課程介紹
1. Hadoop板塊
Hadoop 設(shè)計之初的目標(biāo)就定位于高可靠性、高可拓展性、高容錯性和高效性，正是這些設(shè)計上與生俱來的優(yōu)點(diǎn)，才使得Hadoop 一出現(xiàn)就受到眾多大公司的青睞，同時也引起了研究界的普遍關(guān)注。
對電信運(yùn)營商而言,用戶上網(wǎng)日志包含了大量用戶個性化需求、喜好信息,對其進(jìn)行分析和挖掘,能更好地了解客戶需求。傳統(tǒng)經(jīng)營分析系統(tǒng)小型機(jī)加關(guān)系型數(shù)據(jù)庫的架構(gòu)無法滿足對海量非結(jié)構(gòu)化數(shù)據(jù)的處理需求,搭建基于X86的Hadoop 平臺,引入大數(shù)據(jù)處理技術(shù)的方式,實(shí)現(xiàn)高效率、低成本、易擴(kuò)展的經(jīng)營分析系統(tǒng)混搭架構(gòu)成
2. 需求理解
為電信運(yùn)營商最為傾向的選擇。本課程將全面介紹Hadoop平臺開發(fā)和運(yùn)維的各項(xiàng)技術(shù)，對學(xué)員使用該項(xiàng)技術(shù)具有很高的應(yīng)用價值。
3. 培訓(xùn)課程架構(gòu)與設(shè)計思路


（1）培訓(xùn)架構(gòu)：
本課程分為三個主要部分：
第一部分：重點(diǎn)講述大數(shù)據(jù)技術(shù)在的應(yīng)用，使學(xué)員對大數(shù)據(jù)技術(shù)的廣泛應(yīng)用有清晰的認(rèn)識，在這環(huán)節(jié)當(dāng)中會重點(diǎn)介紹Hadoop技術(shù)在整個大數(shù)據(jù)技術(shù)應(yīng)用中的重要地位和應(yīng)用情況。
第二部分：具體對hadoop技術(shù)進(jìn)行模塊化分拆，從大數(shù)據(jù)文件存儲系統(tǒng)技術(shù)和分布式文件系統(tǒng)平臺及其應(yīng)用談起，介紹Hadoop技術(shù)各主要應(yīng)用工具和方法，以及在運(yùn)維維護(hù)當(dāng)中的主流做法，使學(xué)員全面了解和掌握Hadoop技術(shù)的精華。
第三部分：重點(diǎn)剖析大數(shù)據(jù)的應(yīng)用案例，使學(xué)員在案例當(dāng)中對該項(xiàng)技術(shù)有更深入的感觀印象


（2）設(shè)計思路：
本課程采用模塊化教學(xué)方法，以案例分析為主線，由淺入深、循序漸進(jìn)、由理論到實(shí)踐操作進(jìn)行設(shè)計。
（3）與企業(yè)的貼合點(diǎn)：
本課程結(jié)合企業(yè)轉(zhuǎn)型發(fā)展及大數(shù)據(jù)發(fā)展戰(zhàn)略，圍繞企業(yè)大數(shù)據(jù)業(yè)務(wù)及行業(yè)應(yīng)用市場拓展發(fā)展目標(biāo)，重點(diǎn)講授Hadoop的應(yīng)用技術(shù)，提升企業(yè)IT技術(shù)人員的開發(fā)和運(yùn)維能力，有很強(qiáng)的貼合度。
大數(shù)據(jù)建模與挖掘板塊
本次課程面向有一定的數(shù)據(jù)分析挖掘算法基礎(chǔ)的工程師，帶大家實(shí)踐大數(shù)據(jù)分析挖掘平臺的項(xiàng)目訓(xùn)練，系統(tǒng)地講解數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)建模、挖掘模型建立、大數(shù)據(jù)分析與挖掘算法應(yīng)用在業(yè)務(wù)模型中，結(jié)合主流的Hadoop與Spark大數(shù)據(jù)分析平臺架構(gòu)，實(shí)現(xiàn)項(xiàng)目訓(xùn)練。
結(jié)合業(yè)界使用最廣泛的主流大數(shù)據(jù)平臺技術(shù)，重點(diǎn)剖析基于大數(shù)據(jù)分析算法與BI技術(shù)應(yīng)用，包括分類算法、聚類算法、預(yù)測分析算法、推薦分析模型等在業(yè)務(wù)中的實(shí)踐應(yīng)用，并根據(jù)講師給定的數(shù)據(jù)集，實(shí)現(xiàn)兩個基本的日志數(shù)據(jù)分析挖掘系統(tǒng)，以及電商（或內(nèi)容）推薦系統(tǒng)引擎。
本課程基本的實(shí)踐環(huán)境是Linux集群，JDK1.8， Hadoop 2.7.*，Spark 2.1.*。
學(xué)員需要準(zhǔn)備的電腦最好是i5及以上CPU，4GB及以上內(nèi)存，硬盤空間預(yù)留50GB（可用移動硬盤），基本的大數(shù)據(jù)分析平臺所依賴的軟件包和依賴庫等，講師已經(jīng)提前部署在虛擬機(jī)鏡像（VMware鏡像），學(xué)員根據(jù)講師的操作任務(wù)進(jìn)行實(shí)踐。
本課程采用技術(shù)原理與項(xiàng)目實(shí)戰(zhàn)相結(jié)合的方式進(jìn)行教學(xué)，在講授原理的過程中，穿插實(shí)際的系統(tǒng)操作，本課程講師也精心準(zhǔn)備的實(shí)際的應(yīng)用案例供學(xué)員動手訓(xùn)練。


