研助起航计划】数据科学与人工智能：基于SQL和Python的数据挖掘、计算与分析研究

研助起航计划】数据科学与人工智能：基于SQL和Python的数据挖掘、计算与分析研究

开始日期: 2026-05-16

课时安排: 6周在线小组科研+6周研究助理经历训练+5周论文指导

Prerequisites适合人群

适合年级 (Grade): 大学生及以上

适合专业 (Major): 对数据挖掘、人工智能、机器学习、深度学习、数据库及对相关专业感兴趣的大学生，建议具备Python基础

需要有自主研究的兴趣和热情

Instructor Introduction导师介绍

K老师

香港科技大学终身正教授

香港科技大学  

K老师  终身正教授  博士生导师

U.S. News美国Top10大学 博士

入选ACM杰出科学家名单

研究方向：数据库理论与算法、数据安全和隐私

在核心期刊发表论文百余篇。曾获数据库领域国际顶级会议最佳论文奖、最佳系统演示奖。研究成果见诸顶尖学术期刊及国际会议，并担任美国计算机学会汇刊和IEEE汇刊的副主编。

Program Outcome项目收获

6周【在线小组科研+全球就业力大师课】+6周研究助理经历+5周论文指导，共135课时

1500字左右的项目报告

优秀学员获得主导师推荐信（8封网推）

项目结业证书

研究助理经历证书

EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导或者CNKI检索的英文普刊全文投递与发表指导

Project Description项目介绍

Hadoop和Spark是当前处理大数据计算问题应用最为广泛的系统及编程框架，具有快速、通用、鲁棒、分布式等特点，支持多种编程语言和数据源，并提供多个可扩展的组件库如机器学习、图处理、流处理等。

本课程将通过大量实例让学生对Hadoop及Spark有充分了解，并能够动手编写程序，为未来面向大数据的科研工作打下良好基础。

Syllabus项目大纲

PBL小组科研6周课纲

MapReduce and Hadoop：简介大数据处理的挑战和方法、介绍MapReduce编程模型、介绍Hadoop生态系统的基本概念和架构

Spark基础与RDD：介绍Spark的概念和特点、深入研究弹性分布式数据集（RDD）的概念和原理、学习如何使用Spark进行数据处理和转换操作、实践编写基于RDD的Spark应用程序

SparkSQL和MLlib：介绍SparkSQL的基本概念和功能、学习如何使用SparkSQL进行数据查询和分析、探索Spark的机器学习库（MLlib）的功能和使用方法、实践构建和训练Spark的机器学习模型

大数据系统的算法设计：学习大数据系统中的算法设计方法、探讨分布式算法设计的最佳实践、实践运用算法设计解决实际大数据问题

GraphX/GraphFrames：介绍图数据处理的基本概念和应用场景、学习使用Spark的图处理库GraphX/GraphFrames进行图计算和分析、探索图算法的实现和优化策略、实践构建和分析大规模图数据

项目答辩与点评

Research Training Task研助起航任务安排（参考）

研究助理经历训练6周任务安排（参考）

Week 1: 研究聚焦与深化方向锁定

基于科研报告及导师点评，提炼报告核心亮点，锁定深化研究方向

任务指引：梳理科研报告中的核心观点、案例分析结论，结合导师点评建议，识别报告中最具创新性、或最值得深入验证的1-2个核心发现或观点

任务输出：将上述核心发现转化为一个清晰、可验证的科学假设

制定验证路径：结合科研阶段所学的大数据知识，确定验证所需的核心数据

研讨会重点：教授指导学生评估各人假设的科学性与可行性，确保研究方向明确且资源可及

Week 2: 针对性文献补充搜集与整合

数据收集：根据上周假设，补充科研阶段未覆盖的规模化数据或通过公开数据集扩充数据量

文献拓展：围绕假设检索6-8篇前沿研究文献，重点分析同类大数据计算优化、隐私保护的技术方案

初步分析：整合数据与文献，设计基础优化方案

研讨会重点：指导文献批判性阅读技巧，解决学生在数据获取和解读中的共性问题

Week 3: 分析建模与机制初探

方案落地：将验证路径细化为可执行的实操流程，明确优化变量

初步验证实施：按方案开展分布式计算或模型训练实验，严格记录实验过程

识别缺口：明确当前分析尚不能完全证实假设的“证据缺口”是什么。

Week 4: 研究设计拓展与论证

方案迭代：为填补“证据缺口”，设计一个（或一系列）虚拟的、但方法学上完整的实验方案

论证预期结果：明确实验预期与意义，简单说明“实验要验证什么、结果能说明什么”。

整合论证框架：整合基础论证逻辑，用“假设→Week2数据（初步支撑）→Week4虚拟实验（补全证据）” 的逻辑链。

研讨会重点：聚焦于研究设计的严谨性与创新性，训练学生的实验思维和方案撰写能力。

Week 5: 学术写作与成果整合

撰写核心章节：开始撰写深度研究报告的核心部分（引言、方法、结果、讨论），重点是将前四周的工作（假设、证据、分析、实验设计）用学术语言进行逻辑化呈现。

图表制作：将关键数据和分析结果制作成符合学术规范的图表。

初稿形成：整合各部分内容，形成报告完整初稿。

Week 6: 成果汇报、修改与提炼

准备汇报：基于深度研究报告，准备一份10-15分钟的答辩演示文稿，清晰讲述“研究问题-假设-验证路径-发现/设计-意义”的全过程。

参与最终答辩研讨会：进行演示并接受教授和同行的提问

上一篇：数字媒体与智能传播：人工智能视域下数字媒体传播的变革与应对 探究“被数据化的个体”与“被媒介化的生存”

下一篇：返回列表