集成演算法思想

Ⅰ 人工智慧領域有哪些書比較值得推薦

機器學習
Programming Collective Intelligence
本書以機器學習與計算統計為主題背景，專門講述如何挖掘和分析Web上的數據和資源，如何分析用戶體驗、市場營銷、個人品味等諸多信息，並得出有用的結論，通過復雜的演算法來從Web網站獲取、收集並分析用戶的數據和反饋信息，以便創造新的用戶價值和商業價值。
全書內容翔實，包括協作過濾技術（實現關聯產品推薦功能）、集群數據分析（在大規模數據集中發掘相似的數據子集）、搜索引擎核心技術（爬蟲、索引、查詢引擎、PageRank演算法等）、搜索海量信息並進行分析統計得出結論的優化演算法、貝葉斯過濾技術（垃圾郵件過濾、文本過濾）、用決策樹技術實現預測和決策建模功能、社交網路的信息匹配技術、機器學習和人工智慧應用等。本書是Web開發者、架構師、應用工程師等的絕佳選擇。
Machine Learning for Hackers
Machine Learning for Hackers （中文譯名：機器學習-實用案例解析）通過實例講解機器學習演算法，用R實現的，可以一邊學習機器學習一邊學習R。這是一本實操型的書，重點放在講怎麼用R做數據挖掘，機器學習的演算法更多的是通過黑箱的方式來講，強調input,output含義，弱化機器學習演算法細節。文中基本都是通過case來講述怎麼去解決問題，並且提供了原始數據供自己分析。適合兩種人：
（1）有過機器學習的一些理論，缺少案例練習
（2）只需掌握怎麼用通用的機器學習解決問題的人，只希望知道機器學習演算法的大致思想，不想詳細學習機器學習中的演算法。
Machine Learning by Tom M Mitchell
《Machine Learning》展示了機器學習中核心的演算法和理論，並闡明了演算法的運行過程。《Machine Learning》綜合了許多的研究成果，例如統計學、人工智慧、哲學、資訊理論、生物學、認知科學、計算復雜性和控制論等，並以此來理解問題的背景、演算法和其中的隱含假定。《機器學習》可作為計算機專業 本科生、研究生教材，也可作為相關領域研究人員、教師的參考書。
The Elements of Statistical Learning
《The Elements of Statistical Learning》介紹了這些領域的一些重要概念。盡管應用的是統計學方法，但強調的是概念，而不是數學。許多例子附以彩圖。《The Elements of Statistical Learning》內容廣泛，從有指導的學習（預測）到無指導的學習，應有盡有。包括神經網路、支持向量機、分類樹和提升等主題，是同類書籍中介紹得最全面的。
計算和信息技術的飛速發展帶來了醫學、生物學、財經和營銷等諸多領域的海量數據。理解這些數據是一種挑戰，這導致了統計學領域新工具的發展，並延伸到諸如數據挖掘、機器學習和生物信息學等新領域。許多工具都具有共同的基礎，但常常用不同的術語來表達。
Learning from Data
這是一門機器學習（ML）的入門課程，涵蓋其基本理論、演算法及應用。機器學習是大數據及金融、醫葯、商業及科研應用的關鍵技術。機器學習使得計算系統能夠自動學習如何通過數據中提取的信息執行目標任務。機器學習現已成為當下最熱門的研究領域之一，也是加州理工學院15個不同專業的本科生和研究生的研修課程。本課程在理論和實踐中保持平衡，並涵蓋了數學與啟發式方法。
Pattern Recognition and Machine Learning
這本書是機器學習的神作之一，必讀經典！
人工智慧
Artificial Intelligence: A Modern Approach
《Artificial Intelligence: A Modern Approach》以詳盡和豐富的資料，從理性智能體的角度，全面闡述了人工智慧領域的核心內容，並深入介紹了各個主要的研究方向，是一本難得的綜合性教材。
Artificial Intelligence for Humans
這本書闡釋了基本的人工智慧演算法，如維度、距離度量、聚類、誤差計算和線性回歸等，用了豐富的案例進行闡釋。需要較好的數學基礎。
Paradigm of Artificial Intelligence Programming
本書介紹了出色的編程範式和基本的AI理論，是致力於人工智慧領域的小夥伴的必讀之作。
Artificial Intelligence: A New Synthesis
本書提出了統一人工智慧理論的新的集成方法，涵蓋了諸如神經網路，計算機視覺，啟發式搜索，貝葉斯網路等。進階選手必讀。
The Emotion Machine: Commonsense Thinking, Artificial Intelligence and the Future of Human Mind
在這部讓人腦洞大開的圖書中，科技先鋒馬文·明斯基繼續了他極具創造力的研究，給我們呈現了一個全新的不可思議的人類大腦運轉模式。
Artificial Intelligence (3rd Edition)
這是一本關於人工智慧的入門書。沒有編程基礎的人也可以很容易地理解其中的解釋和概念。化繁為簡，但也包含了高層次的人工智慧領域的探討。

Ⅱ 大數據挖掘的演算法有哪些

大數據挖掘的演算法：
1.樸素貝葉斯，超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑒別模型收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。
2. Logistic回歸，LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型。如果你想要一些概率信息或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。
3.決策樹，DT容易理解與解釋。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題，DT的主要缺點是容易過擬合，這也正是隨機森林等集成學習演算法被提出來的原因。
4.支持向量機，很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。

如果想要或許更多更詳細的訊息，建議您去參加CDA數據分析課程。大數據分析師現在有專業的國際認證證書了，CDA，即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證， 旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。 「CDA 數據分析師」具體指在互聯網、金融、零售、咨詢、電信、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、 提供決策的新型數據分析人才。點擊預約免費試聽課。

Ⅲ 機器學習中常用的方法有什麼

機器學習中常用的方法有LR，SVM，集成學習，貝葉斯

Ⅳ 關於機器學習應用不得不思考哪些問題

機器學習是一種能夠賦予機器學習的能力以此讓它完成直接編程無法完成的功能的方法。但從實踐的意義上來說，機器學習是一種通過利用數據，訓練出模型，然後使用模型預測的一種方法。