Python機(jī)器學(xué)習(xí)板塊
1.每個算法模塊按照“原理講解→分析數(shù)據(jù)→自己動手實(shí)現(xiàn)→特征與調(diào)參”的順序。
2.“Python數(shù)據(jù)清洗和特征提取”，提升學(xué)習(xí)深度、降低學(xué)習(xí)坡度。
3.增加網(wǎng)絡(luò)爬蟲的原理和編寫，從獲取數(shù)據(jù)開始，重視將實(shí)踐問題轉(zhuǎn)換成實(shí)際模型的能力，分享工作中的實(shí)際案例或Kaggle案例：廣告銷量分析、環(huán)境數(shù)據(jù)異常檢測和分析、數(shù)字圖像手寫體識別、Titanic乘客存活率預(yù)測、用戶-電影推薦、真實(shí)新聞組數(shù)據(jù)主題分析、中文分詞、股票數(shù)據(jù)特征分析等。
4.強(qiáng)化矩陣運(yùn)算、概率論、數(shù)理統(tǒng)計的知識運(yùn)用，掌握機(jī)器學(xué)習(xí)根本。
5.闡述機(jī)器學(xué)習(xí)原理，提供配套源碼和數(shù)據(jù)。
6.以直觀解釋，增強(qiáng)感性理解。
7.對比不同的特征選擇帶來的預(yù)測效果差異。
8.重視項(xiàng)目實(shí)踐，重視落地。思考不同算法之間的區(qū)別和聯(lián)系，提高在實(shí)際工作中選擇算法的能力。
9.涉及和講解的部分Python庫有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。


培訓(xùn)大綱
Hadoop培訓(xùn)內(nèi)容介紹


模塊一 移動互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算相關(guān)技術(shù)介紹
1、 數(shù)據(jù)中心與云計算技術(shù)應(yīng)用
2、 智慧城市與云計算技術(shù)應(yīng)用
3、 移動互聯(lián)網(wǎng)、大數(shù)據(jù)與云計算關(guān)聯(lián)技術(shù)
4、 移動云計算的生態(tài)系統(tǒng)及產(chǎn)業(yè)鏈
5、 大數(shù)據(jù)技術(shù)在運(yùn)營商、金融業(yè)、銀行業(yè)、電子商務(wù)行業(yè)、零售業(yè)、制造業(yè)、政務(wù)信息化、互聯(lián)網(wǎng)、教育信息化等行業(yè)中的應(yīng)用實(shí)踐
6、 國內(nèi)外主流的大數(shù)據(jù)解決方案介紹
7、 當(dāng)前大數(shù)據(jù)解決方案與傳統(tǒng)數(shù)據(jù)庫方案的剖析比較
8、 Cloudera Hadoop 大數(shù)據(jù)平臺方案剖析
9、 開源的大數(shù)據(jù)生態(tài)系統(tǒng)平臺剖析


模塊二 大數(shù)據(jù)的挑戰(zhàn)和發(fā)展方向
1、 大數(shù)據(jù)時代的挑戰(zhàn)
 戰(zhàn)略決策能力
 技術(shù)開發(fā)和數(shù)據(jù)處理能力
 組織和運(yùn)營能力
2、 大數(shù)據(jù)時代的發(fā)展方向
 云計算是基礎(chǔ)設(shè)施架構(gòu)
 大數(shù)據(jù)是靈魂資產(chǎn)
 分析、挖掘是手段
 發(fā)現(xiàn)和預(yù)測是最終目標(biāo)
3、 大數(shù)據(jù)挖掘在各行業(yè)應(yīng)用情況
 電信行業(yè)應(yīng)用及案例分析
 互聯(lián)網(wǎng)行業(yè)應(yīng)用及案例分析
 金融行業(yè)應(yīng)用及案例研究
 銷售行業(yè)應(yīng)用案例分析




模塊三 大數(shù)據(jù)文件存儲系統(tǒng)技術(shù)和分布式文件系統(tǒng)平臺及其應(yīng)用
1、 Hadoop的發(fā)展歷程
 Hadoop大數(shù)據(jù)平臺架構(gòu)
 基于Hadoop平臺的PB級大數(shù)據(jù)存儲管理與分析處理的工作原理與機(jī)制
 Hadoop 的核心組件剖析
2、 分布式文件系統(tǒng)HDFS
 概述、功能、作用、優(yōu)勢
 應(yīng)用范疇、應(yīng)用現(xiàn)狀
 發(fā)展趨勢
3、 分布式文件系統(tǒng)HDFS架構(gòu)及原理
 核心關(guān)鍵技術(shù)
 設(shè)計精髓
 基本工作原理
 系統(tǒng)架構(gòu)
 文件存儲模式
 工作機(jī)制
 存儲擴(kuò)容與吞吐性能擴(kuò)展
4、 分布式文件系統(tǒng)HDFS操作
 SHELL命令操作
 I/O流式操作
 文件數(shù)據(jù)讀取、寫入、追加、刪除
 文件狀態(tài)查詢
 數(shù)據(jù)塊分布機(jī)制
 數(shù)據(jù)同步與一致性
 元數(shù)據(jù)管理技術(shù)
 主節(jié)點(diǎn)與從節(jié)點(diǎn)工作機(jī)制
 大數(shù)據(jù)負(fù)載均衡技術(shù)
 HDFS大數(shù)據(jù)存儲集群管理技術(shù)
5、 Hadoop生態(tài)系統(tǒng)組件
 Storm
 HDFS
 MapReduce
 HIVE
 HBase
 Spark
 GraphX
 MLib
 Shark


