老贱丶
范文一：大数据人才培养
大数据产业人才培养计划 贵州省在着力打造大数据产业发展应用新高地，推动大数据产业成为贵州经济社会发展的新引擎，建成全国领先的大数据资源中心和大数据应用服务示范基地。按照“基础构建、集群聚集、创新突破”的思路，科学规划大数据产业布局，建基地、引人才、聚企业、抓应用、保安全、促创新，建设信息资源聚集地。2014年2月，贵州印发《关于加快大数据产业发展应用若干政策的意见》。明确从2014年起连续3年，省和贵阳市、贵安新区每年各安排不少于1亿元资金，用于支持大数据产业发展及应用。到2017年，贵州将形成1―2个大数据产业示范园区，引进和培育30户大数据龙头企业，聚集500户创新型大数据相关企业，通过大数据带动相关产业规模达3000亿元，引进大数据领军人才100名，引进和培养高端人才5000名。 一方面，根据IDC 的调查报告，全球从2012年至2015年的3年之间里，云计算的相关工作需求将出现26%的年增长率，超过1/4的增长率再次证明了企业对云计算人才的巨大需求。IDC 的预测还表明，2012年有约170万的云计算相关岗位出现真空，而这方面的求职者也都缺乏云计算方面的实践经验，并且不具备完善的培训机制；值得警醒的是，到2015年，这个数字将有170万上升到700万，云计算产业面临着更大的人才缺口。若以地区来看，亚太地区的云计算人才缺失要更加严重一些，根据IDC 预测，亚太区的云计算相关人才需求年增长率将达到32%，超过欧洲、中东等地区8个百分点，到2015
年的人才需求是230万。这其中，中国地区也占了很大比例，尤其中国还是一个拥有巨大发展潜力的市场。
另一方面，根据麦肯锡报告，仅仅在美国市场，2018年大数据人才和高级分析专家的人才缺口将高达19万。此外美国企业还需要150万位能够提出正确问题、运用大数据分析结果的大数据相关管理人才。
大数据产业在中国已经被提高到国家战略层面，在国务院印发的《促进大数据发展行动纲要》中就明确指出要以企业为主体，营造宽松公平环境，加大大数据关键技术研发、产业发展和人才培养力度，着力推进数据汇集和发掘，深化大数据在各行业创新应用，促进大数
据产业健康发展。发展大数据在工业、新兴产业、农业农村 等行业领域应用，推动大数据发展与科研创新有机结合，推进基础研究和核心技术攻关，形成大数据产品体系，完善大数据产业链。
然而，目前在云计算和大数据行业打拼的从业者中，大部分都是半路出家，极少有人受过系统化的培养和教育。在信息周刊的调查显示BI 、数据分析和信息管理人才认为技术培训、认证课程和统计/分析培训是最重要的三种培训课程选择。有趣的是，数据分析人才对财务、营销等商务技能课程的兴趣远高于其他IT 专业人士。
我国大数据所需人才储量小，符合条件的人才严重不足，供需矛盾明显。我国能否在云计算和大数据时代这一轮新的竞争中取得先机，人才是关键。在一个产业来说，高端科研和开发人才其实需求量并不
大，市场需要的更多是基础开发、项目实施和维护人员，这就给我省大数据人才培养和大数据产业弯道取直提供了一个非常好的机会。 贵阳市高新区、贵州大学大数据与信息工程学院、贵州创客科技孵化器有限公司结合各自优势、整合资源，共建大数据产业人才培养基地，把呼叫中心、统计师、电商人员基本培训与数据分析师、大数据高端分析挖掘串联培养，打通大数据产业各层次人才链，造就贵州大数据产业人才、助力贵州大数据产业发展。 使命
1、造就贵州大数据产业人才；
2、助力贵州大数据产业发展；
愿景：
1、成为贵州大数据产业人才培训培养平台；
2、成为贵州大数据产业人才评估评测平台；
3、成为贵州大数据产业人才就业服务平台；
4、成为贵州大数据产业人才创业孵化平台； 5、成为贵州大数据产业人才公共服务平台；