讓我們具體看一個例子。

圖4房價的例子

拿國民話題的房子來說。現在我手裡有一棟房子需要售賣，我應該給它標上多大的價格？房子的面積是100平方米，價格是100萬，120萬，還是140萬？

很顯然，我希望獲得房價與面積的某種規律。那麼我該如何獲得這個規律？用報紙上的房價平均數據么？還是參考別人面積相似的？無論哪種，似乎都並不是太靠譜。

我現在希望獲得一個合理的，並且能夠最大程度的反映面積與房價關系的規律。於是我調查了周邊與我房型類似的一些房子，獲得一組數據。這組數據中包含了大大小小房子的面積與價格，如果我能從這組數據中找出面積與價格的規律，那麼我就可以得出房子的價格。

對規律的尋找很簡單，擬合出一條直線，讓它「穿過」所有的點，並且與各個點的距離盡可能的小。

通過這條直線，我獲得了一個能夠最佳反映房價與面積規律的規律。這條直線同時也是一個下式所表明的函數：房價=面積*a+b

上述中的a、b都是直線的參數。獲得這些參數以後，我就可以計算出房子的價格。

假設a=0.75,b=50，則房價=100*0.75+50=125萬。這個結果與我前面所列的100萬，120萬，140萬都不一樣。由於這條直線綜合考慮了大部分的情況，因此從「統計」意義上來說，這是一個最合理的預測。

在求解過程中透露出了兩個信息：

1.房價模型是根據擬合的函數類型決定的。如果是直線，那麼擬合出的就是直線方程。如果是其他類型的線，例如拋物線，那麼擬合出的就是拋物線方程。機器學習有眾多演算法，一些強力演算法可以擬合出復雜的非線性模型，用來反映一些不是直線所能表達的情況。

2.如果我的數據越多，我的模型就越能夠考慮到越多的情況，由此對於新情況的預測效果可能就越好。這是機器學習界「數據為王」思想的一個體現。一般來說(不是絕對)，數據越多，最後機器學習生成的模型預測的效果越好。

通過我擬合直線的過程，我們可以對機器學習過程做一個完整的回顧。首先，我們需要在計算機中存儲歷史的數據。接著，我們將這些數據通過機器學習演算法進行處理，這個過程在機器學習中叫做「訓練」，處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為「模型」。對新數據的預測過程在機器學習中叫做「預測」。「訓練」與「預測」是機器學習的兩個過程，「模型」則是過程的中間輸出結果，「訓練」產生「模型」，「模型」指導「預測」。

Ⅳ 超大規模圖神經網路系統真的可以實現賦予機器常識嗎

機器學習是人工智慧的一個分支。

人工智慧的研究歷史有著一條從以「推理」為重點，到以「知識」為重點，再到以「學習」為重點的自然、清晰的脈絡。

機器學習是實現人工智慧的一個途徑，即以機器學習為手段解決人工智慧中的問題。

隨著越來越多的這類技術變得成熟，機器將會在各種各樣的任務上超越人類。

那麼，機器是否可以理解自己呢？甚至機器是否可以設計和編碼自己本身呢？

可以想像一下，一旦機器做到這一步，那將會帶來什麼樣的顛覆。

Google Brain團隊在探索這個領域，他們稱之為「自動機器學習」方向。

頂尖的人工智慧專家們發現，設計機器學習系統本身這樣一個他們最困難的工作之一，也有可能通過AI系統自動完成。

甚至在一些場景下，AI系統自己開發的AI系統已經趕上甚至超過了人類專家。

國外著名科技記者 Steven Levy 在他刊於 BackChannel 的文章《谷歌如何將自己重塑為一家「機器學習為先」的公司》中提到，谷歌大腦負責人 Jeff Dean 表示，如果現在讓他改寫谷歌的基礎設施，大部分代碼都不會由人編碼，而將由機器學習自動生成。

學術界也有相關研究，伯克利的 Ke Li 和 Jitendra Malik 在他們日前提交的論文《Learning to Optimize》中提出了讓演算法自我優化的方法。

他們在論文摘要中寫道，「演算法設計是一個費力的過程，通常需要許多迭代的思想和驗證。 在本文中，我們探討自動化演算法設計，並提出了一種方法學習自動優化演算法」。

從強化學習的角度入手，Ke Li 和 Jitendra Malik 使用指導性策略搜索來讓 AI 學習優化演算法，並且證明了他們所設計的演算法在收斂速度和/或最終目標值方面優於現有的手工編程開發的演算法。