模塊四 Hadoop文件系統(tǒng)HDFS最佳實(shí)戰(zhàn)
1、 HDFS的設(shè)計
2、 HDFS的概念
 數(shù)據(jù)塊
 namenode和datanode
 聯(lián)邦HDFS
 HDFS的高可用性
3、 命令行接口
4、 Hadoop文件系統(tǒng)
5、 Java接口
 從Hadoop URL讀取數(shù)據(jù)
 通過FileSystem API讀取數(shù)據(jù)
 寫入數(shù)據(jù)
 目錄
 查詢文件系統(tǒng)
 刪除數(shù)據(jù)
6、 數(shù)據(jù)流
 剖析文件讀取
 剖析文件寫入
 一致模型
7、 通過Flume和Sqoop導(dǎo)入數(shù)據(jù)
8、 通過distcp并行復(fù)制
9、 Hadoop存檔
 使用Hadoop存檔工具
 不足


模塊五 Hadoop運(yùn)維管理與性能調(diào)優(yōu)
1、 第二代大數(shù)據(jù)處理框架
 Yarn的工作原理及
 DAG并行執(zhí)行機(jī)制
 Yarn大數(shù)據(jù)分析處理案例分析
 Yarn 框架并行應(yīng)用程序?qū)嵺`
2、 集群配置管理
 Hadoop集群配置
 Hadoop性能調(diào)優(yōu)與參數(shù)配置
 Hadoop機(jī)架感知策略與配置
 Hadoop壓縮機(jī)制
 Hadoop任務(wù)負(fù)載均衡
 Hadoop 集群維護(hù)
 Hadoop監(jiān)控管理
3、 HDFS的靜態(tài)調(diào)優(yōu)技巧
 HDFS 的高吞吐量I/O性能調(diào)優(yōu)技巧
 MapReduce/Yarn的并行處理性能調(diào)優(yōu)技巧
 Hadoop集群的運(yùn)行故障剖析，以及解決方案
 基于Hadoop大數(shù)據(jù)應(yīng)用程序的性能瓶頸剖析與提
 Hadoop 大數(shù)據(jù)運(yùn)維監(jiān)控管理系統(tǒng) HUE 平臺的安裝部署與應(yīng)用配置
 Hadoop運(yùn)維管理監(jiān)控系統(tǒng)Ambari平臺的安裝部配置
 Hadoop 集群運(yùn)維系統(tǒng) Ganglia, Nagios的安裝部署與應(yīng)用配置


模塊六 NOSQL數(shù)據(jù)庫Hbase與Redis
1、 NOSQL基礎(chǔ)
 CAP理論
 Base與ACID
 NOSQL數(shù)據(jù)庫存儲類型
鍵值存儲
列存儲
文檔存儲
圖形存儲
2、 HBase分布式數(shù)據(jù)基礎(chǔ)
3、 安裝Hbase
4、 Hbase應(yīng)用
 HBase的邏輯數(shù)據(jù)模型，HBase的表、行、列族、列、單元格、版本、row key排序
 HBase的物理模型，命名空間（表空間）、表模式（Schema）的設(shè)計法則
 HBase 主節(jié)點(diǎn)HMaster的工作原理，HMaster的高可用配置，以及性能調(diào)優(yōu)
 HBase 從節(jié)點(diǎn)RegionServer（分區(qū)服務(wù)節(jié)點(diǎn)）的工作原理，表分區(qū)及存儲I/O高并發(fā)配置，以及性能調(diào)優(yōu)
 HBase的存儲引擎工作原理，以及HBase表數(shù)據(jù)的鍵值存儲結(jié)構(gòu)，以及HFile存儲結(jié)構(gòu)剖析
 HBase表設(shè)計與數(shù)據(jù)操作以及數(shù)據(jù)庫管理操作
 HBase集群的安裝部署、參數(shù)配置和性能優(yōu)化
5、 HBase分布式數(shù)據(jù)庫簡介、發(fā)展歷程、應(yīng)用場景、工作原理、以及應(yīng)用優(yōu)勢與不足之處
 HBase分布式數(shù)據(jù)庫集群的主從式平臺架構(gòu)和關(guān)鍵技術(shù)剖析
 HBase偽分布式和物理集群分布式的控制與運(yùn)行配置
 HBase從節(jié)點(diǎn)RegionServer（分區(qū)服務(wù)節(jié)點(diǎn)）的工作原理，表分區(qū)及存儲I/O高并發(fā)配置，以及性能調(diào)優(yōu)
 HBase的存儲引擎工作原理，以及HBase表數(shù)據(jù)的鍵值存儲結(jié)構(gòu)，以及HFile存儲結(jié)構(gòu)剖析
 HBase表設(shè)計與數(shù)據(jù)操作以及數(shù)據(jù)庫管理操作
 HBase集群的安裝部署、參數(shù)配置和性能優(yōu)化
 ZooKeeper分布式協(xié)調(diào)服務(wù)系統(tǒng)的工作原理、平臺架構(gòu)、集群部署應(yīng)用實(shí)戰(zhàn)
 ZooKeeper集群的原理架構(gòu)，以及應(yīng)用配置
6、 Redis內(nèi)存數(shù)據(jù)庫介紹，以及業(yè)界應(yīng)用案例
 Redis內(nèi)存數(shù)據(jù)庫集群架構(gòu)以及核心技術(shù)剖析
 Redis 集群的安裝部署與應(yīng)用開發(fā)實(shí)戰(zhàn)


