大数据的出现催生出产业人才缺口瓶颈，在大数据挖掘项目的实施方面，被调查公司普遍缺乏相关的技术能力。75%以上的公司表示在人员和培训方面存在障碍，会大数据挖掘技术的人才很热门，但是比较难找而且昂贵，会 Hadoop 技术的数据挖掘人才更是奇缺。
虽然大数据目前在国内还处于初级阶段，但是其商业价值已经显现出来，特别是有实践经验的大数据分析人才更是各企业争夺的热门。为了满足日益增长的大数据分析人才需求，很多大学开始尝试开设不同程度的大数据分析课程。“大数据分析”作为大数据时代的核心技术，必将成为高校数学与统计学专业的重要课程之一。
目前高校大数据教学的主要困境：教师资源严重不足、尚未建立起合理的大数据教学体系、实践教学平台搭建困难、大数据实践应用案例缺乏、学生缺少实战机会……如何解决高校面临的这类难题，已经成为高校厄待解决的主要问题之一。
高校大数据工程教学实训平台解决方案波若高校大数据实训教学平台流程：
交互式学习模式
提供体系完整、简单易用的在线教学课堂；以基础知识学习，在线视频教学、习题、线上测试、评估等为主线的方法，确保学生在短时间内掌握大数据课程知识及数据分析技能。
大数据实战及案例分析
提供实战案例数据，包括网站流量数据、汽车数据、房屋交易数据、电商商品数据、搜索引擎等多种业务数据，数据超过100T，按周期更新数据内容。
真机实验实训
实验训练体系设计成各模块相对独立的形式，各模块交互式实验任务、大数据实验机、实际项目上机操作，通过多方位的训练，最灵活的、渐进式的掌握大数据生态体系。
充分支撑科研工作
提供行业数据及案例解剖用于基础研究，提供数据分析方案及流程，提供数据更新接口，可以对行业数据进行挖掘分析，按需求生成数据报表，为科研工作提供数据支持。
波若高校大数据实训教学平台之大数据挖掘建模平台
波若数据挖掘平台是一套基于Hadoop架构的大数据挖掘建模平台，能满足有大数据挖掘需求的师生利用图形化的界面进行大数据分析。
MLP主要主要包括：云数据挖掘引擎、调度系统、主机监控系统、云平台监控系统、云数据挖掘算法库等，具体如下：
1.云数据挖掘引擎
(1)挖掘引擎：云分类引擎、云聚类引擎、云关联规则引擎、云智能推荐引擎等等
(2)调度系统：包括作业调度、作业监控和作业管理
(3)主机监控系统：主要用来采集集群中主机的 cpu、memory、disk、proces、network 等相关数据，并采用图形化的方式展示。
(4)云平台监控系统：主要用来监控云计算平台的运行指标，可以实时监控云平台的运行情况，子节点运行情况，用来为系统增加/删除/更新节点提供知道依据。它主要包括：1）分布式文件系统监控；2）作业监控；3）云平台管理等功能
2.云数据挖掘算法库
(1)分类算法：基于并行计算的分类算法，如：
a.朴素贝叶斯、贝叶斯网络
b.随机森林
c.神经网络
d.模糊神经网络
e.支持向量机
(2)聚类算法：基于并行计算的聚类算法，如：
a.K-Means 算法
b.Canopy 算法
c.Fuzzy K-Means 算法
d.Mean Shift 算法
(3)关联规则：基于并行计算的关联规则算法，如：
a.二项集关联规则
b.推荐器算法
(4)智能推荐:基于并行计算的智能推荐算法，如：
a.基于用户的协同过滤算法
b.基于内容的协同过滤算法
