第一講 大數(shù)據(jù)挖掘及其背景
1)大數(shù)據(jù)環(huán)境下的數(shù)據(jù)分析
2)數(shù)據(jù)挖掘定義
3)Hadoop相關(guān)技術(shù)
4)大數(shù)據(jù)挖掘知識(shí)點(diǎn)


第二講 MapReduce/Spark DAG計(jì)算模式
1）分布式文件系統(tǒng)DFS
2）MapReduce計(jì)算模型介紹
3）使用MR進(jìn)行算法設(shè)計(jì)
4）DAG及其算法設(shè)計(jì)


第三講 大數(shù)據(jù)挖掘分析工具
1）Yarn中的Mahoutb介紹
2）Spark中的Mahout/MLib介紹
3）推薦系統(tǒng)及其Mahout實(shí)現(xiàn)方法
4）信息聚類及其MLlib實(shí)現(xiàn)方法
5）分類技術(shù)在Mahout/MLib中的實(shí)現(xiàn)方法


第四講 大數(shù)據(jù)推薦及其應(yīng)用開(kāi)發(fā)
1）一個(gè)推薦系統(tǒng)的模型
2）基于內(nèi)容的推薦
3）協(xié)同過(guò)濾
4）基于Mahout的電影推薦案例


第五講 大數(shù)據(jù)分類技術(shù)及其應(yīng)用
1）分類的定義
2）分類主要算法
3）Mahout分類過(guò)程
4）評(píng)估指標(biāo)以及評(píng)測(cè)
5）貝葉斯算法新聞分類實(shí)例


第六講 大數(shù)據(jù)聚類技術(shù)及其應(yīng)用
1）聚類的定義
2）聚類的主要算法
3）K-Means、Canopy及其應(yīng)用示例
4）Fuzzy K-Means、Dirichlet及其應(yīng)用示例
5）基于MLlib的新聞聚類實(shí)例


第七講 大數(shù)據(jù)關(guān)聯(lián)規(guī)則和相似項(xiàng)發(fā)現(xiàn)
1）購(gòu)物籃模型
2）Apriori算法
3）抄襲文檔發(fā)現(xiàn)
4）近鄰搜索的應(yīng)用


第八講 流數(shù)據(jù)挖掘相關(guān)技術(shù)
1）流數(shù)據(jù)挖掘及分析
2）Storm和流數(shù)據(jù)處理模型
3）流處理中的數(shù)據(jù)抽樣
4）流過(guò)濾和Bloom filter


第九講 云環(huán)境下大數(shù)據(jù)挖掘應(yīng)用
1）與Yarn/Spark集群應(yīng)用的協(xié)作
2）與Docker等其它云工具配合
3）大數(shù)據(jù)挖掘行業(yè)應(yīng)用展望