模塊七 類SQL語句工具——Hive
1、 安裝Hive
2、 示例
3、 運(yùn)行Hive
 配置Hive
 Hive服務(wù)
 Metastore
4、 Hive與傳統(tǒng)數(shù)據(jù)庫相比
 讀時模式vs.寫時模式
 更新、事務(wù)和索引
5、 HiveQL
 數(shù)據(jù)類型
 操作與函數(shù)
6、 表
 托管表和外部表
 分區(qū)和桶
 存儲格式
 導(dǎo)入數(shù)據(jù)
 表的修改
 表的丟棄
7、 查詢數(shù)據(jù)
 排序和聚集
 MapReduce腳本
 連接
 子查詢
 視圖
8、 用戶定義函數(shù)
 寫UDF
 寫UDAF


模塊八 數(shù)據(jù)挖掘SPARK建模基礎(chǔ)介紹
1、 Spark簡介
 Spark是什么
 Spark生態(tài)系統(tǒng)BDAS
2、 Spark架構(gòu)
 Spark分布式架構(gòu)與單機(jī)多核架構(gòu)的異同
3、 Spark集群的安裝與部署
 Spark的安裝與部署
 Spark集群初試
4、 Spark硬件配置
 Spark硬件
 Spark硬件配置流程


模塊九 Kafka基礎(chǔ)介紹
1、 Kafka介紹
2、 kafka體系結(jié)構(gòu)
3、 kafka設(shè)計理念簡介
4、 kafka通信協(xié)議
5、 kafka的偽分布安裝、集群安裝
6、 kafka的shell操作、java操作
7、 kafka設(shè)計理念*
8、 kafka producer和consumer開發(fā)
9、 Kafka分布式消息訂閱系統(tǒng)的應(yīng)用介紹、平臺架構(gòu)、集群部署與配置應(yīng)用實(shí)戰(zhàn)
10、 Flume-NG數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)流模型、平臺架構(gòu)、集群部署與配置應(yīng)用實(shí)戰(zhàn)
11、 Hadoop與DBMS之間數(shù)據(jù)交互工具Sqoop的應(yīng)用實(shí)踐，
12、 Sqoop導(dǎo)入導(dǎo)出數(shù)據(jù)以及Sqoop集群部署與配置
13、 Kettle 集群的平臺架構(gòu)、核心技術(shù)、部署配置和應(yīng)用實(shí)戰(zhàn)
14、 利用Sqoop實(shí)現(xiàn) MySQL 與 Hadoop 集群之間


模塊十 大數(shù)據(jù)典型應(yīng)用與開發(fā)案例分析：互聯(lián)網(wǎng)數(shù)據(jù)運(yùn)營
1、 案例1：貴州數(shù)據(jù)交易中心
 交易所交易形式：電子交易
 交易所服務(wù)：大數(shù)據(jù)交易、大數(shù)據(jù)清洗建模分析、大數(shù)據(jù)定向采購、大數(shù)據(jù)平臺技術(shù)開發(fā)
 大數(shù)據(jù)交易安全性探討分析
 數(shù)據(jù)交易中心商業(yè)模式探討分析
2、 案例2：大數(shù)據(jù)應(yīng)用案例：公共交通線路的智能規(guī)劃
 UrbanInsights：為公交公司提供基于訂閱訪問的大數(shù)據(jù)工具以及大數(shù)據(jù)咨詢服務(wù)
 Urban Insights數(shù)據(jù)源、數(shù)據(jù)收集、數(shù)據(jù)倉庫、數(shù)據(jù)分析——設(shè)計運(yùn)營線路
 Urban Insights通過互聯(lián)網(wǎng)數(shù)據(jù)的運(yùn)營
3、 討論：浙江移動大數(shù)據(jù)應(yīng)用與開發(fā)方向


