思维碰撞大数据与计算机教育.docx
《思维碰撞大数据与计算机教育.docx》由会员分享，可在线阅读，更多相关《思维碰撞大数据与计算机教育.docx（16页珍藏版）》请在冰豆网上搜索。
思维碰撞大数据与计算机教育
大家都知道，在管理、商业等领域，大数据的应用已经很广泛了。
利用大数据可以帮助从业人员进行辅助决策、分析预测等工作，从而为客户提供精准的服务，目前也有很多成功的案例。
但是，大数据在教育领域并没有得到充分的应用，原因是信息技术在教育领域的应用长期落后于其他行业。
由于我们现在的教学活动还是以班级面授为主，因此没有利用信息技术成规模地收集、分析和利用教学活动过程中的数据。
2012年被称为MOOC元年，此后MOOC这种在线教育形式被越来越广泛地采用。
由于它是一种大规模、开放性的在线教育形式，在线学习的人数空前增长，为教育的大数据化提供了基础。
因此，现在各个MOOC平台可以大量而全面地采集在线学习者在平台上学习各个课程形成的数据。
如果我们能有效地收集、利用这些学习数据，就可以帮助教师了解学生的学习情况，改进课程设计，也能帮助学生了解自己的学习状态，按照自己的节奏安排学习。
如果平台能够根据每个学习者的特点，主动适应学习者需求，那么在线课程也可以实现因材施教。
大数据将改变传统的按照既定教学理论和教师个人经验来设计实施教学的模式。
借助大数据，教师能随时观察和分析学生的学习行为，可以从中发现传统模式无法发现的教学规律，同时可以借助信息技术向学生提供个性化的在线学习过程；学生不再盲目地按照固有习惯去学习，可以通过分析、反思自己学习过程中产生的数据，发现自己的特点和优势，适时调整学习方法，甚至调整专业方向，进而在学习中更愉快更好地发挥自己的能力。
虽然MOOC平台都具有常用的分析功能，能够为教师和学生提供一些基本的数据分析，但是仅有这些基本的分析模型还不够。
大数据真正的意义是收集、清洗、整理海量数据，根据需要定制、分析、挖掘数据与数据之间的关联，发现隐含在数据深层的关系或规律。
从这个概念出发，目前MOOC平台对数据的分析和使用远远达不到应用大数据进行教学数据挖掘的要求。
我们希望能够对数据进行多维度的可定制分析，这样才能发现一些新的学习规律。
另外，当学习者面对众多的在线课程平台、在线课程时，需要根据大数据分析结果进行筛选、收集和分析课程本身的特征以及以往学习者使用课程的历史数据，选择适合自己特点和需求的课程，而隶属于单一平台的分析功能往往无法实现跨平台的课程分析和评价。
我认为比较好的方案是建立独立于课程平台的学习数据分析平台，这就需要制定数据分析的标准，以标准化的数据接口导入不同平台的数据，按照用户的需求随时定制不同的分析模型，并生成各种图表，以此实现跨平台的课程分析，同时通过综合分析不同平台学习者的普遍数据，得出学习者的学习规律或者新的教学规律。
要达到这个目标需要标准化，包括课程体系标准、课程标准、学历描述标准、学习分析标准等。
这种标准是课程体系的描述标准，为不同的高校、机构、组织提供统一的描述性接口，这样就能够互相识别各自的课程体系。
未来，互联网课程不再是一门门零散的课程，而是形成体系，这些课程体系将按照上述的标准格式进行描述，课程内容以及课程元素也要按照标准进行描述，学生的学习能力也要有标准描述，每种教育都建立相应的分析模型，分析模型也遵循标准进行描述。
在标准化的基础上，学习者的信息中将包括标准化的学历信息，课程信息中将包括所属的课程体系、包含的课程元素、对应的学历，学习过程的记录将有标准格式，这些按照标准生成的信息可以跨平台使用，也可以导入专门的分析平台进行多维度综合分析。
这样就能满足课程教学、运营、服务的各种需求，使学习者真正拥有个性化的课程和在线学习环境。
另外，将信息技术应用到各个行业往往不是行业本身的人来做，而是由信息技术领域的公司或机构来实现。
这些领域的人为什么要给教育开发系统、开发软件？
教育是不能挣钱的行业，所有的教育机构是只能运营不能盈利的，但是其他行业是可以盈利的。
