本课程主要内容不仅包括基本的数据挖掘方法及常用实训工具SPSS操作介绍，而且包含了数据可视化和大数据分析平台的基本编程方法介绍。为了更形象地展示完整数据分析过程，课程中还配有两个完整的数据分析案例介绍。具体内容如下

第一讲：云计算时代的大数据智能处理；

第二讲：大数据分析处理概述，包括大数据分析处理计算框架，基本流程以及评测方法；

第三讲：大数据分析平台基础，包括Hadoop平台及HDFS分布式文件系统，Mapreduce并行算法介绍，Hbase及Hive的基础及使用；

第四讲：数据统计分析方法，包括认识数据，数据基本统计分析方法及数据预处理技术；

第五讲：IBM SPSS Statistics，包括SPSS Statistics 简介和分析基本步骤，变量属性定义、T检验和单向方差分析和二阶聚类分析；

第六讲：大数据可视化，包括可视化简介，高维数据可视化及网络数据可视化；

第七讲：流式大数据预处理技术，包括流式大数据预处理框架apache storm，apache spark stream，以及案例分析；

第八讲：数据关联分析方法，包括基本概念，经典apriori关联规则算法原理以及算法案例分析；

第九讲：线性模型分析方法，包括基础知识，原理以及应用；

第十讲：有标签的数据分析方法，包括基本概念，经典的决策树算法及算法案例分析；

第十一讲：无标签的数据分析方法，包括基本概念，经典的k-means算法及算法案例分析；

第十二讲：人工神经网络学习算法，包括基本概念，经典的BP算法以及算法案例分析；

第十三讲：深度学习简介，包括基本概念，经典的深度卷积神经网络以及tensorflow上的案例分析；

第十四讲：IBM SPSS Modeler，包括CRISP-DM和挖掘基本步骤，基于CHAID的决策树模型以及标志目标的自动建模；

第十五讲：典型数据挖掘算法并行化案例，包括MR-Kmeans算法，Spark Mllib聚类算法以及Spark平台下的DBSCAN算法；

第十六讲：大数据分析应用案例，包括搜索引擎日志数据分析，出租车轨迹数据分析以及新闻组数据分析；

第十七讲：结语大数据分析与处理展望。

通过本门课程的学习，你能够系统地获得数据挖掘的基本概念和理论技术，包括线性回归、关联规则分析、分类和聚类的智能分析方法。掌握分析和解决复杂工程问题的基础知识和手段，例如课程中讲授的实训工具SPSS及实验分析平台Weka、Hadoop及Tensorflow的应用。拓展学生在数据分析领域的前沿视野，比如神经网络和深度学习、数据可视化及算法并行化处理基础。从而培养学生良好的计算机科学素养，探索新技术的好奇心，以及自主学习能力。

课程内容通过浓缩和提炼，做到了精致化和微知识化。因此不仅适合于普及大数据分析知识的通识性学分认定课，而且可以作为数据分析类课程SPOC翻转的在线课程。既可以面向本科生，也可以面向高职高专学生以及社会学习者。