模塊十一 當(dāng)前數(shù)據(jù)中心的改造和轉(zhuǎn)換分析-以國內(nèi)外運(yùn)營商、互聯(lián)網(wǎng)公司為例
1、 流商業(yè)大數(shù)據(jù)解決方案比較
2、 主流開源云計算系統(tǒng)比較
3、 國內(nèi)外代表性大數(shù)據(jù)平臺比較
4、 各廠商最新的大數(shù)據(jù)產(chǎn)品介紹
5、 案例分析
 Facebook的SNS平臺應(yīng)用
 Google的搜索引擎應(yīng)用
 Rackspace的日志處理
 Verizon成立精準(zhǔn)市場營銷部
 TelefonicaDynamicInsights推出的名為“智慧足跡”的商業(yè)服務(wù)
 中國聯(lián)通的“移動通信用戶上網(wǎng)記錄集中查詢與分析支撐系統(tǒng)”


大數(shù)據(jù)建模與分析挖掘培訓(xùn)內(nèi)容
業(yè)界主流的數(shù)據(jù)倉庫工具和大數(shù)據(jù)分析挖掘工具
1. 業(yè)界主流的基于Hadoop和Spark的大數(shù)據(jù)分析挖掘項(xiàng)目解決方案
2. 業(yè)界數(shù)據(jù)倉庫與數(shù)據(jù)分析挖掘平臺軟件工具
3. Hadoop數(shù)據(jù)倉庫工具Hive
4. Spark實(shí)時數(shù)據(jù)倉庫工具SparkSQL
5. Hadoop數(shù)據(jù)分析挖掘工具M(jìn)ahout
6. Spark機(jī)器學(xué)習(xí)與數(shù)據(jù)分析挖掘工具M(jìn)Llib
7. 大數(shù)據(jù)分析挖掘項(xiàng)目的實(shí)施步驟 配置數(shù)據(jù)倉庫工具Hadoop Hive和SparkSQL
實(shí)踐訓(xùn)練
部署數(shù)據(jù)分析挖掘工具Hadoop Mahout和Spark MLlib


大數(shù)據(jù)分析挖掘項(xiàng)目的數(shù)據(jù)集成操作訓(xùn)練
1. 日志數(shù)據(jù)解析和導(dǎo)入導(dǎo)出到數(shù)據(jù)倉庫的操作訓(xùn)練
2. 從原始搜索數(shù)據(jù)集中抽取、集成數(shù)據(jù)，整理后形成規(guī)范的數(shù)據(jù)倉庫
3. 數(shù)據(jù)分析挖掘模塊從大型的集中式數(shù)據(jù)倉庫中訪問數(shù)據(jù)，一個數(shù)據(jù)倉庫面向一個主題，構(gòu)建兩個數(shù)據(jù)倉庫
4. 同一個數(shù)據(jù)倉庫中的事實(shí)表數(shù)據(jù)，可以給多個不同類型的分析挖掘任務(wù)調(diào)用
5. 去除噪聲
實(shí)踐訓(xùn)練
項(xiàng)目數(shù)據(jù)集加載ETL到Hadoop Hive數(shù)據(jù)倉庫并建立多維模型


基于Hadoop的大型數(shù)據(jù)倉庫管理平臺—HIVE數(shù)據(jù)倉庫集群的多維分析建模應(yīng)用實(shí)踐
1. 基于Hadoop的大型分布式數(shù)據(jù)倉庫在行業(yè)中的數(shù)據(jù)倉庫應(yīng)用案例
2. Hive數(shù)據(jù)倉庫集群的平臺體系結(jié)構(gòu)、核心技術(shù)剖析
3. Hive Server的工作原理、機(jī)制與應(yīng)用
4. Hive數(shù)據(jù)倉庫集群的安裝部署與配置優(yōu)化
5. Hive應(yīng)用開發(fā)技巧
6. Hive SQL剖析與應(yīng)用實(shí)踐
7. Hive數(shù)據(jù)倉庫表與表分區(qū)、表操作、數(shù)據(jù)導(dǎo)入導(dǎo)出、客戶端操作技巧
8. Hive數(shù)據(jù)倉庫報表設(shè)計
9. 將原始的日志數(shù)據(jù)集，經(jīng)過整理后，加載至Hadoop + Hive數(shù)據(jù)倉庫集群中，用于共享訪問
實(shí)踐訓(xùn)練
利用HIVE構(gòu)建大型數(shù)據(jù)倉庫項(xiàng)目的操作訓(xùn)練實(shí)踐


Spark大數(shù)據(jù)分析挖掘平臺實(shí)踐操作訓(xùn)練
1. Spark大數(shù)據(jù)分析挖掘平臺的部署配置
2. Spark數(shù)據(jù)分析庫MLlib的開發(fā)部署
3. Spark數(shù)據(jù)分析挖掘示例操作，從Hive表中讀取數(shù)據(jù)并在分布式內(nèi)存中運(yùn)行


聚類分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用
1. 聚類分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
a) Canopy聚類（canopy clustering）
b) K均值算法（K-means clustering）
c) 模糊K均值（Fuzzy K-means clustering）
d) EM聚類，即期望最大化聚類（Expectation Maximization）
e) 以上算法在Spark MLib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark聚類分析算法程序示例
實(shí)踐訓(xùn)練
基于Spark MLlib的聚類分析算法，實(shí)現(xiàn)日志數(shù)據(jù)集中的用戶聚類


