当前已经是大数据时代，数据库课程不能没有大数据管理，这是技术发展的呼唤，也是提高教学质量、加强人才技术素质的迫切要求。融合传统数据库关键技术与大数据最新进展，是数据库课程改革的必然趋势。为此，本课程直面技术最新发展，总结多年教学实践，深度梳理知识结构，课程内容按顺序分为四大部分。第一部分是基本概念和基础知识，包括第一、二章，涉及数据库系统、大数据、数据模型等基本概念，为后面内容打基础。第二部分主要包括第三、四、五章，讲声明性语言(SQL)，及其在应用环境中与高级语言的混合编程，以及数据保护。第三部分是第六、七章讲数据库设计并融入大数据思维。第六章主要是ER设计以及转换为关系，所以也涉及了关系设计或者说目标也是关系设计，但方法主要是从实体及联系的角度来做的；第七章讲关系设计，主要是从数据依赖角度来做的，而数据依赖本质上就是属性及其联系。六七两章的目标是一致的，都是讲关系设计只是方法不同，并且大数据特征改变了原有数据库设计思想。第四部分是大数据新技术简介。

      主要特色包括：(1)以自然灾害应急系统/网络考试系统/智能推荐为案例，实施案例驱动的教学模式，技术最先进，概念最清晰。(2)在课程内容安排上，先讲语言，让学生通过上机使用，有直观了解，进而再讲设计，最后讲实现，由浅到深，由表及里，便于理解。(3)通过案例分析，解析传统数据库和大数据中数据管理技术的基本思想和特点，融合理论与实践，贯通技术思想与职业理念。(4)站在大数据管理的角度，讲述数据库设计和实现的新思想，在数据库设计和实现的讲述中融入大数据思维；针对各种数据密集系统的共性，讲述数据管理技术发展趋势，并对大数据管理进行简介。(5)以尽可能简单的例子凸显技术思想的本质。(6)纳入数据管理技术的最新发展，深度梳理课程知识点体系，研磨了与信息安全、操作系统、数据结构、组成原理等相关课程的关系，实现无缝平滑衔接。(7)特别是梳理了数据保护知识点体系；提出了数据管理的目标：安全、简单、高效地共享数据，并以此为线索贯穿全书内容，把知识碎片变得系统化，使得全书知识点有机融为一体。    

   循序渐进地融入大数据思维，讲述数据库应用、设计与实现技术，包括关系模型、数据保护、SQL语言与应用开发、数据库设计原理与大数据技术。帮助掌握数据管理的共性关键技术和方法，培养分析数据管理问题和解决数据管理问题的能力，为从事数据库系统、信息系统、Web系统、互联网+平台系统等数据库系统的研究、开发与应用奠定知识基础。

为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。

电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。

完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。

认证证书申请注意事项：

1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。

2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。

1、Html网页制作的简单基础。

2、Python、或C、或C++、或Java语言程序设计基础。

教材：

[1]MySQL：(ISBN：9787302560067)党德鹏. 数据库应用、设计与实现(第二版). 北京: 清华大学出版社, 2023.9

[2]SQLServer：(ISBN：9787302629498)党德鹏. 数据库系统原理与实践. 北京: 清华大学出版社, 2023.7

[3]PostgreSQL：(ISBN：9787302464037)党德鹏. 数据库应用、设计与实现. 北京: 清华大学出版社, 2017.3

参考文献：

[1]Yan R., Jiang X., Wang W., Dang D. et al. Materials information extraction via automatically generated corpus. Sci Data 9, 401，2022，Nature子刊.

[2]Shaofei Wang, Depeng Dang∗, "A Generative Answer Aggregation Model for Sentence-level Crowdsourcing Task," in IEEE Transactions on Knowledge and Data Engineering, doi: 10.1109/TKDE.2022.3142821,2023,SCI，CCF A

[3]Learning Enriched Features via Selective State Spaces Model for Efficient Image Deblurring，https://openreview.net/group?id=acmmm.org/ACMMM/2024/Conference#tab-accept-poster，ACMMM2024，CCF A

[4]Learning Optimal Combination Patterns for Lightweight Stereo Image Super-Resolution，https://openreview.net/group?id=acmmm.org/ACMMM/2024/Conference，ACMMM2024， CCF A

[5]Prompt-based Ingredient-Oriented All-in-One Image Restoration，https://ieeexplore.ieee.org/abstract/document/10526271，IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY，2024

[6]Weiren Wang,Xue Jiang,Shaohan Tian,Pei Liu,Depeng Dang,et al. Automated pipeline for superalloy data by text mining. npj Computational Materials 8,9(2022).https://doi.org/10.1038/s41524-021-00687-2.（Top；CiteScore: 11.00；Impact Factor:12.241；5-Year Impact Factor: 13.993）

[7]Shaofei Wang, Depeng Dang∗. Robust Cross-lingual Knowledge Base Question Answering via Knowledge Distillation[J]. Data Technologies and Applications,2021,SCI.

[8]Rongen Yan,Xue Jiang, Depeng Dang, Named Entity Recognition by Using XLNet-BiLSTM-CRF, Neural Processing Letters,2021,SCI.

[9]Depeng Dang, Chuangxia Chen, Haochen Li, Rongen Yan, Zixian Guo, Xingjian Wang, Deep knowledge-aware framework for web service recommendation, The Journal of Supercomputing,2021,SCI.

