成配套的课程体系。数据库相关课程的一体化课程群应由三种类别课程组成：前驱、当前和后续课程。其中前驱课程为计算机基础、java和大数据分析，当前课程为数据库原理与应用、Oracle开发与利用，后续课程为计算机网络和软件工程。通过前驱课程学生能够掌握软件开发的基础和大数据相关知识等，当学生学习数据库原理与应用课程和Oracle的开发与利用时，会有较为清晰的思路，两类课程相互作用就可以培养开发复杂数据库的能力。目驱动学习时，学生可以自学计算机网络和软件工程等相关知识，这种课程群一体化就把与数据库相关的课程融合成为一个有机整体，通过不同课程之间知识点的串联，能够加深对前驱课程的理解，为后续课程的学习打下基础。可见，数据库原理与应用的学习是软件开发人员培养中的重要纽带。课程群一体化能够整合不同学科的知识，充分培养学生的专业技能，使学生对学科知识有一个系统的认识和把握。

2.加强能力培养目标的制定

在数据库原理与应用课程教学改革过程中，首先要制定学生的能力培养目标，清晰给出课程的学习目标，明确课程应遵循哪些标准，培养学生综合能力。这样既可以确定专业培养目标的合理性，也可以为学生的能力评估提供可靠的依据。通过数据库原理与应用课程群的一体化设置，发挥中间枢纽的数据库课程学习目标设置应兼顾前驱课程和后续课程的能力培养要求，分为两部分：专业技术目标和软件开发综合能力目标。专业技术目标侧重于教学实践过程中学生技术水平的提高，应适当增加实践操作的课时量，技术目标主要由以下几个部分组成：大数据分析下数据库操作、表的操作、T-SQL编程语言、数据库的安全管理以及数据库的备份与还原。软件开发综合能力目标是培养项目管理人员为目的，对项目经理的要求不仅要懂数据库技术，软件开发与语言，还要懂管理学等，既能管理项目又能管理人员。

3.学习能力的培养

除课堂理论教学以外，还可以增加主动式项目驱动学习，这样可以保证课程学习目标的顺利实现。由于传统的教学对能力培养不够重视，不能有效且全面覆盖能力目标，因此，大数据背景下能力目标的培养需要经过实际项目来实现。让学生在参与某项目的全过程，对每个阶段进行认真分析，这样不仅提高技术性能力，还可以培养内在的非技术能力。

4.注重教学中的反馈

反馈是每位教师教学过程中非常重要的一个环节。对学生来说，反馈不仅可以启发学生积极对教学进行思考，深化课程的学习目标，还有助于学生深层次的学和问，加深对理论和实践知识以及学习过程的认识。对数据库原理与应用教师来说，反馈是教师梳理修正教学过程的有效途径，通过教学结果的反馈，教师可以认识到传授知识的准确性、了解学生真正需要那些方面的技能，然后在教学中不断重新设计，提高教育水平，并对教育观念进行客观理性的认识、判断和评价，达到预期的课程目标。

参考文献：

[1]姜大志.基于CDIO的主动式项目驱动学习方法研究-以Java类课程教学改革为例_[J].高等工程教育研究，2012，（4）：159-164.

[2]王鉴，王明娣.大学课堂教学改革问题：生活世界理论的视角[J].高等教育研究，2013，34（11）：77-83.

[3]邓宏钟，李孟军，迟妍，谭思呈.“慕课”时代的课程知识体系构建[J].课程教育研究，2013，（7）：5-87.

[4]毕秋锦.深化课堂教学改革构建和谐高效课堂[J].现代学校领导与管理，2014，（6）：61.

大数据课程报告 第5篇

电影大数据报告：大数据时代的电影消费洞察

近日，猫眼电影发布了关于“大数据时代的电影消费洞察”的报告（以下简称报告），报告数据分析来源于超5亿人次的猫眼电影消费数据和4000家影院数据。报告显示，2015上半年全国电影票房线上化率超过50%，最受好评的国产片是《战狼》，进口片是《速度与激情》。

公开数据显示，2015上半年中国电影票房同比激增49%，达到202亿元。其中，中国电影市场的高速互联网化趋势明显，3月份线上出票占大盘比超过50%。报告指出，目前国内三四线城市的票房增速明显高于一二线城市，2014年上半年一二线城市票房为93亿元，2015年上半年增至135亿元，同比增长45%；2014年上半年三四线城市票房为43亿元，2015年上半年增至67亿元，同比增长56%。

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

一个属于调研行业的B2B网站

国内最具权威的市场调研门户网站之一

学数据分析、找行业报告、招调查人才可移步一起调研网

大数据课程报告 第6篇

（阜阳师范学院计算机与信息工程学院安徽阜阳 236037）

摘要：大数据时代带来了数据在存储、组织、管理等理论与方法方面的巨大变化，同时也给传统的数据库课程带来新的挑战，促使其进行改革。本文通?^对大数据时代给数据库课程带来的影响进行深入分析，从高校数据库课程所面临的问题入手，提出适应大数据时代发展需求的新的数据库课程教学模式、教学方法、教学内容。

