課程介紹

Hadoop板塊

1.需求理解

Hadoop 設計之初的目標就定位于高可靠性、高可拓展性、高容錯性和高效性，正是這些設計上與生俱來的優(yōu)點，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注。

對電信運營商而言,用戶上網日志包含了大量用戶個性化需求、喜好信息,對其進行分析和挖掘,能更好地了解客戶需求。傳統(tǒng)經營分析系統(tǒng)小型機加關系型數(shù)據(jù)庫的架構無法滿足對海量非結構化數(shù)據(jù)的處理需求,搭建基于X86的Hadoop 平臺,引入大數(shù)據(jù)處理技術的方式,實現(xiàn)高效率、低成本、易擴展的經營分析系統(tǒng)混搭架構成為電信運營商最為傾向的選擇。本課程將全面介紹Hadoop平臺開發(fā)和運維的各項技術，對學員使用該項技術具有很高的應用價值。

2.培訓課程架構與設計思路

（1）培訓架構：

本課程分為三個主要部分：

第一部分：重點講述大數(shù)據(jù)技術在的應用，使學員對大數(shù)據(jù)技術的廣泛應用有清晰的認識，在這環(huán)節(jié)當中會重點介紹Hadoop技術在整個大數(shù)據(jù)技術應用中的重要地位和應用情況。

第二部分：具體對hadoop技術進行模塊化分拆，從大數(shù)據(jù)文件存儲系統(tǒng)技術和分布式文件系統(tǒng)平臺及其應用談起，介紹Hadoop技術各主要應用工具和方法，以及在運維維護當中的主流做法，使學員全面了解和掌握Hadoop技術的精華。

第三部分：重點剖析大數(shù)據(jù)的應用案例，使學員在案例當中對該項技術有更深入的感觀印象

（2）設計思路：

本課程采用模塊化教學方法，以案例分析為主線，由淺入深、循序漸進、由理論到實踐操作進行設計。

（3）與企業(yè)的貼合點：

本課程結合企業(yè)轉型發(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)務及行業(yè)應用市場拓展發(fā)展目標，重點講授Hadoop的應用技術，提升企業(yè)IT技術人員的開發(fā)和運維能力，有很強的貼合度。

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)分析挖掘算法基礎的工程師，帶大家實踐大數(shù)據(jù)分析挖掘平臺的項目訓練，系統(tǒng)地講解數(shù)據(jù)準備、數(shù)據(jù)建模、挖掘模型建立、大數(shù)據(jù)分析與挖掘算法應用在業(yè)務模型中，結合主流的Hadoop與Spark大數(shù)據(jù)分析平臺架構，實現(xiàn)項目訓練。

結合業(yè)界使用最廣泛的主流大數(shù)據(jù)平臺技術，重點剖析基于大數(shù)據(jù)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(yè)務中的實踐應用，并根據(jù)講師給定的數(shù)據(jù)集，實現(xiàn)兩個基本的日志數(shù)據(jù)分析挖掘系統(tǒng)，以及電商（或內容）推薦系統(tǒng)引擎。

本課程基本的實踐環(huán)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(shù)據(jù)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(jù)講師的操作任務進行實踐。

本課程采用技術原理與項目實戰(zhàn)相結合的方式進行教學，在講授原理的過程中，穿插實際的系統(tǒng)操作，本課程講師也精心準備的實際的應用案例供學員動手訓練。

Python機器學習板塊

1.每個算法模塊按照“原理講解→分析數(shù)據(jù)→自己動手實現(xiàn)→特征與調參”的順序。

2.“Python數(shù)據(jù)清洗和特征提取”，提升學習深度、降低學習坡度。

3.增加網絡爬蟲的原理和編寫，從獲取數(shù)據(jù)開始，重視將實踐問題轉換成實際模型的能力，分享工作中的實際案例或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乘客存活率預測、用戶-電影推薦、真實新聞組數(shù)據(jù)主題分析、中文分詞、股票數(shù)據(jù)特征分析等。

4.強化矩陣運算、概率論、數(shù)理統(tǒng)計的知識運用，掌握機器學習根本。

5.闡述機器學習原理，提供配套源碼和數(shù)據(jù)。

6.以直觀解釋，增強感性理解。

7.對比不同的特征選擇帶來的預測效果差異。

8.重視項目實踐，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。

培訓目標

掌握大數(shù)據(jù)處理平臺（Hadoop、Spark、Storm）技術架構、以及平臺的安裝部署、運維配置、應用開發(fā)；掌握主流大數(shù)據(jù)Hadoop平臺和Spark實時處理平臺的技術架構和實際應用；利用Hadoop+Spark對行業(yè)大數(shù)據(jù)進行存儲管理和分析挖掘的技術應用；講解Hadoop生態(tài)系統(tǒng)組件，包括Storm，HDFS，MapReduce，HIVE，HBase，Spark，GraphX，MLib，Shark， ElasticSearch等大數(shù)據(jù)存儲管理、分布式數(shù)據(jù)庫、大型數(shù)據(jù)倉庫、大數(shù)據(jù)查詢與搜索、大數(shù)據(jù)分析挖掘與分布式處理技術