6、成为贵州大数据产业人才智慧聚合平台；
7、成为贵州大数据产业人才国际交流平台；
8、成为贵州大数据产业人才社群社区平台；
培训培养平台总体思路：
1、老师资源：外部合作、聚合吸引，以本地尤其是贵大师资为主，引进外部相关成熟机构或资深教师。
2、学生资源：政府助推、宣传影响，政、校、企联合创新高校学生3+1培养计划，加大大数据人才培养和职位宣传，明确职位需求。
3、学生就业：企业预订-代培、主动输送、供需对接，收集和对接全省企业或机构大数据产业相关需求，明确目标、针对岗位培训，预定就业；
4、价值创造（赢利模式）：政府配套扶持、学生深入培训支付（就业后返还）、企业人才委培费用；
5、培训方式：项目实战型培训、定向定岗型培训、基础技能型培训、专业认证型培训；
6、内容设置（暂定）：基础技能性人才；数据分析类人才；专业工具类人才；平台技术类人才；数据库类人才；应用开发类人才；运营维护类人才；信息安全类人才；移动互联网应用类人才；定向委培类人才等。
7、认证考核：国家认证、行业认证、学校认证；（大数据学院结合其多年教学和相关合作单位拥有ISO 20000认证 数据中心认证(CDCP/CDCS/CDCE/CDFOM)认证绿色数据中心能源与效率专家，红帽认证工程师、微软认证工程师、戴尔认证存储工程师、博科认证网络工程师、数据统计师（全省唯一一家）等等）；
8、外部合作与资源整合：认证机构合作、培训机构合作、用人单位合作、创业项目合作、研究课题合作、政府机构合作、产业行业合作；
9、实习培训：到机构、项目、单位实习锻炼；参与项目课题组实
战锻炼；
10、呼叫中心、电商等相关行业计策人才培养。
整体切入点：
1、贵州大学六度创客工场（贵州创客科技孵化器有限公司和贵州大学大数据学院合作打造）组织初创技术团队；组织相关软件技术和大数据基础培训。
2、贵州大学大数据学院组织授课老师和相关培训资质和证书。
3、高新区收集本区内相关外包项目，统一打包给六度创客工场。 优点：
1、可以解决高新区企业技术外包难题，为高新区培养大量技术人才缓解高新区企业技术短缺、人才紧缺问题；
2、培养成熟的技术团队或人员推荐到高新区落户注册企业；
3、扶持一部分初创公司，帮助他们度过创业初期艰难时刻；
4、外包项目大大增加培训实战环节，有利的提高培训质量。 本地化人才是贵州大数据产业发展的基础。通过建设培训培养基地、构建运营服务体系、打造产业服务平台，快速高效地培训培养出大数据产业发展所需要的各类人才，是贵州省大数据产业快速起步和长远发展的当务之急。 我们将在省大数据产业人才培养相关部门的指导下，密切配合大数据产业人才发展计划，做好贵州大数据人才需求规划和培养计划，力争在2015年培训培养大数据产业人才300人，2016年培训培养出2000人才，以满足持续增长的人才需求，为贵州大数据产业的
发展添柴加油。
六度创客工场
贵州溪山科技有限公司 2015年10月1日
范文二：大数据专业人才培养方案
一、
（一）总体目标
本专业培养具有较高专业素养、科学素养和人文素养，较好地掌握计算机科学技术及大数据技术的基本知识、基本理论和基本技能，能在IT行业、行政事业单位等行业从事大数据的处理、分析及预测和计算机应用维护的应用型人才。
（二）培养目标的具体规格
1.具有良好的思想道德修养。
2.具有健康的体魄，良好的心理素质。
3.具有从事本专业工作所需的数学知识。
4.具有计算机科学与技术学科的基础理论和专业知识。
5.能从事计算机应用系统和大数据系统的产品设计开发、建设和应用维护等实际工作。
学生必须通过《全国计算机技术与软件专业技术资格（水平）考试》，才能获取毕业资格。
五、主干学科