信息技术运用于教学非常必要。
比如智能教室，教师授课时与学生在iPad上进行互动，学生一边做题一边选择具有动画效果的答案，界面做得非常漂亮，学生的学习效果也很好。
里面有各种游戏和活动，包括在线形式和离线形式以及所有的学习资源，还包括网络资源，这些都是由教师筛选的，学生可以通过iPad访问。
所有的作业都将自动地记录在iPad上，教师和学生可以实时看到，家长愿意的话也可以了解孩子在课堂都做了哪些事情。
这些都是非常好、很必要的。
但是，这样的智能教室得花费多少钱，这些钱投入到其他领域可以挣钱，但是放到教育领域无法直接盈利，尤其是公立教育，所以这是当前的一个问题。
现在比较好的现象是这样的智能教室越来越多了，毕竟国家对教育的投入越来越多，各个发达省份比较富裕的城市对教育投入得越来越多，可以通过招标由企业来做智能教室。
大学也是这样，学校投入几十万的资金给一门课程来制作MOOC，于是在线的教学资源就形成了；如果学校不投入，这些优秀的资源也做不出来。
我觉得当经济发展到一定程度时，社会和国家积累了足够的资本，就可以投入更多资源来发展智能化的基于大数据的教育了。
这是个值得研究的课题。
MOOC刚出现的时候大家都没弄明白MOOC真正的意义，加上公司以及媒体对此过激地宣传，使很多人对此有误解。
实际上，网络教学绝对不可能取代课堂教学。
MOOC是给什么人用的呢？
我认为是一些在工作要养家糊口的人，他们没有大量的完整时间重新去大学学习，网络课程则能最大限度地让他们的学习达到大学的教学效果。
所以说，MOOC是给这些不在校园里的人准备的。
比如，我要学中医，但是我们学校没有开设这门课程，而我又不能千里迢迢去别的学校学习，但是通过网络我就能学习这门课程，也许两所学校还能学分互认。
另外，在校内每一门课程中都有一些基本原理，这些内容我们可以制作成MOOC放到网络上让学生自行学习，不再占课堂时间；教师则可以运用动画和案例生动详细地讲解更深入的知识，课堂上也可以安排更多的时间作为探讨、推理、演绎和思维碰撞。
以前传统课堂受学时的限制，讲完基本内容就很不容易，学生根本没有机会在课堂上进行深入的探讨和讨论，更不用说思维碰撞了，而现在的混合式教学就提供了这种机会。
PPT课件对于某些课程来说并不是最好的表现方式，但是迁移到网络上就能发挥出更大的优势。
比如，数学老师在课堂教学时经常采用手写黑板，但课堂上后排的学生很难看清黑板的内容，推演过程中学生的精神集中率可能不够，会跟不上教师的进度，但是网络课程为学生提供了近距离直观浏览教师推演的机会，而且这个过程是可以重复的，对于学生其实是很好的。
我们学校在线公司的一位经理就把网络课程看作新型教材，教师想怎么用是他的权利和创意。
在线学习至少可以把学生的作业和练习过程放在网上，并利用OJ系统进行评价，当然也得有人工评价。
我的作业一半是在网络进行评价的，一半是一对一面对面验收的。
现在大学的教学是混合式的教学，我们叫blendinglearning。
很多教师觉得网络课程要取代他，其实只是对教师的要求更高了。
有的老师只是照本宣科，要是参与课堂讨论还会担心自己被挂在黑板上，比如我每次讨论课都会带一位研究生跟我一起主持，大部分课堂时间是由我来主持，但是有的时候一些学生的算法稀奇古怪，要理清他们的思路还是很费精力的，研究生助教就能特别快地理清楚，指出他们的问题所在。
所以教师要是没有本事主持课堂，就很容易被讨论的学生挂在课堂上，这对教师来说确实是挑战。
但是这个挑战要是跨过去了，对于学生以及教师本身都是非常有利的。
张铭
北京大学
我是做数据库研究的，主要方向是机器学习、数据挖掘、做文本信息，也有两个大的自然科学基金项目，一个是做社会网络分析，另一个做教育大数据分析。
我教的课程是数据结构与算法，不是数据库，但这些研究都和大数据有关。
我也做一些教育研究方面的内容，目前参与一个叫做学科规范的研究小组，也叫作computercurricular，我最近也在参与写作IT2017的规范。
