大数据导论课程主要涵盖以下知识点：

大数据的定义和特征：

理解大数据的4V特性，即Volume（数据量大）、Velocity（数据速度快）、Variety（数据多样性）和Value（数据价值）。

大数据存储和处理技术：

学习分布式存储系统（如Hadoop、NoSQL数据库）、分布式计算框架（如MapReduce、Spark）和数据挖掘算法（如关联规则挖掘、聚类、分类等）。

大数据采集和清洗：

掌握大数据采集的方法和技术，如数据爬虫、传感器数据采集，以及数据清洗的重要性和常用方法。

大数据分析和挖掘：

学习数据预处理、特征选择、模型构建和模型评估等技术，并了解常用的数据挖掘算法和应用案例。

大数据应用领域：

探索大数据在金融、医疗、物流、社交网络等领域的应用案例，及其对这些领域的影响和改变。

大数据伦理和隐私保护：

讨论大数据背后的伦理和隐私问题，以及如何在大数据应用中保护用户隐私和数据安全。

大数据管理和治理：

了解数据质量管理、数据安全管理、数据共享和数据治理的理论与实践。

此外，大数据专业通常还会涉及数学分析、高等代数、普通物理数学与信息科学概论、数据结构、数据科学导论、程序设计导论、程序设计实践、离散数学、概率与统计、算法分析与设计、数据计算智能、数据库系统概述、计算机系统基础、并行体系结构与编程、非结构化大数据分析等基础课程。

选修课程可能包括数据科学算法导论、数据科学专题、数据科学实践、互联网实用开发技术、抽样技术、统计学习、回归分析、随机过程等。

学习大数据还需要了解与物联网、移动互联网、人工智能、云计算等技术的关系，掌握Hadoop生态体系、HDFS技术、Hive、Spark、Python语言等大数据技术。