Ⅵ pso的演算法結構

對微粒群演算法結構的改進方案有很多種，對其可分類為：採用多個子種群；改進微粒學習對象的選取策略；修改微粒更新迭代公式；修改速度更新策略；修改速度限制方法、位置限制方法和動態確定搜索空間；與其他搜索技術相結合；以及針對多模問題所作的改進。
第一類方案是採用多個子種群。柯晶考慮優化問題對收斂速度和尋優精度的雙重要求並借鑒多群體進化演算法的思想，將尋優微粒分成兩組，一組微粒採用壓縮因子的局部模式PSO演算法，另一組微粒採用慣性權重的全局模式PSO演算法，兩組微粒之間採用環形拓撲結構。對於高維優化問題，PSO演算法需要的微粒個數很多，導致計算復雜度常常很高，並且很難得到好的解。因此，出現了一種協作微粒群演算法（Cooperative ParticleSwarm Optimizer, CPSO-H），將輸入向量拆分成多個子向量，並對每個子向量使用一個微粒群來進行優化。雖然CPSO-H演算法使用一維群體來分別搜索每一維，但是這些搜索結果被一個全局群體集成起來之後，在多模問題上的性能與原始PSO演算法相比有很大的改進。Chow使用多個互相交互的子群，並引入相鄰群參考速度。馮奇峰提出將搜索區域分區，使用多個子群並通過微粒間的距離來保持多樣性。陳國初將微粒分成飛行方向不同的兩個分群，其中一分群朝最優微粒飛行，另一分群微粒朝相反方向飛行；飛行時，每一微粒不僅受到微粒本身飛行經驗和本分群最優微粒的影響，還受到全群最優微粒的影響。Niu在PSO演算法中引入主—從子群模式，提出一種多種群協作PSO演算法。Seo提出一種多組PSO演算法（Multigrouped PSO），使用N組微粒來同時搜索多模問題的N個峰。Selleri使用多個獨立的子群，在微粒速度的更新方程中添加了一些新項，分別使得微粒向子群歷史最優位置運動，或者遠離其他子群的重心。王俊年借鑒遞階編碼的思想，構造出一種多種群協同進化PSO演算法。高鷹借鑒生態學中環境和種群競爭的關系，提出一種基於種群密度的多種群PSO演算法。
第二類方案是改進微粒學習對象的選取策略。Al-kazemi提出多階段PSO演算法，將微粒按不同階段的臨時搜索目標分組，這些臨時目標允許微粒向著或背著它自己或全局最好位置移動。Ting對每個微粒的pBest進行操作，每一維從其他隨機確定的維度學習，之後如果新的pBest更好則替換原pBest；該文還比較了多種不同學習方式對應的PSO演算法的性能。Liang提出一種新穎的學習策略CLPSO，利用所有其他微粒的歷史最優信息來更新微粒的速度；每個微粒可以向不同的微粒學習，並且微粒的每一維可以向不同的微粒學習。該策略能夠保持群體的多樣性，防止早熟收斂，可以提高PSO演算法在多模問題上的性能；通過實驗將該演算法與其它幾種PSO演算法的變種進行比較，實驗結果表明該演算法在解決多模復雜問題時效果很好。Zhao在PSO演算法中使用適應值最好的n個值來代替速度更新公式中的gBest。Abdelbar提出一種模糊度量，從而使得每個鄰域中有多個適應值最好的微粒可以影響其它微粒。Wang也採用多個適應值最好的微粒信息來更新微粒速度，並提出一種模糊規則來自適應地確定參數。崔志華提出一種動態調整的改進PSO演算法，在運行過程中動態調整極限位置，使得每個微粒的極限位置在其所經歷的最好位置與整體最好位置所形成的動態圓中分布。與原始PSO演算法相反，有一類方法是遠離最差位置而非飛向最優位置。Yang提出在演算法中記錄最差位置而非最優位置，所有微粒都遠離這些最差位置。與此類似，Leontitsis在微粒群演算法中引入排斥子的概念，在使用個體最優位置和群體最優位置信息的同時，在演算法中記錄當前的個體最差位置和群體最差位置，並利用它們將微粒排斥到最優位置，從而讓微粒群更快地到達最優位置。孟建良提出一種改進的PSO演算法，在進化的初期，微粒以較大的概率向種群中其他微粒的個體最優學習；在進化後期，微粒以較大的概率向當前全局最優個體學習。Yang在PSO演算法中引入輪盤選擇技術來確定gBest，使得所有個體在進化早期都有機會引領搜索方向，從而避免早熟。
第三類方案是修改微粒更新公式。Hendtlass在速度更新方程中給每個微粒添加了記憶能力。He在速度更新方程中引入被動聚集機制。曾建潮通過對PSO演算法的速度進化迭代方程進行修正，提出一種保證全局收斂的隨機PSO演算法。Zeng在PSO演算法中引入加速度項，使得PSO演算法從一個二階隨機系統變為一個三階隨機系統，並使用PID控制器來控制演算法的演化。為了改進PSO演算法的全局搜索能力，Ho提出一種新的微粒速度和位置更新公式，並引入壽命（Age）變數。
第四類方案是修改速度更新策略。Liu認為過於頻繁的速度更新會弱化微粒的局部開采能力並減慢收斂，因此提出一種鬆弛速度更新（RVU）策略，僅當微粒使用原速度不能進一步提高適應值時才更新速度，並通過試驗證明該策略可以大大減小計算量並加速收斂。羅建宏對同步模式和非同步模式的PSO演算法進行了對比研究，試驗結果表明非同步模式收斂速度顯著提高，同時尋優效果更好。Yang在微粒的更新規則中引入感情心理模型。Liu採用一個最小速度閾值來控制微粒的速度，並使用一個模糊邏輯控制器來自適應地調節該最小速度閾值。張利彪提出了對PSO演算法增加更新概率，對一定比例的微粒並不按照原更新公式更新，而是再次隨機初始化。Dioan利用遺傳演算法（GA）來演化PSO演算法的結構，即微粒群中各微粒更新的順序和頻率。
第五類方案是修改速度限制方法、位置限制方法和動態確定搜索空間。Stacey提出一種重新隨機化速度的速度限制和一種重新隨機化位置的位置限制。Liu在[76]的基礎上，在PSO演算法中引入動量因子，來將微粒位置限制在可行范圍內。陳炳瑞提出一種根據微粒群的最佳適應值動態壓縮微粒群的搜索空間與微粒群飛行速度范圍的改進PSO演算法。
第六類方案是通過將PSO演算法與一些其他的搜索技術進行結合來提高PSO演算法的性能，主要目的有二，其一是提高種群多樣性，避免早熟；其二是提高演算法局部搜索能力。這些混合演算法包括將各種遺傳運算元如選擇、交叉、變異引入PSO演算法，來增加種群的多樣性並提高逃離局部最小的能力。Krink通過解決微粒間的沖突和聚集來增強種群多樣性，提出一種空間擴展PSO演算法（Spatial ExtensionPSO，SEPSO）；但是SEPSO演算法的參數比較難以調節，為此Monson提出一種自適應調節參數的方法。用以提高種群多樣性的其他方法或模型還包括「吸引—排斥」、捕食—被捕食模型、耗散模型、自組織模型、生命周期模型（LifeCycle model）、貝葉斯優化模型、避免沖突機制、擁擠迴避（Crowd Avoidance）、層次化公平競爭（HFC）、外部記憶、梯度下降技術、線性搜索、單純形法運算元、爬山法、勞動分工、主成分分析技術、卡爾曼濾波、遺傳演算法、隨機搜索演算法、模擬退火、禁忌搜索、蟻群演算法（ACO）、人工免疫演算法、混沌演算法、微分演化、遺傳規劃等。還有人將PSO演算法在量子空間進行了擴展。Zhao將多主體系統（MAS）與PSO演算法集成起來，提出MAPSO演算法。Medasani借鑒概率C均值和概率論中的思想對PSO演算法進行擴展，提出一種概率PSO演算法，讓演算法分勘探和開發兩個階段運行。
第七類方案專門針對多模問題，希望能夠找到多個較優解。為了能使PSO演算法一次獲得待優化問題的多個較優解，Parsopoulos使用了偏轉（Deflection）、拉伸（Stretching）和排斥（Repulsion）等技術，通過防止微粒運動到之前已經發現的最小區域，來找到盡可能多的最小點。但是這種方法會在檢測到的局部最優點兩端產生一些新的局部最優點，可能會導致優化演算法陷入這些局部最小點。為此，Jin提出一種新的函數變換形式，可以避免該缺點。基於類似思想，熊勇提出一種旋轉曲面變換方法。
保持種群多樣性最簡單的方法，是在多樣性過小的時候，重置某些微粒或整個微粒群。Lvbjerg在PSO演算法中採用自組織臨界性作為一種度量，來描述微粒群中微粒相互之間的接近程度，來確定是否需要重新初始化微粒的位置。Clerc提出了一種「Re-Hope」方法，當搜索空間變得相當小但是仍未找到解時（No-Hope），重置微粒群。Fu提出一種帶C-Pg變異的PSO演算法，微粒按照一定概率飛向擾動點而非Pg。赫然提出了一種自適應逃逸微粒群演算法，限制微粒在搜索空間內的飛行速度並給出速度的自適應策略。
另一種變種是小生境PSO演算法，同時使用多個子種群來定位和跟蹤多個最優解。Brits還研究了一種通過調整適應值計算方式的方法來同時找到多個最優解。Li在PSO演算法中引入適應值共享技術來求解多模問題。Zhang在PSO演算法中採用順序生境（SequentialNiching）技術。在小生境PSO演算法的基礎上，還可以使用向量點積運算來確定各個小生境中的候選解及其邊界，並使該過程並行化，以獲得更好的結果。但是，各種小生境PSO演算法存在一個共同的問題，即需要確定一個小生境半徑，且演算法性能對該參數很敏感。為解決該問題，Bird提出一種自適應確定niching參數的方法。
Hendtlass在PSO演算法中引入短程力的概念，並基於此提出一種WoSP演算法，可以同時確定多個最優點。劉宇提出一種多模態PSO演算法，用聚類演算法對微粒進行聚類，動態地將種群劃分成幾個類，並且使用微粒所屬類的最優微粒而非整個種群的最好微粒來更新微粒的速度，從而可以同時得到多個近似最優解。Li在PSO演算法中引入物種的概念，但是由於其使用的物種間距是固定的，該方法只適用於均勻分布的多模問題；為此，Yuan對該演算法進行擴展，採用多尺度搜索方法對物種間距加以自適應的調整。
此外，也有研究者將PSO演算法的思想引入其他演算法中，如將PSO演算法中微粒的運動規則嵌入到進化規劃中，用PSO演算法中的運動規則來替代演化演算法中交叉運算元的功能。