计算机科学与技术
六、核心课程
高级语言程序设计（一）、高级语言程序设计（二）、数据结构、数据库原理及应用、计算机网络、分布式计算系统原理、非关系式数据库原理（NoSQL）、数据挖掘与数据仓库、Hadoop编程。
七、主要实践性教学环节
主要实践性教学环节：课内实践、课程设计、专业见习、专业认知实习、专业综合实习、毕业论文及答辩、军事训练、社会实践
范文三：大数据人才培养的思考
大数据人才培养的思考
一、引言
随着计算机软硬件技术的快速发展，计算技术已从传统的PC平台计算模式发展到嵌入式计算、移动计算、并行计算和服务计算等多种计算系统并存及融合的计算模式，处理的对象也呈现出网络化、多媒体化、大数据化和智能化需求的特征，而物联网、移动互联网的快速发展促进了这一趋势，从而迎来了大数据时代的到来。大数据是继云计算、物联网之后兴起的又一新兴发展方向，被学术界、工业界乃至政府机构密切关注和广泛研究。
大数据又称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极的目的的资讯。在维克托?迈尔?舍恩伯格及肯尼斯?库克耶编写的《大数据时代》中大数据指不用随机分析法(抽样调查)这样的捷径，而采用所有数据的方法。一般
说来，大数据具有4V的特点:Volume(大量)，Velocity(高速)，Variety(多样),Value(价值)。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。
二、大数据时代对人才的要求
从广义上讲，大数据人才就是具备大数据处理能力的科学家和工程师。目前，国际上开设了大量的数据科学方面的课程、数据科学学位计划以及数据科学短期培训班。从国际上设置的培养计划来看，大数据人才应该系统地掌握数据分析相关的技能，主要包括数学、统计学、数据分析、商业分析和自然语言处理等，具有较宽的知识而，具有独立获取知识的能力，具有较强的实践能力、创新意识和团队合作意识。具体来说，大数据人才首先应具备获取大数据的能力，例如能根据任务的具体要求，综合利用各种计算机手段和知识，收集整理海量数据并加以存储，为支撑相关的决策和行为做好数据准备。其次，应具备分析大数据的能力，对于经过预处理的各类数据，能够根据具体的需求，进行选择、转换、加载，采用有效方法和模型对数据进行分析，并形成分析报告，为实际问题提供决策依据。最后，应具备良
好的团队合作精神，大数据时代下的数据分析任务通常无法依赖个人能力来完成，需要在团队制度的约束下，与他人一同携手、互相鼓励、分工合作来实现既定目标，因此具备较强的责任心与团队合作精神也是大数据从业人员必备的基本条件。
三、大数据人才培养的探索
大数据产业的发展，对大数据人才提出了新的需求，国内各高校在积极进行大数据学术研究的同时，也开始考虑将大数据相关课程纳入培养体系，以满足社会对大数据人才的需求。以下结合作者在数据库及分布式技术系列课程中的教学经验，以及大数据分析与处理方面的实践经验，探讨大数据系列课程教学内容和实践形式的设置。
在教学内容的设置上，大数据系列课程建议可分为理论教学和技术教学两个方面，因为理论是大数据认知的必经途径，也是被广泛认同和传播的基线;而技术是大数据价值体现的手段和前进的基石。在理论方面，讲授的理论内容可涵盖如下几点:
(1)大数据概念:大数据概念出现的历史，关于大数据定义的各种流派以及说明，大数据的四个特征，大数据与云计算、物联网的关系，大数据与大规模数据、海量数据的差别。这个部分主要突出“大数据”概念中应包含的“对数据对象的处理行为”。