分類分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用
1. 分類分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用， 包括：
a) Spark決策樹算法實(shí)現(xiàn)
b) 邏輯回歸算法（logistics regression）
c) 貝葉斯算法（Bayesian與Cbeyes）
d) 支持向量機(jī)（Support vector machine）
e) 以上算法在Spark MLlib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark客戶資料分析與給用戶貼標(biāo)簽的程序示例
3. Spark實(shí)現(xiàn)給商品貼標(biāo)簽的程序示例
4. Spark實(shí)現(xiàn)用戶行為的自動標(biāo)簽和深度技術(shù)
實(shí)踐訓(xùn)練
基于Spark MLlib的分類分析算法模型與應(yīng)用操作


關(guān)聯(lián)分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用
1. 預(yù)測、推薦分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
a) Spark頻繁模式挖掘算法（parallel FP Growth Algorithm）應(yīng)用
b) Spark關(guān)聯(lián)規(guī)則挖掘（Apriori）算法及其應(yīng)用
c) 以上算法在Spark MLib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark關(guān)聯(lián)分析程序示例
實(shí)踐訓(xùn)練
基于Spark MLlib的關(guān)聯(lián)分析操作


推薦分析挖掘模型與算法技術(shù)應(yīng)用
1. 推薦算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
a) Spark協(xié)同過濾算法程序示例
b) Item-based協(xié)同過濾與推薦
c) User-based協(xié)同過濾與推薦
d) 交叉銷售推薦模型及其實(shí)現(xiàn)
實(shí)踐訓(xùn)練
推薦分析實(shí)現(xiàn)步驟與操作（重點(diǎn)）


回歸分析模型與預(yù)測算法
1. 利用線性回歸（多元回歸）實(shí)現(xiàn)訪問量預(yù)測
2. 利用非線性回歸預(yù)測成交量和訪問量的關(guān)系
3. 基于R+Spark實(shí)現(xiàn)回歸分析模型及其應(yīng)用操作
4. Spark回歸程序?qū)崿F(xiàn)異常點(diǎn)檢測的程序示例
實(shí)踐訓(xùn)練
回歸分析預(yù)測操作例子


圖關(guān)系建模與分析挖掘及其鏈接分析和社交分析操作
1. 利用Spark GraphX實(shí)現(xiàn)網(wǎng)頁鏈接分析，計算網(wǎng)頁重要性排名
2. 實(shí)現(xiàn)信息傳播的社交關(guān)系傳遞分析，互聯(lián)網(wǎng)用戶的行為關(guān)系分析任務(wù)的操作訓(xùn)練 實(shí)踐訓(xùn)練
圖數(shù)據(jù)的分析挖掘操作，實(shí)現(xiàn)微博數(shù)據(jù)集的社交網(wǎng)絡(luò)建模與關(guān)系分析


神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法模型及其應(yīng)用實(shí)踐
1. 神經(jīng)網(wǎng)絡(luò)算法Neural Network的實(shí)現(xiàn)方法和挖掘模型應(yīng)用
2. 基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的訓(xùn)練過程
a) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
b) Deep Learning的訓(xùn)練方法
3. 深度學(xué)習(xí)的常用模型和方法
a) CNN（Convolutional Neural Network）卷積神經(jīng)網(wǎng)絡(luò)
b) RNN（Recurrent Neural Network）循環(huán)神經(jīng)網(wǎng)絡(luò)模型
c) Restricted Boltzmann Machine(RBM)限制波爾茲曼機(jī)
4. 基于Spark的深度學(xué)習(xí)算法模型庫的應(yīng)用程序示例
實(shí)踐訓(xùn)練
基于Spark或TensorFlow神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)庫實(shí)現(xiàn)文本與圖片數(shù)據(jù)挖掘


項(xiàng)目實(shí)踐
1. 日志分析系統(tǒng)與日志挖掘項(xiàng)目實(shí)踐
a) Hadoop，Spark，ELK技術(shù)構(gòu)建日志數(shù)據(jù)倉庫
b) 互聯(lián)網(wǎng)微博日志分析系統(tǒng)項(xiàng)目
2. 推薦系統(tǒng)項(xiàng)目實(shí)踐
a) 電影數(shù)據(jù)分析與個性化推薦關(guān)聯(lián)分析項(xiàng)目
實(shí)踐訓(xùn)練
項(xiàng)目數(shù)據(jù)集和詳細(xì)的實(shí)驗(yàn)指導(dǎo)手冊由講師提供


培訓(xùn)總結(jié)
1. 項(xiàng)目方案的課堂討論，討論實(shí)際業(yè)務(wù)中的分析需求，剖析各個環(huán)節(jié)的難點(diǎn)、痛點(diǎn)、瓶頸，啟發(fā)出解決之道；完成講師布置的項(xiàng)目案例，鞏固學(xué)過的大數(shù)據(jù)分析挖掘處理平臺技術(shù)知識以及應(yīng)用技能
討論交流