Ⅶ 海洋環境數據集成

2.2.3.1 基於元數據的海洋數據集成

地理空間數據的元數據是指地理空間相關數據集和信息資源的描述信息，它是對空間特徵的概括和抽取。元數據信息可提供空間數據集的特徵資料，數據用戶可據此來確定該數據的名稱、來源、組織結構、適用范圍等。而地理空間元數據是關於數據的數據，在地理空間信息中用於描述地理空間數據集的內容、質量、表示方式、空間參考、管理方式以及數據集的其他特徵，是實現地理空間信息共享的核心標准之一。地理空間元數據目前的一個典型應用就是利用互聯網進行地理信息的查詢和檢索。拓展開來，利用地理空間元數據可以建立空間信息的數據目錄和數據交換中心，利用這些元數據，用戶可以發現、獲取、理解相關的空間數據及其服務信息(梅琨，邊馥苓，2006; 陳述彭等，1999)。因而，可以認為地理空間元數據是地理空間信息服務的基礎。

目前對 WebGIS 中元數據的研究多數停留在理論研究上，從系統開發實踐的角度，對系統分析、設計和應用中的元數據的應用研究還存在明顯的不足。要從根本上解決服務動態智能組合實現困難，本研究認為 Web 服務注冊標准及細粒度封裝是很有必要的。可以從源頭上解決服務調用過程中會出現的種種問題。解決服務動態智能組合實現困難，首先要從服務的源頭開始標准化，用戶注冊自己的服務，要遵循一定的標准，即，輸入的元數據信息的內容和格式要嚴格按照一定的標准，對於 GIS 服務，要遵照 GIS 領域的標准來注冊。強制服務注冊用戶按標准來發布服務，可以實現同類型服務的統一，便於開發用戶在使用服務時，動態調用和智能組合(王方雄等，2005; 張佩雲等，2007; 陳哲強等，2007)。

基於元數據的分布式共享框架不足之處，在於實現了具有相同數據模型和結果的異地讀取，即只是一種異地同質數據的共享，還不能實現異地異質數據的共享，也不能把發布在異地的數據一體化，更不能解決資料庫的無縫組織問題。雖然這種分布式空間資料庫在數據轉換方面有一些不足，但卻是目前 GIS 海量數據共享的比較好的解決方案之一。因為該種方式利於數據的獨立性，使用戶看到一個完整的內容，邏輯統一的資料庫，可以方便地訪問任何數據，而不需要知道數據實際的物理存儲，符合地理數據分布的特點(陳愛軍等，2002)。

2.2.3.2 海洋環境數據集成模式

在海洋時空數據的廣泛應用中，存儲格式的多樣性是多源海洋時空數據集成的瓶頸，目前對於格式不同的多源海洋環境數據，主要有如下集成模式。

(1)數據格式轉換模式: 在這種模式下，其他數據格式經專門的數據轉換程序進行格式轉換後，復制到當前系統中的資料庫或文件中。

(2)數據互操作模式: 該模式是 Open GIS Consortium(OGC)制定的規范。OGC 是為了發展開放式地理數據系統、研究地學空間信息標准化以及處理方法的一個非營利組織。空間數據互操作是指在異構資料庫和分布計算的情況下，用戶在相互理解的基礎上，能透明地獲取所需的空間信息。OGC 為數據互操作制定了統一的規范，從而使得一個系統同時支持不同的空間數據格式成為可能。根據 OGC 頒布的規范，可以把提供數據源的軟體稱為數據伺服器(Data Servers)，把使用數據的軟體稱為數據客戶(Data Clients)，數據客戶使用某種數據的過程就是發出數據請求，由數據伺服器提供服務的過程，其最終目是使數據客戶能讀取任意數據伺服器提供的空間數據。OGC 規范基於 OMG 的 CORBA、Mi-crosoft 的 OLE/COM 以及 SQL 等，為實現不同平台間伺服器和客戶端之間數據請求和服務提供了統一的協議。OGC 規范得到 OMG 和 ISO 的承認，從而逐漸成為一種國際標准，將被越來越多的 GIS 軟體以及研究者所接受和採納。目前，還沒有商業化 GIS 軟體完全支持這一規范。

