课程简介
在人工智能迅速发展的今天，数据已成为驱动 AI 突破的核心要素。无论是大模型训练、数据驱动决策还是 AI4Science，如何高效管理复杂多源数据，都是 AI 时代学生不可或缺的底层能力。
本课程以数据库技术的发展为主线，系统介绍其在数据科学、数据工程与 Data+AI 中的核心作用与演进：
- 数据科学：通过数据处理、可视化与统计建模，学习如何从数据中发现规律、形成可信结论
- 数据工程：通过 SQL、查询优化与数据建模，学习如何将数据处理流程从实验环境推进到生产级系统
- Data+AI：通过 AI4Data 和 Data4AI，学习 AI 如何赋能数据库以及数据库如何反向支撑 AI 应用。
课程配有基于真实问题的实验与大作业，引导学生将课堂知识应用于实际场景，为后续科研与工程实践奠定基础。
教学内容
- · 数据库发展历史
- · 表格数据分析（Pandas）
- · 数据准备
- · 数据可视化
- · 数据统计
- · 数据驱动的机器学习
- · SQL 查询
- · 查询性能优化
- · 数据建模
- · 半结构化数据
- · LLM4Data
- · Data4LLM
评分标准
·
平时实验 (32%)：共计 8 次实验，每次占比 4%。
·
课程项目 (68%)： 选题汇报 (18%) + 项目汇报 (25%) + 项目成果 (25%，含报告、代码与视频)。
教学日历
| 周次 | 日期 | 教学主题 | 发布 | 截止 |
|---|---|---|---|---|
| 第 1 周 | 02-26 | 课程介绍与数据库历史 | A1 | — |
| 第 2 周 | 03-05 | Pandas I：基础数据操作 | A2 | — |
| 第 3 周 | 03-12 | Pandas II：高级数据操作 | — | A1 |
| 第 4 周 | 03-19 | 数据准备 I：结构化数据 | A3 | A2 |
| 第 5 周 | 03-26 | 数据准备 II：非结构化数据 | — | — |
| 第 6 周 | 04-02 | 数据可视化 | A4 | A3 |
| 第 7 周 | 04-09 | 数据统计 | — | — |
| 第 8 周 | 04-16 | 数据驱动的机器学习 | A5 | A4 |
| 第 9 周 | 04-23 | SQL I：基础查询 | — | 选题汇报 |
| 第 10 周 | 04-30 | 五一假期（不上课） | A6 | A5 |
| 第 11 周 | 05-07 | SQL II：高级查询 | — | — |
| 第 12 周 | 05-14 | 查询性能优化 | A7 | A6 |
| 第 13 周 | 05-21 | 数据建模 | — | — |
| 第 14 周 | 05-28 | 半结构化数据 | — | — |
| 第 15 周 | 06-04 | LLM4Data | A8 | A7 |
| 第 16 周 | 06-11 | Data4LLM | — | — |
| 第 17 周 | — | 课程总结与项目展示 | — |
A8
项目终审
|
注：表格支持左右滑动查看全部内容