国产极品粉嫩福利姬萌白酱_伊人WWW22综合色_久久精品a一国产成人免费网站_法国啄木乌AV片在线播放

大數據分析技術課程

一、課程簡介
大數據挖掘與機器學習技術已經逐步地應用到新興互聯網企業（如電子商務網站、搜索引擎、社交網站、互聯網廣告服務提供商等）、銀行金融證券企業、電信運營等行業，給這些行業帶來了一定的數據價值增值作用。
本次課程面向有一定的數據分析挖掘算法基礎的工程師，帶大家實踐大數據分析挖掘平臺的項目訓練，系統地講解數據準備、數據建模、挖掘模型建立、大數據分析與挖掘算法應用在業務模型中，結合主流的Hadoop與Spark大數據分析平臺架構，實現項目訓練。
結合業界使用最廣泛的主流大數據平臺技術，重點剖析基于大數據分析算法與BI技術應用，包括分類算法、聚類算法、預測分析算法、推薦分析模型等在業務中的實踐應用，并根據講師給定的數據集，實現兩個基本的日志數據分析挖掘系統，以及電商（或內容）推薦系統引擎。
本課程基本的實踐環境是Linux集群，JDK1.8， Hadoop 2.7.*，Spark 2.1.*。
學員需要準備的電腦最好是i5及以上CPU，4GB及以上內存，硬盤空間預留50GB（可用移動硬盤），基本的大數據分析平臺所依賴的軟件包和依賴庫等，講師已經提前部署在虛擬機鏡像（VMware鏡像），學員根據講師的操作任務進行實踐。
本(ben)課程(cheng)采(cai)用技術原理(li)與項目實戰相結合的(de)方式進行教學，在講(jiang)(jiang)授原理(li)的(de)過程(cheng)中，穿插實際的(de)系(xi)統操作，本(ben)課程(cheng)講(jiang)(jiang)師也精心準備的(de)實際的(de)應用案例(li)供學員動手訓練。

二、培訓目標
1.本課程讓學員充分掌握大數據平臺技術架構、大數據分析的基本理論、機器學習的常用算法、國內外主流的大數據分析與BI商業智能分析解決方案、以及大數據分析在搜索引擎、廣告服務推薦、電商數據分析、金融客戶分析方面的應用案例。
2.本課程強調主流的大數據分析挖掘算法技術的應用和分析平臺的實施，讓學員掌握主流的基于大數據Hadoop和Spark、R的大數據分析平臺架構和實際應用，并用結合實際的生產系統案例進行教學，掌握基于Hadoop大數據平臺的數據挖掘和數據倉庫分布式系統平臺應用，以及商業和開源的數據分析產品加上Hadoop平臺形成大數據分析平臺的應用剖析。
3.讓(rang)學(xue)員(yuan)掌握常(chang)(chang)見的(de)(de)機器學(xue)習(xi)算法，深(shen)入講解業界成(cheng)熟的(de)(de)大數據分(fen)(fen)析挖(wa)掘與BI平臺的(de)(de)實(shi)踐應用(yong)，并以(yi)客戶(hu)分(fen)(fen)析系統(tong)、日志分(fen)(fen)析和電(dian)商(shang)推(tui)薦系統(tong)為案例，串聯(lian)常(chang)(chang)用(yong)的(de)(de)數據挖(wa)掘技(ji)術進(jin)行應用(yong)教學(xue)。

三、培訓人群
1.大數據分析應用開發工程師
2.大數據分析項目的規劃咨詢管理人員
3.大數據分析項目的IT項目高管人員
4.大數據分析與挖掘處理算法應用工程師
5.大數據分析集群運維工程師
6.大數據分(fen)析項目的售前和售后(hou)技術支持(chi)服務(wu)人員