(3)海洋時空數據的直接訪問模式: 直接數據訪問指在一個軟體平台中實現對其他軟體數據格式的直接訪問，用戶可以使用單個軟體存取多種數據格式。直接數據訪問不僅避免了繁瑣的數據轉換，而且在一個軟體中訪問某種軟體的數據格式不要求用戶擁有該數據格式的宿主軟體，更不需要該軟體運行。直接數據訪問提供了一種更為經濟實用的多源海洋時空數據集成模式。劉志強等(2005)提出了網路環境下實現多源地理空間數據集成的方法———基於空間元數據的分布式部件方法，該方法借鑒了 ODBC 數據集成的思想，以數據集成中間件的形式屏蔽多源地理空間數據的異構性，有效地解決了地理數據集成過程中的地理數據位置透明性和存儲格式問題，其分布式部件可以位於不同的數據伺服器上，提供一定的數據互操作能力。但是該數據集成中間件要根據數據格式的不同調用不同的設計獲取部件，容易造成集成中間件的龐大。解決多格式數據集成和共享一直是近年來GIS 應用系統開發中需要解決的重大問題，也是海洋時空數據應用亟待解決的問題。

2.2.3.3 基於地理本體的海洋數據集成

由於目前對空間數據語義的形式化表達存在諸多缺陷，從而影響了基於語義的 GIS 空間數據集成。而本體作為共享概念模型的明確的形式化規范說明，能夠提供與數據有關的概念模型或學科感知的信息，並形式化地描述領域知識、共享詞彙和詞彙間相互關系。同時，由於本體與數據可以分別存儲在不同的結構中，並通過映射方法建立與數據的聯系，既可以為數據提供形式化語義，又避免了為語義上同類的數據提供相同語義描述所帶來的冗餘，還可以與多個不同的數據集合建立映射關系，從而實現了本體的重用。因此，傳統的資料庫和信息集成領域已有許多學者提出了基於本體的語義集成方法。GIS 領域，國際上也已經有些學者提出了基於本體的地理空間數據集成方法。

針對海岸帶及近海空間數據的多語義、多源、多尺度和時空多變的復雜特性，在分析國際上關於基於本體的地理空間數據集成方法的基礎上，王敬貴(2005)提出了基於地理本體的多源空間數據集成方法，並把問題具體到海岸帶及近海領域進行方法和關鍵技術的研究。該方法從空間數據生產過程的概念模型入手，首先建立對應於多源空間數據各自的本體模型(概念模型)，進而進行不同本體模型的集成，然後通過本體模型到底層數據模型之間的映射關系，實現從海岸帶及近海多源空間數據從語義到物理層數據的有效集成。

圖 2.4 示出基於本體的海岸及近海空間數據集成的示意圖。圖中由豎虛線分開的右半部分表示從客觀世界到底層數據世界的抽象過程，左半部分是在這一抽象過程之上的數據集成方法。由橫線分割開的兩部分分別表示兩種不同的集成體系。其中下半部分反映的是現有的 GIS 空間數據集成思路和策略，即從數據本身的邏輯和物理模型出發開展集成理論和具體方法，正如所述。在此所提出的方法則由把這兩個部分(橫虛線分割的兩部分)統一起來進行數據的集成，採用自上而下的思路先完成數據對應的本體模型的集成，再結合自下而上的數據自身的集成方法，最終實現空間數據完全集成。

圖 2.4 基於本體的海岸帶及海洋空間數據集成示意圖

2.2.3.4 集成總體框架

如圖 2.5 所示，基於上述的技術思路，在這里給出基於地理本體的多源空間數據集成的總體框架。這種數據集成方法以數據所對應的本體集成為前提，在本體集成的基礎上派生出多源數據之間的數據映射關系和操作關系，從而通過概念的映射和數據的各種操作轉換實現集成。

圖 2.5 中，虛線左邊的部分是地理本體的集成流程，右邊部分是以本體驅動的數據集成流程。其中左邊關於本體的集成流程主要有以下幾步驟:

首先，分析存儲在海岸帶及近海綜合資料庫中的多源數據和空間數據文件，對來自不同領域數據生產者的數據進行信息本體模型的建立; 由於數據生產者的領域背景和應用目的相同，導致各自所獲取數據所隱含的信息本體模型也各不相同，因此會有多個不同的信息本體模型對應於底層的資料庫或者數據文件。

其次，從集成的角度對海岸帶及近海進行集成角度下對客觀世界的抽象模式，針對集成應用目標，結合海岸帶及海洋的領域知識和相應地領域模型，構建海岸帶及近海的標准本體; 然後，把底層數據的信息本體模型分別與標準的本體模型進行概念和語義的匹配分析，在共享術語表和公共的屬性模板下實現本體的集成過程。

具體的本體集成是將兩個本體中的所有概念進行比較並確立它們之間關系，然後將這些概念及其關系重新定義為標准本體的過程。圖 2.5 中右邊關於數據集成流程的部分主要有以下步驟:

圖 2.5 基於本體的空間數據集成總體框架

首先，根據本體集成過程中建立的數據信息本體模型與標准本體模型中各個概念之間的關系，確立與各本體中概念相關聯的數據類或者數據文件轉換到集成本體的數據集所需要的操作集合(分割、合並等);

其次，根據在本體建模時構建的本體轉換器，進行相應的數據抽取;