ACMcurricular大概在2005年被分成几个方向，分别为计算机科学、计算机工程、软件工程IT，还有IS（信息系统）。
一般来说，我们国内的几个方向主要跟前面几个方向比较相关。
为什么计算机发展会分成5个方向？
随着计算机的发展，我们可以看到，国内外高校的招生人数和市场份额越来越多，在原来的计算机大帽子底下，如果还是统一的、比较窄的规范，肯定不太适合了。
这5个方向中，信息技术（IT）从其设立思维来说更偏向应用，计算机科学更偏向理论，计算机工程偏向系统。
IT这个大方向里设立了好多个不同的子学科方向，其中就包括大数据科学，还有云计算、物联网。
在这样的体系下，最底层还是架构（intrastructure），主要包括系统方面的硬件、网络、存储等内容，这相当于一个裸的硬件环境。
向上一层，应该是管理层，包括对分布式系统的管理、对存储的管理、对网络的管理，这一层管理以Hadoop为代表，它能够真正驾驭系统。
原来我们的操作系统是单机的，现在更广泛意义上的系统是这种能够在网络上很便捷地配置资源的管理层。
因为系统和设备的性能越来越好，现在更火的是伯克利大学MBlaik研发的SPAK系统，在整个大数据领域中，该系统的性能已经远远超过Hadoop，对于做数据挖掘、数据分析的学生，基本上SPAK就是必备的工具。
再往上来看，就是数据分析理解的层面。
再之上是各种应用以及可视化的展示，这个也是非常重要的。
上学期我带了一些大一学生，北大学生在大一第一学期的时候要听各个领域的教师做报告，然后在期末完成一篇短文，再做一个课程感想报告。
有几个学生对大数据感兴趣，但他们的信息点最后都集中在可视化。
由此可见，在外行来看，看点就是可视化领域。
刚才我也提到，整个大数据是从基础架构、硬件网络存储设备，再到中间层的管理，然后到上层数据分析处理这一块，包括机器学习、数据挖掘等层面，网上较多的内容是应用层面的，可视化是其中比较吸引眼球的。
像很多报告里说的，我们讲SPAK的架构，只有技术人员能够听得懂、感兴趣，如果这些东西能以可视化等大众喜闻乐见的方式呈现出来，更有利于发展。
我心目中的大数据学科就是它的整个架构，计算机专业大数据应该是随着计算机发展分出来的一个比较重要的分支，这个分支不应该划到CS里面，也不是纯粹CE，应该偏向IT。
现在整个IT2017课程大纲的写作小组正在编写，截止日期大概在2015年11月15号。
之后，11月28—29号将在天津召开一个大学计算机基础课程研讨会，我们会讨论计算机学科的相关规范。
这是一个英文研讨会，我们请了3位国外专家，都是各个学科规范的主要负责人，我们可以参考国际前沿学科规范的国际同行们的想法。
在大数据最近的趋势之下，很多大学从本科就设立了大数据专业。
当然，现在大数据专业的研究生更多一些。
北大本身也建立了研培，设立了大数据方向，并在今年新批了20个指标，这很不容易。
我觉得先要有一个国际前沿的方向，然后在我们原有的培养体系将前沿方向融合到学校特色以及市场需求里。
大数据跟领域是相关的，但大数据架构这种最底层的应用可以为多个不同专业或领域服务，比如化工、医疗这些，可以使用通用的大数据解决方案。
整个大数据有很多共通的东西，包括从底层的系统管理到分析，再到应用、可视化等，这是相通的，各大学可以发挥自己的特色，拿这个领域真实的数据，建立几个适合自己发展的项目。
大数据这个专业其实是跨学科的，首先在计算机领域就跨学科，软件、硬件还有理论都有结合。
每个大学的培养，可以偏向于数据分析处理，也可以偏向数据感知、数据获取或底层架构，这都是不同层面的。
当然我觉得更多的可能是数据分析处理，这是需求最大、最广的。
我觉得每个学校可以根据自己的特色来设立自己的大数据培养方案。
对教师的培养确实是一个挑战。
各个大学可以边开设课程边培养教师，教师也有一个自我学习和提高的过程。