(2)典型的大数据应用实例:精选有新意的大数据分析典型案例，可帮助学生更清晰的理解大数据的概念和含义，这样的案例如:美国梅西百货的实时定价机制(根据需求和库存的情况对多达7300万种货品进行实时调价)、百度搜索的实时热点排行榜(以数亿网民的搜索行为作为数据基础，建立权威的关键词排行榜与分类热点)、沃尔玛的搜索引擎Polaris(利用语义数据进行文本分析、机器学习和同义词挖掘使得在线购物的完成率提升了10%-15%)、谷歌流感趋势工具(通过跟踪搜索词相关数据来判断全美地区的流感情况)等。在教学过程中，教师应注意将授课的重点放在系统化的开发步骤和关键性问题的求解上，介绍案例的设计思想、主要方法和应用过程等。
(3)大数据关键技术与挑战:介绍大数据时代面临的新挑战，包括大数据集成(数据异构性和数据质量问题)、大数据分析(数据形式多样化、数据处理的实时性、索引结构的复杂性等)、大数据隐私问题(隐私保护和数据分析的矛盾)、大数据能耗问题(低功耗硬件的
设计)、大数据处理与硬件的协同、大数据管理易用性问题以及性能测试基准。
(4)大数据存储和管理技术:介绍如何把采集到的大数据存储起来，建立相应的数据库，并进行管理和调用。主要内容包括:分布式文件系统(HDFS)、去冗余及高效低成本的大数据存储技术、新型数据库技术(键值数据库、列存数据库、图存数据库以及文档数据库等)、异构数据融合技术、分布式非关系型大数据管理与处理技术、大数据索引技术和大数据移动、备份、复制等技术。
(5)大数据分析及挖掘技术:介绍从大量数据中寻找其规律的技术，通常由数据准备、规律寻找和规律表示3个阶段组成。数据准备是从上述大数据中心存储的数据中选取所需数据并整合成用于数据挖掘的数据集;规律寻找是用某种方法将数据集所含规律找出来;规律表示则是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等。
在技术方面，可考虑分别从云计算、分布式处理技术、存储技术和感知技术的发展来说明大数据从采集、处理、存储到形成结果的整个过程，具体可包括以下几点:
(1) NoSQL技术:NoSQL产生的背景、NoSQL现状、NoSQL数据库与关系数据库的比较、聚合数据模型、分布式模型、数据一致性、典型的NoSQL数据库分类、NoSQL数据库开源软件。
(2) MapReduce: MapReduce模型概述、编程模型:Map和Reduce函数、MapReduce工作流程、并行计算的实现、实例、Yam等
(3) Hadoop分布式文件系统:Hadoop出现的背景、Hadoop的功能与作用、为什么不用关系型数据库管理系统、Hadoop的优点、Hadoop的应用现状和发展趋势、Hadoop项目及其结构、Hadoop的体系结构、Hadoop与分布式开发、Hadoop应用案例、Hadoop平台上的海量数据排序。
(4)还可进一步包括数据流的管理与挖掘、云数据库、图数据
库等。
由于大数据系列课程所涉及的技术具有很强的应用背景和实践意义，因此应摒弃传统教学模式中“重理论、轻实践”的思想，在掌握大数据相关的理论知识和技术知识之后，还需重点培养学生的综合实践能力，以满足社会就业的需要。为此，应设立一定的大数据技术实践课程内容，帮助学生从知识型向能力型转变。结合上一节分析的大数据时代对人才的具体要求，建议按以下流程设置实践环节的内容:
(1)分组。如前所述，大数据时代下的数据分析任务通常需要以团队的形式来完成，因此首先要求学生根据自身情况，结合各自的技术优势，合理进行分组。
(2)选题。在具体选题上，可使用校企合作的具体项目或以Apadre Hadoop,MongoDB ,Dremel,Gephi等一系列的开源大数据分析软件作为实践平台，以Kaggle为数据科学平台来进行选题。