然後，把這些抽取出來的多個數據集按照操作集合給出的演算法進行模型運算從而生成滿足集成本體抽象模式的集成資料庫。

數據類的轉換包括不同類之間的直接轉換、多個類融合轉換為一個新類、一個類的多個子類轉換為多個新類或多個新類的子類等情況。最後的這個環節還需參考現有的 GIS 模式集成具體演算法。

這種基於地理本體的空間數據集成方法系一種新的研究思路，由於地理本體通過對地理概念及其關系的形式化表達，為資料庫中的數據提供豐富的形式化語義，通過用戶集成本體和數據生產者信息本體的比較或匹配提取需要的數據集，並結合地學表達和各種應用分析方法，根據需要靈活組合以完成具體應用目標。本體模型實現了知識重用和共享，也是不同信息群體間進行信息交流和通訊的有效途徑，從而完成語義的互操作。

Ⅷ 大數據時代的數據怎麼挖掘

3月13日下午，南京郵電大學計算機學院、軟體學院院長、教授李濤在CIO時代APP微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。

眾所周知，大數據時代的大數據挖掘已成為各行各業的一大熱點。
一、數據挖掘
在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵，數據挖掘可以說是大數據最關鍵也是最基本的工作。通常而言，數據挖掘也稱為DataMining，或知識發現Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。
不同的學者對數據挖掘有著不同的理解，但個人認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論演算法和應用實踐的完美結合。數據挖掘源於實際生產生活中應用的需求，挖掘的數據來自於具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自於應用實踐，同時也服務於應用實踐，數據是根本，數據挖掘應以數據為導向，其中涉及到演算法的設計與開發都需考慮到實際應用的需求，對問題進行抽象和泛化，將好的演算法應用於實際中，並在實際中得到檢驗。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是演算法分析和應用，而是一個包含數據准備和管理、數據預處理和轉換、挖掘演算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。
3.集合性（A Collection of Functionalities）：數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的演算法支撐。
4.交叉性（An Interdisciplinary Field）：數據挖掘是一門交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智慧、信息檢索、資料庫等諸多不同領域的研究成果和學術思想。同時一些其他領域如隨機演算法、資訊理論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重於應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別於其他學科的關鍵，同時，其應用特性與其他特性相輔相成，這些特性在一定程度上決定了數據挖掘的研究與發展，同時，也為如何學習和掌握數據挖掘提出了指導性意見。如從研究發展來看，實際應用的需求是數據挖掘領域很多方法提出和發展的根源。從最開始的顧客交易數據分析（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私保護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用推動的。工程性和集合性決定了數據挖掘研究內容和方向的廣泛性。其中，工程性使得整個研究過程里的不同步驟都屬於數據挖掘的研究范疇。而集合性使得數據挖掘有多種不同的功能，而如何將多種功能聯系和結合起來，從一定程度上影響了數據挖掘研究方法的發展。比如，20世紀90年代中期，數據挖掘的研究主要集中在關聯規則和時間序列模式的挖掘。到20世紀90年代末，研究人員開始研究基於關聯規則和時間序列模式的分類演算法（如classification based on association），將兩種不同的數據挖掘功能有機地結合起來。21世紀初，一個研究的熱點是半監督學習（semi-supervised learning）和半監督聚類（semi-supervised clustering），也是將分類和聚類這兩種功能有機結合起來。近年來的一些其他研究方向如子空間聚類（subspace clustering）（特徵抽取和聚類的結合）和圖分類（graph classification）（圖挖掘和分類的結合）也是將多種功能聯系和結合在一起。最後，交叉性導致了研究思路和方法設計的多樣化。
前面提到的是數據挖掘的特性對研究發展及研究方法的影響，另外，數據挖掘的這些特性對如何學習和掌握數據挖掘提出了指導性的意見，對培養研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目的，業務和演算法、技術的緊密結合非常重要，了解業務、把握需求才能有針對性地對數據進行分析，挖掘其價值。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘演算法的人才。工程性決定了要掌握數據挖掘需有一定的工程能力，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理大規模數據和開發原型系統的能力，這相當於在培養數據挖掘工程師時，對數據的處理能力和編程能力很重要。集合性使得在具體應用數據挖掘時，要做好底層不同功能和多種演算法積累。交叉性決定了在學習數據挖掘時要主動了解和學習相關領域的思想和技術。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和學習數據挖掘。
二、大數據的特徵
大數據（bigdata）一詞經常被用以描述和指代信息爆炸時代產生的海量信息。研究大數據的意義在於發現和理解信息內容及信息與信息之間的聯系。研究大數據首先要理清和了解大數據的特點及基本概念，進而理解和認識大數據。
研究大數據首先要理解大數據的特徵和基本概念。業界普遍認為，大數據具有標準的「4V」特徵：
1.Volume（大量）：數據體量巨大，從TB級別躍升到PB級別。
2.Variety（多樣）：數據類型繁多，如網路日誌、視頻、圖片、地理位置信息等。
3.Velocity（高速）：處理速度快，實時分析，這也是和傳統的數據挖掘技術有著本質的不同。
4.Value（價值）：價值密度低，蘊含有效價值高，合理利用低密度價值的數據並對其進行正確、准確的分析，將會帶來巨大的商業和社會價值。
上述「4V」特點描述了大數據與以往部分抽樣的「小數據」的主要區別。然而，實踐是大數據的最終價值體現的唯一途徑。從實際應用和大數據處理的復雜性看，大數據還具有如下新的「4V」特點：
5.Variability（變化）：在不同的場景、不同的研究目標下數據的結構和意義可能會發生變化，因此，在實際研究中要考慮具體的上下文場景（Context）。