四、詳細大綱與培訓內容
時間內容提要授課詳細內容實踐訓練
第一天業界主流的數據倉庫工具和大數據分析挖掘工具
1.業界主流的基于Hadoop和Spark的大數據分析挖掘項目解決方案
2.業界數據倉庫與數據分析挖掘平臺軟件工具
3.Hadoop數據倉庫工具Hive
4.Spark實時數據倉庫工具SparkSQL
5.Hadoop數據分析挖掘工具Mahout
6.Spark機器學習與數據分析挖掘工具MLlib
7.大數據分析挖掘項目的實施步驟配置數據倉庫工具Hadoop Hive和SparkSQL
部署數據分析挖掘工具Hadoop Mahout和Spark MLlib
大數據分析挖掘項目的數據集成操作訓練
1.日志數據解析和導入導出到數據倉庫的操作訓練
2.從原始搜索數據集中抽取、集成數據，整理后形成規范的數據倉庫
3.數據分析挖掘模塊從大型的集中式數據倉庫中訪問數據，一個數據倉庫面向一個主題，構建兩個數據倉庫
4.同一個數據倉庫中的事實表數據，可以給多個不同類型的分析挖掘任務調用
5.去除噪聲項目數據集加載ETL到Hadoop Hive數據倉庫并建立多維模型
基于Hadoop的大型數據倉庫管理平臺—HIVE數據倉庫集群的多維分析建模應用實踐
6.基于Hadoop的大型分布式數據倉庫在行業中的數據倉庫應用案例
7.Hive數據倉庫集群的平臺體系結構、核心技術剖析
8.Hive Server的工作原理、機制與應用
9.Hive數據倉庫集群的安裝部署與配置優化
10.Hive應用開發技巧
11.Hive SQL剖析與應用實踐
12.Hive數據倉庫表與表分區、表操作、數據導入導出、客戶端操作技巧
13.Hive數據倉庫報表設計
14.將原始的日志數據集，經過整理后，加載至Hadoop + Hive數據倉庫集群中，用于共享訪問利用HIVE構建大型數據倉庫項目的操作訓練實踐
Spark大數據分析挖掘平臺實踐操作訓練15.Spark大數據分析挖掘平臺的部署配置
16.Spark數據分析庫MLlib的開發部署
17.Spark數據分析挖(wa)掘示例操作，從Hive表中(zhong)讀取(qu)數據并(bing)在分布式內(nei)存中(zhong)運行

第二天聚類分析建模與挖掘算法的實現原理和技術應用
18.聚類分析建模與算法原理及其在Spark MLlib中的實現與應用，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*化聚類（Expectation Maximization）
e)以上算法在Spark MLib中的實現原理和實際場景中的應用案例。
19.Spark聚類分析算法程序示例基于Spark MLlib的聚類分析算法，實現日志數據集中的用戶聚類
分類分析建模與挖掘算法的實現原理和技術應用 
20.分類分析建模與算法原理及其在Spark MLlib中的實現與應用， 包括：
f)Spark決策樹算法實現
g)邏輯回歸算法（logistics regression）
h)貝葉斯算法（Bayesian與Cbeyes）
i)支持向量機（Support vector machine）
j)以上算法在Spark MLlib中的實現原理和實際場景中的應用案例。
21.Spark客戶資料分析與給用戶貼標簽的程序示例
22.Spark實現給商品貼標簽的程序示例
23.Spark實現用戶行為的自動標簽和深度技術基于Spark MLlib的分類分析算法模型與應用操作
關聯分析建模與挖掘算法的實現原理和技術應用 
24.預測、推薦分析建模與算法原理及其在Spark MLlib中的實現與應用，包括：
k)Spark頻繁模式挖掘算法（parallel FP Growth Algorithm）應用
l)Spark關聯規則挖掘（Apriori）算法及其應用
m)以上算法在Spark MLib中的實現原理和實際場景中的應用案例。
25.Spark關聯分(fen)析程序示例基于Spark MLlib的關聯分(fen)析操作