(3)明确需求并撰写大数据分析任务书。明确选定的题目范围内，数据分析要研究的主要问题和预期的分析目标。只有明确了数据分析的目标，才能正确地制定数据收集方案，即收集哪些数据，采用怎样的方式收集等，进而为数据分析做好准备。
(4)数据收集及预处理。由于大数据分析最终的结果与其获取的数据质量紧密相关，因此收集的数据是否真正符合数据分析的目标是必须注意的重要问题。该步骤要求学生从分析目标出发，从浩瀚的数据中正确的收集高质量且服务于既定分析目标的数据，然后对数据进行必要的加工整理，包括填写空缺值、平滑噪声数据、识别和删除孤立点、解决不一致性、规范化(消除冗余属'山和聚集(数据汇总)等。
(5)探索性数据分析。由于大数据分析的数据量通常达到PB甚至YB级以上，因此希望直接选定一个分析模型是不现实的，而且面对高维海量数据，也很难直接看出数据的规律。在这个步骤中，应指导学生通过基本描述统计量的计算、基本统计图形的绘制、用各种形式的方程拟合等手段，计算某些特征量等方法探索规律性的可能形式，帮助学生快速掌握数据的分布特征，这是进一步深入分析和建模的基础。
(6)模型选定分析。在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。有时选择几种统计分析方法对数据进行探索性的反复分析也是极为重要的。每一种统计分析方法都有自己的特点和局限，因此，一般需要选择几种方法反复印证分析，仅依据一种分析方法的结果就断然下结论是不科学的。
(7)模型的验证及分析报告。指导学生对选择的数据分析模型及结果进行分析，可使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。观察模型提供决策的信息是否充分、可信，所发挥的作用是否与期望值一致，数据分析方法是否合理，是否将风险控制在可接受的范围。
以上这种项目式实践形式的优势是:在学生参与完成某一具体的大数据分析任务过程中，通过主动地学习来自主地进行知识的建构，让学生经历项目开发的整个过程，从中去发现和掌握相关知识，达到既能熟悉大数据分析过程，又完成了经验的积累，还能实现学习知识、培养能力的目的。在这里，教师不再是知识的传授者，而是项
目活动的组织者和咨询者。
四、校企合作推动人才培养
一方面，大数据的核心业务必然是一种扎根于特定行业，综合运用已有的存储、分析、挖掘、展现技术，根据用户需求并融入行业特色技术模型的一站式大数据平台业务。另一方面，对于企业来说，各类业务产生的数据为数据分析创造了非常好的基础条件。大数据解决方案是有价值的，但是苦于找不到既懂数据分析技术，又懂得业务的专业人才。由此可见，既懂得相关技术，又谙熟企业业务的复合型人才才是企业部署大数据应用最迫切需要的人才。因此，企业可以与学校联合培养自己所需要的大数据人才，这种方式有两方面的优势:一是大数据技能训练的对象，即大量的数据，只有企业才具备;二是在企业的支持下，学校也能通过针对性的实践训练来培养学生的大数据处理技能。
大数据时代下的校企合作的形式多种多样，可通过联合办学、联合制定人才培养方案、合作开发课程和教学内容、设置实训项目、教学管理和共建“双师”结构教学团队等形式展开。
五、结语
未来的十年将是一个“大数据”引领的智慧科技的时代。随着社交网络的逐渐成熟，移动带宽迅速提升，云计算、物联网应用更加丰富。更多的传感设备、移动终端接入到网络，由此产生的数据及增长速度将比历史上的任何时期都要多，都要快。“大数据”时代的脚步悄然而至，未来几年，中国项目数据分析专业人才需求达几十万人以上。国内高校应及时关注大数据时代的数据分析人才培养，融基础理论、实验教学、工程实践为一体，为大数据这样的新兴产业发展输出高层次、实用性、国际化的复合型专业人才，确保产业科学、持续、高速的发展。