6.Veracity（真實性）：獲取真實、可靠的數據是保證分析結果准確、有效的前提。只有真實而准確的數據才能獲取真正有意義的結果。
7.Volatility（波動性）/Variance（差異）：由於數據本身含有噪音及分析流程的不規范性，導致採用不同的演算法或不同分析過程與手段會得到不穩定的分析結果。
8.Visualization（可視化）：在大數據環境下，通過數據可視化可以更加直觀地闡釋數據的意義，幫助理解數據，解釋結果。
綜上所述，以上「8V」特徵在大數據分析與數據挖掘中具有很強的指導意義。
三、大數據時代下的數據挖掘
在大數據時代，數據挖掘需考慮以下四個問題：
大數據挖掘的核心和本質是應用、演算法、數據和平台4個要素的有機結合。
因為數據挖掘是應用驅動的，來源於實踐，海量數據產生於應用之中。需用具體的應用數據作為驅動，以演算法、工具和平台作為支撐，最終將發現的知識和信息應用到實踐中去，從而提供量化的、合理的、可行的、且能產生巨大價值的信息。
挖掘大數據中隱含的有用信息需設計和開發相應的數據挖掘和學習演算法。演算法的設計和開發需以具體的應用數據作為驅動，同時在實際問題中得到應用和驗證，而演算法的實現和應用需要高效的處理平台，這個處理平台可以解決波動性問題。高效的處理平台需要有效分析海量數據，及時對多元數據進行集成，同時有力支持數據化對演算法及數據可視化的執行，並對數據分析的流程進行規范。
總之，應用、演算法、數據、平台這四個方面相結合的思想，是對大數據時代的數據挖掘理解與認識的綜合提煉，體現了大數據時代數據挖掘的本質與核心。這四個方面也是對相應研究方面的集成和架構，這四個架構具體從以下四個層面展開：
應用層（Application）：關心的是數據的收集與演算法驗證，關鍵問題是理解與應用相關的語義和領域知識。
數據層（Data）：數據的管理、存儲、訪問與安全，關心的是如何進行高效的數據使用。
演算法層（Algorithm）：主要是數據挖掘、機器學習、近似演算法等演算法的設計與實現。
平台層（Infrastructure）：數據的訪問和計算，計算平台處理分布式大規模的數據。
綜上所述，數據挖掘的演算法分為多個層次，在不同的層面有不同的研究內容，可以看到目前在做數據挖掘時的主要研究方向，如利用數據融合技術預處理稀疏、異構、不確定、不完整以及多來源數據；挖掘復雜動態變化的數據；測試通過局部學習和模型融合所得到的全局知識，並反饋相關信息給預處理階段；對數據並行分布化，達到有效使用的目的。
四、大數據挖掘系統的開發
1.背景目標
大數據時代的來臨使得數據的規模和復雜性都出現爆炸式的增長，促使不同應用領域的數據分析人員利用數據挖掘技術對數據進行分析。在應用領域中，如醫療保健、高端製造、金融等，一個典型的數據挖掘任務往往需要復雜的子任務配置，整合多種不同類型的挖掘演算法以及在分布式計算環境中高效運行。因此，在大數據時代進行數據挖掘應用的一個當務之急是要開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
之前提到一個數據挖掘有多種任務、多種功能及不同的挖掘演算法，同時，需要一個高效的平台。因此，大數據時代的數據挖掘和應用的當務之急，便是開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
2.相關產品
現有的數據挖掘工具
有Weka、SPSS和SQLServer，它們提供了友好的界面，方便用戶進行分析，然而這些工具並不適合進行大規模的數據分析，同時，在使用這些工具時用戶很難添加新的演算法程序。
流行的數據挖掘演算法庫
如Mahout、MLC++和MILK，這些演算法庫提供了大量的數據挖掘演算法。但這些演算法庫需要有高級編程技能才能進行任務配置和演算法集成。
最近出現的一些集成的數據挖掘產品
如Radoop和BC-PDM，它們提供友好的用戶界面來快速配置數據挖掘任務。但這些產品是基於Hadoop框架的，對非Hadoop演算法程序的支持非常有限。沒有明確地解決在多用戶和多任務情況下的資源分配。
3.FIU-Miner
為解決現有工具和產品在大數據挖掘中的局限性，我們團隊開發了一個新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一個用戶友好並支持在分布式環境中進行高效率計算和快速集成的數據挖掘系統。與現有數據挖掘平台相比，FIU-Miner提供了一組新的功能，能夠幫助數據分析人員方便並有效地開展各項復雜的數據挖掘任務。
與傳統的數據挖掘平台相比，它提供了一些新的功能，主要有以下幾個方面：
A.用戶友好、人性化、快速的數據挖掘任務配置。基於「軟體即服務」這一模式，FIU-Miner隱藏了與數據分析任務無關的低端細節。通過FIU-Miner提供的人性化用戶界面，用戶可以通過將現有演算法直接組裝成工作流，輕松完成一個復雜數據挖掘問題的任務配置，而不需要編寫任何代碼。
B.靈活的多語言程序集成。允許用戶將目前最先進的數據挖掘演算法直接導入系統演算法庫中，以此對分析工具集合進行擴充和管理。同時，由於FIU-Miner能夠正確地將任務分配到有合適運行環境的計算節點上，所以對這些導入的演算法沒有實現語言的限制。
C.異構環境中有效的資源管理。FIU-Miner支持在異構的計算環境中（包括圖形工作站、單個計算機、和伺服器等）運行數據挖掘任務。FIU-Miner綜合考慮各種因素（包括演算法實現、伺服器負載平衡和數據位置）來優化計算資源的利用率。
D.有效的程序調度和執行。
應用架構上包括用戶界面層、任務和系統管理層、邏輯資源層、異構的物理資源層。這種分層架構充分考慮了海量數據的分布式存儲、不同數據挖掘演算法的集成、多重任務的配置及系統用戶的交付功能。一個典型的數據挖掘任務在應用之中需要復雜的主任務配置，整合多種不同類型的挖掘演算法。因此，開發和建立這樣的計算平台和工具，支持應用領域的數據分析人員進行有效的分析是大數據挖掘中的一個重要任務。
FIU-Miner系統用在了不同方面：如高端製造業、倉庫智能管理、空間數據處理等，TerraFly GeoCloud是建立在TerraFly系統之上的、支持多種在線空間數據分析的一個平台。提供了一種類SQL語句的空間數據查詢與挖掘語言MapQL。它不但支持類SQL語句，更重要的是可根據用戶的不同要求，進行空間數據挖掘，渲染和畫圖查詢得到空間數據。通過構建空間數據分析的工作流來優化分析流程，提高分析效率。
製造業是指大規模地把原材料加工成成品的工業生產過程。高端製造業是指製造業中新出現的具有高技術含量、高附加值、強競爭力的產業。典型的高端製造業包括電子半導體生產、精密儀器製造、生物制葯等。這些製造領域往往涉及嚴密的工程設計、復雜的裝配生產線、大量的控制加工設備與工藝參數、精確的過程式控制制和材料的嚴格規范。產量和品質極大地依賴流程管控和優化決策。因此，製造企業不遺餘力地採用各種措施優化生產流程、調優控制參數、提高產品品質和產量，從而提高企業的競爭力。
在空間數據處理方面，TerraFly GeoCloud對多種在線空間數據分析。對傳統數據分析而言，其難點在於MapQL語句比較難寫，任務之間的關系比較復雜，順序執行之間空間數據分許效率較低。而FIU-Miner可有效解決以上三個難點。
總結而言，大數據的復雜特徵對數據挖掘在理論和演算法研究方面提出了新的要求和挑戰。大數據是現象，核心是挖掘數據中蘊含的潛在信息，並使它們發揮價值。數據挖掘是理論技術和實際應用的完美結合。數據挖掘是理論和實踐相結合的一個例子。