讓學員充分掌握大數(shù)據(jù)平臺技術架構、大數(shù)據(jù)分析的基本理論、機器學習的常用算法、國內外主流的大數(shù)據(jù)分析與BI商業(yè)智能分析解決方案、以及大數(shù)據(jù)分析在搜索引擎、廣告服務推薦、電商數(shù)據(jù)分析、金融客戶分析方面的應用案例。

強調主流的大數(shù)據(jù)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(shù)據(jù)Hadoop和Spark、R的大數(shù)據(jù)分析平臺架構和實際應用，并用結合實際的生產系統(tǒng)案例進行教學，掌握基于Hadoop大數(shù)據(jù)平臺的數(shù)據(jù)挖掘和數(shù)據(jù)倉庫分布式系統(tǒng)平臺應用，以及商業(yè)和開源的數(shù)據(jù)分析產品加上Hadoop平臺形成大數(shù)據(jù)分析平臺的應用剖析。

讓學員掌握常見的機器學習算法，深入講解業(yè)界成熟的大數(shù)據(jù)分析挖掘與BI平臺的實踐應用，并以客戶分析系統(tǒng)、日志分析和電商推薦系統(tǒng)為案例，串聯(lián)常用的數(shù)據(jù)挖掘技術進行應用教學。

從數(shù)學層面推導最經典的機器學習算法，以及每種算法的示例和代碼實現(xiàn)（Python）、如何做算法的參數(shù)調試、以實際應用案例分析各種算法的選擇等。

培訓大綱

Hadoop培訓內容介紹

模塊一 移動互聯(lián)網、大數(shù)據(jù)、云計算相關技術介紹 1、數(shù)據(jù)中心與云計算技術應用

2、智慧城市與云計算技術應用

3、移動互聯(lián)網、大數(shù)據(jù)與云計算關聯(lián)技術

4、移動云計算的生態(tài)系統(tǒng)及產業(yè)鏈

5、大數(shù)據(jù)技術在運營商、金融業(yè)、銀行業(yè)、電子商務行業(yè)、零售業(yè)、制造業(yè)、政務信息化、互聯(lián)網、教育信息化等行業(yè)中的應用實踐

6、國內外主流的大數(shù)據(jù)解決方案介紹

7、當前大數(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

技術開發(fā)和數(shù)據(jù)處理能力

組織和運營能力

2、大數(shù)據(jù)時代的發(fā)展方向

云計算是基礎設施架構

大數(shù)據(jù)是靈魂資產

分析、挖掘是手段

發(fā)現(xiàn)和預測是最終目標

3、大數(shù)據(jù)挖掘在各行業(yè)應用情況

電信行業(yè)應用及案例分析

互聯(lián)網行業(yè)應用及案例分析

金融行業(yè)應用及案例研究

銷售行業(yè)應用案例分析

模塊三 大數(shù)據(jù)文件存儲系統(tǒng)技術和分布式文件系統(tǒng)平臺及其應用

1、Hadoop的發(fā)展歷程

Hadoop大數(shù)據(jù)平臺架構

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

應用范疇、應用現(xiàn)狀

發(fā)展趨勢

3、分布式文件系統(tǒng)HDFS架構及原理

核心關鍵技術

設計精髓

基本工作原理

系統(tǒng)架構

文件存儲模式

工作機制

存儲擴容與吞吐性能擴展

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)塊分布機制

數(shù)據(jù)同步與一致性

元數(shù)據(jù)管理技術

主節(jié)點與從節(jié)點工作機制

大數(shù)據(jù)負載均衡技術

HDFS大數(shù)據(jù)存儲集群管理技術

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最佳實戰(zhàn)

1、HDFS的設計

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導入數(shù)據(jù)