范文四：高职“大数据”人才培养研究
龙源期刊网 http://www.qikan.com.cn
高职 “ 大数据 ” 人才培养研究
作者:向冲
来源:《科教导刊 ·电子版》 2014年第 35期
摘 要 “ 大数据 ” 汹涌来袭,在商业、经济、科研、卫生及政府等领域中,决策基于大数据 分析而作出,对大数据人才的需求与日俱增。笔者从国内外 “ 大数据 ” 研究现状出发,就 “ 大数 据 ” 人才需求进行分析,从 “ 大数据 ” 人才培养目标、职业岗位能力、教学内容、课程体系结 构、教学模式和方法等方面进行论述,提出了高职 “ 大数据 ” 人才应如何培养。
关键词 大数据 数据分析 数据挖掘 人才培养
中图分类号:G712 文献标识码:A
1什么是 “ 大数据 ”
大数据(Big Data)是指 “ 无法用现有的软件工具提取、存储、搜索、共享、分析和处理的 海量的、复杂的数据集合。 ” 业界通常用四个 V (即 Volume 、 Variety 、 Value 、 Velocity )来概 括大数据的特征。
第一,数据体量巨大(Volume )。到目前为止,人类生产的所有印刷材料的数据量是 200PB (1PB=1000TB),而历史上全人类说过的所有的话的数据量大约是 5EB
(1EB=1000PB)。当前,典型个人计算机硬盘的容量为 TB 量级,而一些大企业的数据量已 经接近 EB 量级。
第二,数据类型繁多(Variety )。这种类型的多样性也让数据被分为结构化数据和非结构 化数据。相对于以往便于存储的以文本为主的结构化数据,非结构化数据越来越多,包括网络 日志、音频、视频、图片、地理位置信息等等多类型的数据,这就对数据的处理能力提出了更 高的要求。
第三,价值密度低(Value )。价值密度的高低与数据总量的大小成反比。以视频为例, 一部一小时的视频,在连续不间断监控过程中,可能有用的数据仅仅只有一两秒。如何通过强 大的机器算法更迅速地完成数据的价值 “ 提纯 ” 是目前大数据汹涌背景下亟待解决的难题。
第四,处理速度快(Velocity )。这是大数据区分于传统数据挖掘最显著的特征。根据 IDC 的 “ 数字宇宙 ” 的报告,预计到 2020年全球数据使用量将会达到 35.2ZB 。在如此海量的数 据面前,处理数据的效率就是企业的生命。
2国内外 “ 大数据 ” 研究现状
范文五：人才培养机制
人才培养机制
目前，高校科研存在着科研创新团队实力较弱，科技创新的资金扶持力度不够等问题，传统的人才培养以教师为中心，采用单项灌输的方式抑制了学生的创新思维能力。高校科学研究、人才培养等工作要超越学科导向，逐步向需求导向为主转变。
创新人才培养是个系统工程，培养的主体具有多元化特征，除了高校外，科研院所、行业企业也都拥有自身独特的人才培养优势和条件，创新人才培养的资源分别掌握在不同的创新主体手中，任何一个创新主体都不能够有效掌握创新人才培养所需要的全部资源，必须依靠其他的主体提供支持，形成协同效应，共同达成人才培养目标。因此，创新人才培养需要突破制约创新人才培养的内外部机制障碍，采用协同创新新模式：以协同创新中心为载体，大力推进校内、校校、校所、校企、校地以及国际间的深度融合，探索建立面向科学前沿、行业产业、区域发展以及文化传承创新重大需求的协同创新模式。有效改变高校目前“以教师为中心”、“以课堂为中心”、“以教材为中心”的封闭式课程教学模式。