Ⅸ 計算機專業分類

目前我國計算機專業主要分為三大類：計算機基礎專業、與理工科交叉的計算機專業、與文科藝術類交叉的計算機專業。

1. 計算機基礎專業

專業要求與就業方向：這些專業不但要求學生掌握計算機基本理論和應用開發技術，具有一定的理論基礎，同時又要求學生具有較強的實際動手能力。學生畢業後能在企事業單位、政府部門從事計算機應用以及計算機網路系統的開發、維護等工作。

2. 與理工科交叉的計算機專業

與理工科交叉而衍生的計算機專業很多，如數學與應用數學專業、自動化專業、信息與計算科學專業、通信工程專業、電子信息工程專業、計算機應用與維護專業等。

1)數學與應用數學專業：

專業要求與就業方向：數學與應用數學是計算機專業的基礎和上升的平台，是與計算機科學與技術聯系最為緊密的專業之一。該專業就業面相對於計算機科學與技術專業來說寬得多，不但適用於IT 領域，也適用於數學領域。

2)自動化專業：

專業要求與就業方向：自動化專業是一個歸並了多個自動控制領域專業的寬口徑專業，要求學生掌握自動控制的基本理論，並立足信息系統和信息網路的控制這一新興應用領域制定專業課程體系，是工業製造業的核心專業。自動化專業的畢業生具有很強的就業基礎和優勢。

3)信息與計算科學專業：

專業要求與就業方向：這是一個由信息科學、計算數學、運籌與控制科學等交叉滲透而形成的專業，就業面涉及到教學、商業、網路開發、軟體設計等各個方面，就業率高達95%以上。

4)通信工程專業：

專業要求與就業方向：通信工程專業要求學生掌握通信基礎理論和基本基礎，掌握微波、無線電、多媒體等通信技術，以及電子和計算機技術，在信息時代有著極佳的就業優勢。

5)電子信息工程專業：

專業要求與就業方向：電子信息工程專業是寬口徑專業，主要培養信息技術、電子工程、網路系統集成等領域的高級IT 人才，畢業生可從事電子設備、信息系統和通信系統的研究、設計、製造、應用和開發工作。

(9)集成演算法思想擴展閱讀：

畢業生主要面向交通系統各單位、交通信息化與電子政務建設與應用部門、各類計算機專業化公司、廣告設計製作公司、汽車營銷技術服務等從事IT行業工作。

WEB應用程序設計專業

畢業後能夠從事網站應用程序開發、網站維護、網頁製作、軟體生產企業編碼、軟體測試、系統支持、軟體銷售、資料庫管理與應用、非IT企事業單位信息化。

可視化程序設計專業

畢業後能夠從事軟體企業桌面應用開發、軟體生產企業編碼、軟體測試、系統支持、軟體銷售、資料庫管理與應用開發等工作。

資料庫管理專業

畢業後能夠從事企、事業單位資料庫管理、軟體開發、專業資料庫應用設計與開發、資料庫的應用與開發、信息管理系統開發、企、事業單位網路管理、軟體銷售等工作。

多媒體應用專業

畢業後能夠從事計算機美工、動畫製作、影視編輯與製作、廣告設計與製作、多媒體綜合應用開發、多媒體課件製作等工作。

移動應用開發專業

畢業後能夠從事移動設備應用開發、嵌入式應用開發、移動網站開發、軟體生產企業編碼、軟體測試、系統支持、軟體銷售、企、事業單位信息管理、辦公自動化集成等工作。

電子政務軟體專業

能夠勝任基層政府部門、事業單位數字化政務管理系統的設計、維護與信息管理、辦公自動化集成、辦公室文員等工作。

軟體測試專業

畢業後能夠從事軟體測試、軟體編碼、IT企事業單位系統支持、非IT企事業單位信息化軟體銷售等工作。

物流信息技術專業

畢業後能夠勝任現代物流業信息管理，能在企事業單位從事物流系統設計、供應鏈管理、倉儲管理以及運輸等管理工作。

物流管理專業

畢業後能夠勝任全省各級企事業單位物流系統設計、供應鏈管理、倉儲管理以及運輸等管理工作等工作。

網路系統管理專業

畢業後能夠從事政府管理部門、經貿、金融、郵電、電子、學校、交通、社區以及應用計算機網路的有關行業，從事計算機網路系統的設計、維護、管理、從事網站開發與應用、網路安全管理、計算機軟硬體調試、安裝、計算機及網路產品營銷等工作。

計算機游戲專業

畢業後能夠從事網路游戲美術，網路游戲動漫設計，游戲概念/故事情節設計，網路游戲3D設計，網路游戲人物設計，網路游戲環境設計，網路游戲皮膚/紋理設計，網路游戲圖形開發，網路游戲測試，網路游戲音頻開發，游戲客戶端開發，游戲伺服器開發，游戲引擎開發，手機游戲策劃，手機游戲開發，手機游戲程序開發，手機游戲美工，手機游戲測試等工作。

計算機圖形/圖像製作專業

畢業後能夠從事廣告企業平面的設計與製作、網路企業網頁製作、企事業單位職員等工作。

目前，計算機專業在國內的高等院校中，以理工科的實力較強；以文科、綜合性高等院校為補充，基本上每所高等院校都設有這樣的專業；或者有這樣的專業人才。