Coursera上和数据相关的课程有很多，比如约翰·霍普金斯大学有一个微专业，我们北大医学部有一位教师学完了这个课程，拿到了专业认证证书。
还有在数据挖掘领域比较有名的如韩江磊教授、张庆祥教授，他们在Coursera上也有系列课程，我觉得MOOC是一个非常好的补充，特别在教师的培养和提高方面是一个很好的渠道。
在教学策略和方法上，我觉得实训是特别重要的，一定要让学生做一些比较前沿和实际的应用案例。
在2004年，我们做了一次计算机专业人才培养的需求调研。
我们当时去XX交流时，XX刚招聘一批处理大规模数据的员工。
一般在校生大部分是基于内存进行数据处理的，数据结构的教材绝大部分不讲外排序，只涉及内排序，更不涉及分布式系统。
北大的数据结构课程要求学生编写基于外存的大数据规模处理，包括外排序、数据索引、闭树还包括搜索引擎，这对扩展学生的思路非常重要。
我觉得大的实践项目和环节也要加强，包括数据的获取、数据的分析处理等。
以前学生总抱怨屏幕打印个水仙花、HelloWorld就毕业了，这肯定是不行的。
学生起码要有这个能力：
操作超过计算机设备内存处理能力的数据，做个排序、外排序，并以一个项目为例做一个搜索引擎，或者再进一步做一些智能的信息分析处理。
学生很看重数据领域的就业市场，在美国，和数据相关的岗位简直太火了。
所以我觉得，在跟学生宣传时，各个专业老师可以去宣讲他心目中大数据的学科特点，阐述学科的国际前沿、市场需求以及各领域的创业情况。
大数据相关的公司现在也处于朝气蓬勃的阶段，很多非常成功的大公司有很多故事，都能够吸引学生。
在行业性学校，我觉得底层的相关课程是相通的，应用层面的课程可以体现在对具体领域的分析上，比如医疗信息系统，不是只学了通用的东西就能处理的，还需要与领域知识相关的应用型课程。
这也与各个学校的背景以及所处地域相关，比如石油大学跟地质、生化有一些相关。
就研究来说，计算机教育的研究在中国比较薄弱，仅在一些师范学院有一些教育技术研究的方向，且偏于文科。
其实教育本身会产生非常多的数据，我觉得教育领域本身是非常看重数据分析研究的，以前数据没有这么多，也都在线下，现在数据爆炸了，线上线下并行。
在美国计算机专业下就有计算机教育研究的一些方向，拿到很多美国自然科学基金，而且有很好的论文。
相比之下，国内在这方面进行的研究，一方面数量少得多，另一方面研究深度也远远不够。
这块领域，未来应该由我们一起做起来。
李国和中国石油大学（北京）
教育有它自身的特点，出现问题也有它自身的原因。
培养人才与生产产品的流程是不一样的，人才培养更复杂一些。
比如，人才培养过程中的信息采集不可能像产品生产过程那样有计划性。
人才培养的方法蕴含的人性化因素太多了，跟产品生产不一样。
在教学过程中，教师更习惯传统的教学方式。
传统教学方式说起来是以学生为中心，实际上还是以教师为中心的。
传统方式有它的优点，比如控制教学内容和教学进度，但是属于通用性的、一刀切的，有的学生吃不饱，有的学生吃撑了。
信息化建设的网络教学环境应更具个性化，但从亲近的角度来说，在学生人格的培养或者教师语言的感染力方面，网络课堂无法达到传统课堂的效果。
所以，目前网络教学完全取代课堂教学很困难。
我认为更好的方式是两者互补，各有侧重。
有些基础性的、知识性的课程可以建立网络课程，而严密性和逻辑性很强的、需要大量推理演算的课程更适合使用传统模式。
丰继林房山科技学院
我国现在号召以信息化带动产业化，但教育领域的信息化程度落后其他行业太多了。
当前存在的最大问题是教育工作者的数据意识非常差，没有认识到大数据对教育的重要作用。
数据是一种重要的生产要素，教育过程中产生的教学数据则是教学活动的最重要要素，特别是办学历史比较长的学校，其教学数据更是无尽的宝藏，但是，目前各高校对教育过程的记录是没有的，大多数教师都忽略了人才培养过程的数据收集。
在教学过程中如果能收集并分析学生学习过程的数据，再通过分析结果调整教学，将为教育带来革命性的发展。
例如，教师可以通过对毕业学生或学过某门课程的学生进行学习过程的数据记录，提前调整自己的教学内容和教学方式。