1、校内协同创新的人才培养模式。大学内部协同创新能为学生提供跨学科的教育培养，奠定创新所需要的合理的知识结构。高校可通过体制机制创新，组建各种跨学科研究中心、跨学科实验中心、跨学科教学中心，通过搭建多种形式的跨学科教育平台，组织不同学院、不同学科的教师一起突破学科壁垒，组成跨学科研究小组和教学小组，开设全校性的公共跨学科课程，以整体组合的课程替代严格的学科分类课程，同时大力推进全校范围内的选课制，尤其是跨学科专业的选课制度，以学院为主体，按学科群开设大量的跨学科选修课，鼓励学生跨学院跨专业选课，为学生带来不同的学科视野和综合化的知识结构，从而有效地促进创新人才培养。
2、校校协同创新的人才培养模式。依托各自的优势特色学科及优势学科群，开展高校与高校之间的协同合作。通过共同承担大型科技攻关项目、互聘师资、共享课程和实验室资源等途径，充分释放人才、资本、信息、技术等创新要素活力。当前可着重探索建立优质教育资源共享、协调合作的新的高校战略联盟，进一步创新协同机制，共同搭建创新人才培养大平台。
3、是校所协同创新的人才培养模式。依托科研院所优质创新团队和优质科
研资源，瞄准国家相关重大战略需求和世界科技前沿，围绕国家重大基础研究、战略高技术研究、重大科技计划和国家重大工程专项，整合科技队伍、科技资源，共同构建优质资源平台，营造一流的学术氛围，建立优质资源共享、协调合作的体制机制，开展相关理论和技术研究合作的科研协同创新。在科研协同创新过程中，校所双方将导师、项目、平台整合起来，实现无缝对接，着力构建学术型创新人才培养新模式。
4、是校企（行业）协同创新的人才培养模式。依托高校与行业结合紧密的优势学科，充分发挥行业特色优势和地域优势，选择具有全局性、战略性的重大工程，集中力量组织攻关，突破关键核心技术，服务产业升级转型和结构调整，从而探索建立多学科融合、多团队协同、多技术集成的重大研发与应用平台，大力开展工程技术人才培养的协同创新。特别需要强调的是，当前高校要以教育部“卓越工程师教育培养计划”的实施为契机，着力构建学校与企业联合培养工程创新人才新机制。
5、是校地（区域）协同创新的人才培养模式。结合区域发展的重大需求，高校与自身所在区域内的政府机构、重点企业、科研院所共建科学技术研究院、产业技术研究院、行业研发中心和研发基地，促进科技资源向行业企业和社会开放。构建多元化的成果转化与辐射模式，带动区域产业结构调整和新兴产业发展，在此过程中为学生提供创新实践机会，促进高校学科交叉型、复合应用型创新人才培养模式的形成。
6、是国际交流与合作协同创新的人才培养模式。以华南理工大学为例，可依托国际交流合作平台，与国外先进高校和机构开展合作，在工程师跨国企业实习、国际化课程、国际化师资、工程教育学科与专业认证、联合培养学位项目、国际交换生、短期游学项目等方面开展国际合作，提高工程教育的国际化水平，培养具有国际视野和国际交往能力的工程创新人才。
通过协同创新，把课堂教学与课外活动，校内教学与校外实践，国内教学资源与国外教学资源有机结合起来，将课堂教学的“小课堂”延伸到课外、校外和国外，变成课内课外、校内校外、国内国外“三结合”的“大课堂”。 合作各方以产学研合作教育平台为支撑，通过立项和联合开发等途径，开发学科前沿课程、
专题研讨课程、问题中心课程等新型课程，为创新人才培养奠定坚实的基础。
通过协同创新，可以最大限度地利用各种创新教育资源，并将其转化为培养人才的优势，转化为提高质量的催化剂；通过协同创新，可以推动培养方案、课程设置、教学内容、教学方法和教学手段改革，加强学生实践能力、创新能力、就业能力和创业能力的培养；通过协同创新，将高水平的研究成果直接转换为培养人才的教学资源，以高水平的科研支撑高质量的教学，建立寓教于研的人才培养模式；通过协同创新，使高质量的教学不仅为科研提出问题，也为解决问题提供思维方式和技术路线，以高质量的教学推动高水平的科研，建立寓研于教的人才培养模式。