Python機(jī)器學(xué)習(xí)培訓(xùn)內(nèi)容


模塊一：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)1 - 數(shù)學(xué)分析
1. 機(jī)器學(xué)習(xí)的一般方法和橫向比較
2. 數(shù)學(xué)是有用的：以SVD為例
3. 機(jī)器學(xué)習(xí)的角度看數(shù)學(xué)
4. 復(fù)習(xí)數(shù)學(xué)分析
5. 直觀解釋常數(shù)e
6. 導(dǎo)數(shù)/梯度
7. 隨機(jī)梯度下降
8. Taylor展式的落地應(yīng)用
9. gini系數(shù)
10. 凸函數(shù)
11. Jensen不等式
12. 組合數(shù)與信息熵的關(guān)系


模塊二：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)2 - 概率論與貝葉斯先驗(yàn)
1. 概率論基礎(chǔ)
2. 古典概型
3. 貝葉斯公式
4. 先驗(yàn)分布/后驗(yàn)分布/共軛分布
5. 常見概率分布
6. 泊松分布和指數(shù)分布的物理意義
7. 協(xié)方差(矩陣)和相關(guān)系數(shù)
8. 獨(dú)立和不相關(guān)
9. 大數(shù)定律和中心極限定理的實(shí)踐意義
10. 深刻理解最大似然估計MLE和最大后驗(yàn)估計MAP
11. 過擬合的數(shù)學(xué)原理與解決方案


模塊三：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)3 - 矩陣和線性代數(shù)
1. 線性代數(shù)在數(shù)學(xué)科學(xué)中的地位
2. 馬爾科夫模型
3. 矩陣乘法的直觀表達(dá)
4. 狀態(tài)轉(zhuǎn)移矩陣
5. 矩陣和向量組
6. 特征向量的思考和實(shí)踐計算
7. QR分解
8. 對稱陣、正交陣、正定陣
9. 數(shù)據(jù)白化及其應(yīng)用
10. 向量對向量求導(dǎo)
11. 標(biāo)量對向量求導(dǎo)
12. 標(biāo)量對矩陣求導(dǎo)工作機(jī)制


模塊四：Python基礎(chǔ)1 - Python及其數(shù)學(xué)庫
1. 解釋器Python2.7與IDE：Anaconda/Pycharm
2. Python基礎(chǔ)：列表/元組/字典/類/文件
3. Taylor展式的代碼實(shí)現(xiàn)
4. numpy/scipy/matplotlib/panda的介紹和典型使用
5. 多元高斯分布
6. 泊松分布、冪律分布
7. 典型圖像處理
8. 蝴蝶效應(yīng)
9. 分形與可視化


模塊五：Python基礎(chǔ)2 - 機(jī)器學(xué)習(xí)庫
1. scikit-learn的介紹和典型使用
2. 損失函數(shù)的繪制
3. 多種數(shù)學(xué)曲線
4. 多項(xiàng)式擬合
5. 快速傅里葉變換FFT
6. 奇異值分解SVD
7. Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò)
8. 卷積與(指數(shù))移動平均線
9. 股票數(shù)據(jù)分析


模塊六：Python基礎(chǔ)3 - 數(shù)據(jù)清洗和特征選擇
1. 實(shí)際生產(chǎn)問題中算法和特征的關(guān)系
2. 股票數(shù)據(jù)的特征提取和應(yīng)用
3. 一致性檢驗(yàn)
4. 缺失數(shù)據(jù)的處理
5. 環(huán)境數(shù)據(jù)異常檢測和分析
6. 模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法、算法、應(yīng)用
7. 樸素貝葉斯用于鳶尾花數(shù)據(jù)
8. GaussianNB/MultinomialNB/BernoulliNB
9. 樸素貝葉斯用于18000+篇/Sogou新聞文本的分類


模塊七： 回歸
1. 線性回歸
2. Logistic/Softmax回歸
3. 廣義線性回歸
4. L1/L2正則化
5. Ridge與LASSO
6. Elastic Net
7. 梯度下降算法：BGD與SGD
8. 特征選擇與過擬合


模塊八：Logistic回歸
1. Sigmoid函數(shù)的直觀解釋
2. Softmax回歸的概念源頭
3. Logistic/Softmax回歸
4. 最大熵模型
5. K-L散度
6. 損失函數(shù)
7. Softmax回歸的實(shí)現(xiàn)與調(diào)參


模塊九：回歸實(shí)踐
1. 機(jī)器學(xué)習(xí)sklearn庫介紹
2. 線性回歸代碼實(shí)現(xiàn)和調(diào)參
3. Softmax回歸代碼實(shí)現(xiàn)和調(diào)參
4. Ridge回歸/LASSO/Elastic Net
5. Logistic/Softmax回歸
6. 廣告投入與銷售額回歸分析
7. 鳶尾花數(shù)據(jù)集的分類
8. 交叉驗(yàn)證
9. 數(shù)據(jù)可視化


模塊十：決策樹和隨機(jī)森林
1. 熵、聯(lián)合熵、條件熵、KL散度、互信息
2. 最大似然估計與最大熵模型
3. ID3、C4.5、CART詳解
4. 決策樹的正則化
5. 預(yù)剪枝和后剪枝
6. Bagging
7. 隨機(jī)森林
8. 不平衡數(shù)據(jù)集的處理
9. 利用隨機(jī)森林做特征選擇
10. 使用隨機(jī)森林計算樣本相似度
11. 數(shù)據(jù)異常值檢測