在大数据时代，数据意识是第一重要的，教育管理层一定要认识到教学数据的重要性，如果不记录并利用这些数据，我们的教学肯定是有缺陷的，无法全面、真实地了解学生。
房山科技学院是中国地震局下属的学校，信息工程系的最大特色专业是地震科学系，直接由国家地震局管辖。
我们最近正在利用大数据开发一款地震预报分析软件。
我想借这个案例说明大数据是如何应用在教学过程中的。
一般来说，特大地震的孕育过程非常长，一般是几百年，这几百年间的数据量非常巨大，大数据能很好地运用在该领域。
但是，现代人立竿见影的心态非常重，不少地震科技人员认为地震在前六天后六天或者前十天后十天就能预测，完全没有想过要把大数据应用在地震孕育过程中进行分析。
作为行业学校，我们的基本思想就是把大数据应用到行业，对学生进行思维方面的教育。
大数据的相关因果关系在地震行业是有直接效果的。
海域地震是国际上公开承认的被成功预报的地震，那是因为冬天蛇虫都出来了，宏观异常非常明显。
但是，动物异常就会有地震不能作为地震发生的因果关系，地震局做过很多关于地震场的观测，比如电场、风场、速度场、油体形变场等，地震之前这些数据都会发生变化吗？
或者某一种数据发生变化就会引发地震吗？
实践证明并没有，地震行业不是用因果关系来理解的。
但是完全不去探求因果原因，只探求相关关系，我觉得也不全面，过去我们不是特别注重相关原因，只用因果原因来探究自然规律。
经过科技的发展，有人说大数据时代就是用相关关系取代因果关系，我觉得也未必，这种思维过程还没有见底。
最早温总理提到“物联网是新兴战略产业”，当时还不明确要点在哪个地方，后来就慢慢明确了，大数据思维也是如此，现阶段还不明晰，还要发展。
现在提这些内容还比较超前，但是教育就是要超前。
陈明中国石油大学（北京）
实际上，人们作出的结论和变化都需要因果关系，但是人的脑力还无法找到全部的因果关系，在找不到因果关系的情况下找到相关关系也能解决问题。
科学研究方法论中，第一范式是实验，然后才有理论，再发展到计算模拟和现在的第四范式——数据密集型科学研究方法论，实际上也是一步扣一步。
如果科学实验能解决所有问题就不需要科学理论，如果科学理论能解决所有问题就不用计算模拟。
比如，理论无法证明四色问题，但通过计算模拟就能解决，大数据出现后计算模拟遇到瓶颈，于是诞生了科学研究的第四范式，总的来说都是因需产生的。
问题解决不了时可以先找到相关，等条件逐渐成熟时再获得因果关系。
研究教学的人不能只研究教学，而是要和学科发展密切结合。
比如，研究教学方法论，如果能把学科发展和教学结合起来，对培养学生和教学来说都是完美的。
尤其是计算机学科，最近几年发展很快，网络计算、云计算、物联网、大数据、“互联网+”等异常繁荣，有人预测以后还有机器人研究将大热，这些都是著名学者的预见。
如果不把这些东西迅速融于教学，就会相对落后，这和我们的传统思维方法是不一样的。
典型的大数据思维有这几种：
一种认为不需要用相关绝对代替应用，但在找不到因果关系时可以先用相关，等到时机成熟再找因果；另一种是用全样本、大样本技术代替小样本技术。
大数据是大样本，它的数据量达到海量，理想程度是全样本，计算机处理能力已经逐渐能够达到这种级别，该思维出现后对以前的所有方法都适用，小样本就可以特征抽取，全样本就不用抽取了，强大的处理能力可以直接分析；还有是用模糊性代替精确性，这些都是比较核心的内容。
大数据科学、大数据技术、大数据工程，能和以前的内容产生碰撞，在教学中要有体现。
关于大数据技术，标准的说法是从数据的获取到经过一段处理后获得价值全过程所用到的技术的集合。
简单来说，大数据被采集后经过记录存储、抽取清洗，再经过挖掘、分析、解释，才能获得价值，这个全过程叫大数据技术，目前对这些还没有系统的介绍。
这些内容的确和以往不一样，以前强调搜索引擎，搜索就是回答，大数据下用搜索引擎就很困难，但是现在广泛采用了图谱技术，比如谷歌公司描述信息关系并能存储处理。