[10]Shaofei Wang, Depeng Dang∗, Incentive Mechanism for the Listing Item Task in Crowdsourcing, Information Sciences,Volume 512, Pages 80-95,ISSN 0020-0255, February 2020,SCI.（Top；CiteScore: 6.90；Impact Factor:5.524；5-Year Impact Factor: 5.305）

[11]Xinxin Wang, Depeng Dang ∗, Zixian Guo. Evaluating the crowd quality for subjective questions based on a Spark computing environment, Future Generation Computer Systems,(106):426-437,2020,SCI.

[12]Depeng Dang∗, Chuangxia Chen, Wenhui Yu and Huaxiao Hu. A semantic-aware collaborative filtering recommendation method for emergency plans in response to meteorological hazards. Intelligent Data Analysis,(24):705-721,2020,SCI.

[13]Dang Depeng*; Yu Wenhui; Chen, Chuangxia; Real-time detection and trend tracing of burst topics based on Negative Binomial Distribution on spark, Intelligent Data Analysis, 24(4) :925-940, 2020,SCI.

[14] Shaofei Wang, Depeng Dang, Zixian Guo, Chuangxia Chen, Wenhui Yu. Knowledge Enhanced Quality Estimation for Crowdsourcing. IEEE Access,I EEE Access PP(99):1-10, July 2019,SCI.

[15]Hu, Xin; Liu, Zhijie;Yao, Yingting;Wang, Nan;Dang, Depeng.Crowdsourcing Model Research for the Identification of Post-Earthquake Rescue Objects. Journal of Earthquake Engineering,23(5):863-881(IF:2.754),2019,SCI.

[16]Xin Hu, Depeng Dang. Crowdsourcing-based semantic relation recognition for natural language questions over RDF data. Enterprise Information Systems. 13(7-8): 935-958,2019,SCI.

[17]Dang Depeng, Xue Jiang, Nan Wang, Yingting Yao,Wenbin Yao. Concurrency Control of Real-Time Web Service Transactions. Journal of information science and engineering, 34(1):261-287,2018,SCI.

[18]Xin Hu, Depeng Dang, Yingting Yao, Luting Ye, Natural language aggregate query over RDF data, Information Sciences, Volumes 454–455, Pages 363-381,ISSN 0020-0255, 2018（Top，CiteScore: 6.90；Impact Factor: 5.524；5-Year Impact Factor: 5.305）,2018,SCI.

[19]D. Dang, Y. Liu, X. Zhang and S. Huang, "A Crowdsourcing Worker Quality Evaluation Algorithm on MapReduce for Big Data Applications," in IEEE Transactions on Parallel and Distributed Systems, vol. 27, no. 7, pp. 1879-1888, 1 July 2016.（CCF A）,2016,SCI.

[20]Shihang Huang, Ying Liu, Depeng Dang,Burst topic discovery and trend tracing based on Storm,Physica A: Statistical Mechanics and its Applications, Volume 416,2014,Pages 331-339,2014,SCI.（SCI CiteScore: 2.82；Impact Factor: 2.500；5-Year Impact Factor: 2.464

[21]党德鹏,高虎,杨竞帆,等.新时代数据库系统原理教材建设实践[J].计算机教育,2022,(11):200-204.DOI:10.16512/j.cnki.jsjjy.2022.11.021.

[22]党德鹏,陈曦,龙启铭,等.数据库系统原理课程思政建设实践[J].计算机教育,2022,(02):22-25.DOI:10.16512/j.cnki.jsjjy.2022.02.006.

[23]党德鹏,郭碧琳,过紫娴,等.数据库系统原理课程线上线下混合教学实践[J].计算机教育,2021,(05):174-178.DOI:10.16512/j.cnki.jsjjy.2021.05.042.

（1）课程有哪些新颖之处？

  答：总结出课程有如下“七新”。

ž   “新知识”：纳入了数据管理技术最新发展，融入大数据技术最新进展和数据管理技术发展趋势。

ž   “新认识”：对传统数据库课程知识点即旧知识有新的、更深刻的认识。站在大数据管理的角度，拓展传统数据库关键技术方法，乃大数据时代数据库教学的尝试和实践；梳理了数据保护知识体系。

ž   “新结构”：重新梳理了课程知识体系结构。以安全、简单、高效地共享数据这个总目标为线索贯穿全书知识点；先讲语言，让学生通过上机使用数据库，对数据库有直观了解，再讲数据库设计，最后讲实现，由浅到深，由外到里，便于理解；研磨了与相关课程联系，实现无缝平滑衔接。

ž   “新案例”：以应急管理和网络考试系统为教学案例，实施案例驱动的教学模式。

ž   “新习题”：形成了完善的特色习题集，包括随堂练习、单元测试、期末测验等，有整套的题集。

ž   “新模式”：建立了增量式实验组织模式，习新温故，迭代前行；面向互联网提供整套的实验指导书、实验讲解ppt、实验报告要求及提纲、实验报告样板、实验报告评分标准细则、学生实验碰到的各种问题及讨论答疑，可有效实施增强混合学习。配合网上学习，针对实验操作、课程重点和难点适时穿插视频交互式直播进行讲解和答疑。

ž   “新思政”：围绕“社会主义核心价值观”、“家国情怀”、“工匠精神”等数据，融入课程教学与实验操作过程，培养学生高尚情操。

（2）对学好“数据库系统原理”课程有哪些建议？

  答：阅读教材预习，观看视频学习，完成随堂练习，实践实验习题，完成单元测验并复习，随时积极参与讨论。