关键词：大数据；数据库；教学改革

0 引言

目前，对于大数据（Big data）的定义在业界尚未有统一的定义，但通常用大数据一词来表示大量非结构化数据和半结构化数据。这些数据在用传统的关系型数据库分析时会花费较多的时间和金钱[1]。但是，目前国内大多数高校的数据库课程仍然是都是以产生于上世纪80年代的关系型数据库为主，研究的是结构化数据的存储、处理、数据共享等内容。按照“80-20”规则，世界上20%的结构化数据主要是事务数据，产生80%的价值，而80%的数据为非结构化数据，这些非结构化数据大多是一些新型用户产生的数据，它们无法存储到关系数据库中[2]。但是随着数据采集、存储技术和云计算的迅速发展，大量非结构化数据的存储和处理已成为可能，也越来越受到关注。这些现象的出现也对现有的数据库课程产生较大的冲击。现如今，在国内几乎所有的本科院校计算机相关专业都已开设了数据库类课程，该课程的开设初衷是为了解决计算机信息处理过程中大量数据有效组织和存储的问题，同时也是为培养学生进行信息管理、分析、设计、开发和应用等诸方面的能力[3-4]。但存在问题是现有的数据库课程知识体系很难应对由云计算、大数据等技术的兴起而产生的海量数据爆发式增长的局面，已经出现不能满足实际应用对数据库专业人才的需求的局面。因此，本文通过分析大数据时代的特点及社会对数据库专业人才需求，提出适应大数据发展需要的数据库课程内容、教学模式及教学方法。设计面向大数据背景下的教学模式

大数据环境下，以“慕课”、“翻转课堂”等为典型代表的新教学方式正在冲击现有的课堂教学。这些新的教学方式多以个性化、自主性、互动式作为显著特征，它在知识传递上比传统的实体课堂更加符合学习科学的规律与要求，也促使越来越多的师生利用“慕课”等平台寻找和利用教育资源，而且传统教师主导课堂的形式将逐步退出教学历史的舞台。但是，就现阶段的教学环境和教学设施等方面来说，“慕课”等新型教学方式还不能完全取代课堂教学，但可以作为课堂教学的有益补充。因此，在大数据环境下，教师必须实现角色的转换，必须摒弃传统的“灌输式”传授知识方法，树立“学生为本”的课程教学观，根据数据库课程的教学目标、教学内容、学生特点、教学条件等，灵活选择教学方法，形成以学生独立自主学习为主，教师引导启发为辅的教学模式。同时，应充分利用诸如“互联网+”大学生创新创业大赛、大学生软件设计大赛、ACM程序设计大赛等竞赛来锻炼和培养学生的综合素质和创新能力，通过参加各类专业竞赛来扩大学生的专业视野，在锻炼学生实践能力的同时，也能够培养学生的团队合作精神。通过赛前的培训，赛后的总结等环节也能够起到对课堂教学的延伸扩展的作用，同样也能使学生在实践过程中更进一步的体会专业知识技能的学习和实践的乐趣。完善大数据背景下数据库课程体系的教学内容

在传统的数据库类课程中重点讲授关系数据模型、E-R模型和数据库逻辑设计、查询优化和数据库物理设计以及事务管理；详细介绍了关系代数、函数依赖和规范化的基本思想和理念；简单介绍SQL、视图、快照、存储过程和触发的基本思想。为适应大数据时代产生的海量数据的管理、存储、分析和处理。一方面，应在课程内容上增加NoSQL数据管理技术和编程模型。NoSQL数据管理技术是关系型数据管理技术的有益补充，它包括针对异构海量数据的存储、查询和分析技术，是以Web搜索、电子商务、个性化信息服务、社交网络等为典型代表的新型应用的支撑技术，也是大数据时代数据分析的主要支撑技术，是目前信息检索、数据挖掘、机器学习等领域的重要关键技术。另一方面，为应对大数据时代数据管理的新挑战，应增加HBase和Hive为代表的海量数据管理平台、面向OLTP 提供NoSQL 扩展性的NewSQL 代表技术C-Store关系数据库系统、以及针对经典数据挖掘算法的海量数据挖掘与分析算法等方面的内容。

3.研发实验平台、改革实验教学方法

企业在开发、测试、部署实际项目时需要有特定的软件环境。在实践教学过程中，不但要让学生熟悉这些环境，还要特别注意在实际工作中容易出现的各种问题和错误，找到相应的解决方法。为此，教师应该在校内搭建真实的实验环境，采用企业项目案例进行实践教学。真正的大数据课程需要有分布式的实验环境支撑，基于Hadoop 搭建大数据实验平台，给学生提供大数据分析、储存、管理的实验环境，让学生掌握Hadoop 中HBase、Hive、Zookeeper 等关键技术并熟练掌握数据交换、大数据查询、大数据项目实践等核心内容，在此基础上再结合真实的电商企业数据，培养学生分析问题和解决问题的能力。大数据环境下，传统的实验室无法满足教学需要，需要构建云环境下的虚拟实验室，结合云计算和虚拟技术，打破时空限制，为学生提供开放的实验平台，让教师和学生随时随地都能访问和使用实验资源。结语

本文所提出的是基于数据库课程在大数据时代背景下的教学模式、教学内容、实验平台等的改革研究，目的是为适应大数据带来的变革对数据库课程的要求，通过补充和完善传统数据库的教学内容、实验平台、改善教学模式和教学方法，期望学生通过学习能够满足企业的对大数据设计和管理的需求。在以后的研究中可以可以探索将数据库方面的专业认证环节融入到教学体系中，以增强学生学习的兴趣、目的性、实践性。

参考文献：

[1] 朱建平，李秋雅.大数据对大学教学的影响[J].中国大学教学 2014，（9）：41-44