搜索引擎可视化分析不是把数据可视化，而是数据可视化以后再次分析并可视化，目前这个研究还比较少。
这些内容的确需要容纳在教学中，即使不专门培养大数据分析师、大数据公证师、大数据科学家，只从培养计算机专业的人才来说也需要把这些内容加入教学。
比如在计算机导论课程中可以设几节课讲一下大数据技术，也可以讲物联网和云计算，主要是启蒙式的内容，具体课程可以增加大数据导论、大数据概论、大数据基础与应用等内容，甚至作为选修课来讲解，培养学生快速掌握先进技术的能力。
张晓明北京石油化工学院
大数据的发展首先是从工商业的强烈需求反推回来的。
马云更早的时候就提出：
“我们现在的时代进入到DT时代，数据技术时代。
”2015年10月8日，复旦大学成立了大数据学院和大数据研究院，明年开始招生。
复旦大学的大数据方向有3个思路：
第一种是数学的分析家以及经典的统计分析软件，做经典的大数据分析；第二是在计算机领域，强调主算法；第三个是面向商业公司的需求，对商业数据进行处理及分析。
大数据发展的第二个驱动力是工业需求。
2015年8月份天津港口大爆炸以后，北京市组织安监局和相关学校加快推进有关安全生产的研究，其中一个研究项目就是安全生产大数据源中心。
我们学校是北京市安全生产工程研究院挂靠单位，基本上每个月都要跟市安监局和研究院开会，共同推进安全工程和相关电器专业的发展，由此产生了很多需求。
在研讨和研究的过程中，我们发现很多数据都没有，几乎要从头建立数据的获取。
北京石油化工学院的研究主题趋向化工类研究，特别是对危险化学品进行研究。
我们正在做的工作就是采集各种数据，包括生产、运输、存储、使用等过程的数据。
大数据在教育方面的需求首先是由工商业的强烈需求推进的，这使得教育领域也不得不重视，复旦大学成立的这个专业很快抓住了这个机会，相信其他学校也会陆续开设，就如物联网的出现时一样，目前就有300余所高校开设了相关专业。
现有的计算机专业培养方案，包括大数据的采集、存储、数据处理、数据分析、数据展示等，都会有很大的改进。
去年我开设了云计算技术课程，把大数据的工作融入教学，在理论教学和实践教学中将大数据的实验作为重点。
第一个实验就是把Hadoop的配置实验变成利用Hadoop进行数据的分析。
第一次课要求学生自建XX云盘，把数据存到云盘上，大数据首先要解决的问题就是数据从采集到储存，其次是有了数据要怎么做。
我们目前计划创建几个网站，并让学生做微信公众号，采集用户访问、上传等操作的数据。
数据主要从工业模拟数据来，现在的数据很难找，主要依靠购买。
从教学方面来说，困难很多，压力也很大，我们也是边学边做，一边做存储采集数据，一边带学生做大数据计算，展示方面的内容还在研究当中。
由此还引出另外一门课程。
因为Hadoop系统都是部署在Linux操作系统上的，学生还得学习Linux操作系统的内容，于是我们又开始改革操作系统的教学。
操作系统课程不只讲Windows操作系统，还必须讲解有关Linux操作系统的内容。
目前大多数数据存储用的数据库都是MySQL，而我们之前都是讲解Oracle，因此对数据库课程的设计也开始改革，不但改变了教学使用的数据库类型，还针对手机、云存储等方面做了设计。
目前，2015年培养方案的修订一方面要降低学时，一方面还要提高质量。
所以，一些能放到平台上的教学内容留给学生课后自行学习，实践教学就一定要面对面、手把手把更深入的知识教给学生。
王新中国石油大学（北京）
关于大数据，正面和负面的说法都有。
正面主要说大数据是科学的，从数据中能发掘有价值的东西。
负面就说大数据是炒作，以及大数据到底是不是新科学。
从大数据思维属性看，首先大数据是大容量，这个不是新问题，因为计算机一直讲海量计算；非结构化问题也不是新问题，数据库的结构化很早就提出了；还有数据密度低、抽取影像压缩都不是新问题；数据挖掘也不是新问题。
也就是说，大数据没有提出新科学问题，所以有炒作的
升级会员 