模塊十一：隨機(jī)森林實(shí)踐
1. 隨機(jī)森林與特征選擇
2. 決策樹應(yīng)用于回歸
3. 多標(biāo)記的決策樹回歸
4. 決策樹和隨機(jī)森林的可視化
5. 葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類
6. 波士頓房價預(yù)測


模塊十二：提升
1. 提升為什么有效
2. 梯度提升決策樹GBDT
3. XGBoost算法詳解
4. Adaboost算法
5. 加法模型與指數(shù)損失


模塊十三：提升實(shí)踐
1. Adaboost用于蘑菇數(shù)據(jù)分類
2. Adaboost與隨機(jī)森林的比較
3. XGBoost庫介紹
4. Taylor展式與學(xué)習(xí)算法
5. KAGGLE簡介
6. 泰坦尼克乘客存活率估計


模塊十四：SVM
1. 線性可分支持向量機(jī)
2. 軟間隔的改進(jìn)
3. 損失函數(shù)的理解
4. 核函數(shù)的原理和選擇
5. SMO算法
6. 支持向量回歸SVR


模塊十五：SVM實(shí)踐
1. libSVM代碼庫介紹
2. 原始數(shù)據(jù)和特征提取
3. 葡萄酒數(shù)據(jù)分類
4. 數(shù)字圖像的手寫體識別
5. SVR用于時間序列曲線預(yù)測
6. SVM、Logistic回歸、隨機(jī)森林三者的橫向比較


模塊十六：聚類（一）
1. 各種相似度度量及其相互關(guān)系
2. Jaccard相似度和準(zhǔn)確率、召回率
3. Pearson相關(guān)系數(shù)與余弦相似度
4. K-means與K-Medoids及變種
5. AP算法(Sci07)/LPA算法及其應(yīng)用


模塊十七：聚類（二）
1. 密度聚類DBSCAN/DensityPeak(Sci14)
2. DensityPeak(Sci14)
3. 譜聚類SC
4. 聚類評價AMI/ARI/Silhouette
5. LPA算法及其應(yīng)用


模塊十八：聚類實(shí)踐
1. K-Means++算法原理和實(shí)現(xiàn)
2. 向量量化VQ及圖像近似
3. 并查集的實(shí)踐應(yīng)用
4. 密度聚類的代碼實(shí)現(xiàn)
5. 譜聚類用于圖片分割


模塊十九：EM算法
1. 最大似然估計
2. Jensen不等式
3. 樸素理解EM算法
4. 精確推導(dǎo)EM算法
5. EM算法的深入理解
6. 混合高斯分布
7. 主題模型pLSA


模塊二十：EM算法實(shí)踐
1. 多元高斯分布的EM實(shí)現(xiàn)
2. 分類結(jié)果的數(shù)據(jù)可視化
3. EM與聚類的比較
4. Dirichlet過程EM
5. 三維及等高線等圖件的繪制
6. 主題模型pLSA與EM算法


模塊二十一:主題模型LDA
1. 貝葉斯學(xué)派的模型認(rèn)識
2. Beta分布與二項(xiàng)分布
3. 共軛先驗(yàn)分布
4. Dirichlet分布
5. Laplace平滑
6. Gibbs采樣詳解


模塊二十二：LDA實(shí)踐
1. 網(wǎng)絡(luò)爬蟲的原理和代碼實(shí)現(xiàn)
2. 停止詞和高頻詞
3. 動手自己實(shí)現(xiàn)LDA
4. LDA開源包的使用和過程分析
5. Metropolis-Hastings算法
6. MCMC
7. LDA與word2vec的比較
8. TextRank算法與實(shí)踐


模塊二十三：隱馬爾科夫模型HMM
1. 概率計算問題
2. 前向/后向算法
3. HMM的參數(shù)學(xué)習(xí)
4. Baum-Welch算法詳解
5. Viterbi算法詳解
6. 隱馬爾科夫模型的應(yīng)用優(yōu)劣比較


模塊二十四：HMM實(shí)踐
1. 動手自己實(shí)現(xiàn)HMM用于中文分詞
2. 多個語言分詞開源包的使用和過程分析
3. 文件數(shù)據(jù)格式UFT-8、Unicode
4. 停止詞和標(biāo)點(diǎn)符號對分詞的影響
5. 前向后向算法計算概率溢出的解決方案
6. 發(fā)現(xiàn)新詞和分詞效果分析
7. 高斯混合模型HMM
8. GMM-HMM用于股票數(shù)據(jù)特征提取


模塊二十五：課堂提問與互動討論


頒發(fā)證書
參加相關(guān)培訓(xùn)并通過考試的學(xué)員，可以獲得：
工業(yè)和信息化部頒發(fā)的-《大數(shù)據(jù)工程師證書》。該證書可作為專業(yè)技術(shù)人員職業(yè)能力考核的證明，以及專業(yè)技術(shù)人員崗位聘用、任職、定級和晉升職務(wù)的重要依據(jù)。注：請學(xué)員帶一寸彩照2張（背面注明姓名）、身份證復(fù)印件一張。