第三天推薦分析挖掘模型與算法技術應用
26.推薦算法原理及其在Spark MLlib中的實現與應用，包括：
a)Spark協同過濾算法程序示例
b)Item-based協同過濾與推薦
c)User-based協同過濾與推薦
d)交叉銷售推薦模型及其實現推薦分析實現步驟與操作（重點）
回歸分析模型與預測算法
27.利用線性回歸（多元回歸）實現訪問量預測
28.利用非線性回歸預測成交量和訪問量的關系
29.基于R+Spark實現回歸分析模型及其應用操作
30.Spark回歸程序實現異常點檢測的程序示例回歸分析預測操作例子
圖關系建模與分析挖掘及其鏈接分析和社交分析操作 
31.利用Spark GraphX實現網頁鏈接分析，計算網頁重要性排名
32.實現信息傳播的社交關系傳遞分析，互聯網用戶的行為關系分析任務的操作訓練圖數據的分析挖掘操作，實現微博數據集的社交網絡建模與關系分析
神經網絡與深度學習算法模型及其應用實踐
33.神經網絡算法Neural Network的實現方法和挖掘模型應用
34.基于人工神經網絡的深度學習的訓練過程
a)傳統神經網絡的訓練方法
b)Deep Learning的訓練方法
35.深度學習的常用模型和方法
a)CNN（Convolutional Neural Network）卷積神經網絡
b)RNN（Recurrent Neural Network）循環神經網絡模型
c)Restricted Boltzmann Machine(RBM)限制波爾茲曼機
36.基于Spark的深度學習算法模型庫的應用程序示例基于Spark或TensorFlow神經網絡深度學習庫實現文本與圖片數據挖掘
項目實踐
37.日志分析系統與日志挖掘項目實踐
a)Hadoop，Spark，ELK技術構建日志數據倉庫
b)互聯網微博日志分析系統項目
38.推薦系統項目實踐
a)電影數據分析與個性化推薦關聯分析項目項目數據集和詳細的實驗指導手冊由講師提供
培訓總結
39.項(xiang)目(mu)方案的(de)(de)課(ke)堂討(tao)論(lun)，討(tao)論(lun)實際業務(wu)中的(de)(de)分析需(xu)求，剖(pou)析各(ge)個(ge)環節的(de)(de)難(nan)點、痛點、瓶(ping)頸，啟(qi)發出解決之道；完成(cheng)講師布(bu)置的(de)(de)項(xiang)目(mu)案例，鞏固(gu)學過(guo)的(de)(de)大數據(ju)分析挖(wa)掘處理(li)平臺技(ji)術知識以及(ji)應用(yong)技(ji)能討(tao)論(lun)交流

張老師：阿里(li)大(da)數據(ju)高級專家，國(guo)內資深(shen)的(de)Spark、Hadoop技(ji)(ji)術專家、虛(xu)擬化(hua)專家，對HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和(he)(he)openTSDB等Hadoop生(sheng)態系統中(zhong)的(de)技(ji)(ji)術進行了多(duo)年的(de)深(shen)入的(de)研究，更主(zhu)要的(de)是(shi)這些技(ji)(ji)術在大(da)量的(de)實際項(xiang)目(mu)中(zhong)得(de)到廣泛的(de)應(ying)用(yong)，因此在Hadoop開(kai)發和(he)(he)運維方面積累了豐(feng)富的(de)項(xiang)目(mu)實施經驗。近年主(zhu)要典(dian)型的(de)項(xiang)目(mu)有：某(mou)(mou)(mou)電信集團網(wang)(wang)絡優(you)化(hua)、中(zhong)國(guo)移(yi)動(dong)某(mou)(mou)(mou)省(sheng)移(yi)動(dong)公(gong)(gong)司請賬單(dan)系統和(he)(he)某(mou)(mou)(mou)省(sheng)移(yi)動(dong)詳單(dan)實時查詢系統、中(zhong)國(guo)銀聯(lian)(lian)大(da)數據(ju)數據(ju)票(piao)據(ju)詳單(dan)平臺(tai)、某(mou)(mou)(mou)大(da)型銀行大(da)數據(ju)記錄系統、某(mou)(mou)(mou)大(da)型通信運營商全(quan)國(guo)用(yong)戶上網(wang)(wang)記錄、某(mou)(mou)(mou)省(sheng)交通部門(men)違章系統、某(mou)(mou)(mou)區域醫療大(da)數據(ju)應(ying)用(yong)項(xiang)目(mu)、互(hu)聯(lian)(lian)網(wang)(wang)公(gong)(gong)共(gong)數據(ju)大(da)云(DAAS)和(he)(he)構建游戲(xi)云(Web Game Daas)平臺(tai)項(xiang)目(mu)等。

大數據分析技術課程