8、通過distcp并行復制

9、Hadoop存檔

使用Hadoop存檔工具

不足

模塊五 Hadoop運維管理與性能調優(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)行機制

Yarn大數(shù)據(jù)分析處理案例分析

Yarn 框架并行應用程序實踐

2、集群配置管理

Hadoop集群配置

Hadoop性能調優(yōu)與參數(shù)配置

Hadoop機架感知策略與配置

Hadoop壓縮機制

Hadoop任務負載均衡

Hadoop 集群維護

Hadoop監(jiān)控管理

3、HDFS的靜態(tài)調優(yōu)技巧

HDFS 的高吞吐量I/O性能調優(yōu)技巧

MapReduce/Yarn的并行處理性能調優(yōu)技巧

Hadoop集群的運行故障剖析，以及解決方案

基于Hadoop大數(shù)據(jù)應用程序的性能瓶頸剖析與提

Hadoop 大數(shù)據(jù)運維監(jiān)控管理系統(tǒng) HUE 平臺的安裝部署與應用配置

Hadoop運維管理監(jiān)控系統(tǒng)Ambari平臺的安裝部配置

Hadoop 集群運維系統(tǒng) Ganglia, Nagios的安裝部署與應用配置

模塊六 NOSQL數(shù)據(jù)庫Hbase與Redis 1、NOSQL基礎

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

3、安裝Hbase

4、Hbase應用

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）的設計法則

HBase 主節(jié)點HMaster的工作原理，HMaster的高可用配置，以及性能調優(yōu)

HBase 從節(jié)點RegionServer（分區(qū)服務節(jié)點）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)的鍵值存儲結構，以及HFile存儲結構剖析

HBase表設計與數(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、應用場景、工作原理、以及應用優(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和關鍵技術剖析

HBase偽分布式和物理集群分布式的控制與運行配置

HBase從節(jié)點RegionServer（分區(qū)服務節(jié)點）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)的鍵值存儲結構，以及HFile存儲結構剖析

HBase表設計與數(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)調服務系統(tǒng)的工作原理、平臺架構、集群部署應用實戰(zhàn)

ZooKeeper集群的原理架構，以及應用配置

6、Redis內存數(shù)據(jù)庫介紹，以及業(yè)界應用案例

Redis內存數(shù)據(jù)庫集群架構以及核心技術剖析

Redis 集群的安裝部署與應用開發(fā)實戰(zhàn)

模塊七 類SQL語句工具——Hive

1、安裝Hive

2、示例

3、運行Hive

配置Hive

Hive服務

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建模基礎介紹

1、Spark簡介

Spark是什么

Spark生態(tài)系統(tǒng)BDAS

2、Spark架構 

Spark分布式架構與單機多核架構的異同 

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基礎介紹

1、Kafka介紹

2、kafka體系結構

3、kafka設計理念簡介

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)的應用介紹、平臺架構、集群部署與配置應用實戰(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、集群部署與配置應用實戰(zhàn)

11、Hadoop與DBMS之間數(shù)據(jù)交互工具Sqoop的應用實踐，

12、Sqoop導入導出數(shù)據(jù)以及Sqoop集群部署與配置

13、Kettle 集群的平臺架構、核心技術、部署配置和應用實戰(zhàn)

14、利用Sqoop實現(xiàn) MySQL 與 Hadoop 集群之間

模塊十 大數(shù)據(jù)典型應用與開發(fā)案例分析：互聯(lián)網數(shù)據(jù)運營

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：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

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——設計運營線路

Urban Insights通過互聯(lián)網數(shù)據(jù)的運營

3、討論：浙江移動大數(shù)據(jù)應用與開發(fā)方向

模塊十一 當前數(shù)據(jù)中心的改造和轉換分析-以國內外運營商、互聯(lián)網公司為例 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)產品介紹

5、案例分析

Facebook的SNS平臺應用

Google的搜索引擎應用

Rackspace的日志處理

Verizon成立精準市場營銷部

TelefonicaDynamicInsights推出的名為“智慧足跡”的商業(yè)服務

中國聯(lián)通的“移動通信用戶上網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內容

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實時數(shù)據(jù)倉庫工具SparkSQL

5.Hadoop數(shù)據(jù)分析挖掘工具Mahout

6.Spark機器學習與數(shù)據(jù)分析挖掘工具MLlib

7.大數(shù)據(jù)分析挖掘項目的實施步驟 配置數(shù)據(jù)倉庫工具Hadoop Hive和SparkSQL

部署數(shù)據(jù)分析挖掘工具Hadoop Mahout和Spark MLlib

大數(shù)據(jù)分析挖掘項目的數(shù)據(jù)集成操作訓練

1.日志數(shù)據(jù)解析和導入導出到數(shù)據(jù)倉庫的操作訓練

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，構建兩個數(shù)據(jù)倉庫

4.同一個數(shù)據(jù)倉庫中的事實表數(shù)據(jù)，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(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用實踐 6.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)倉庫應用案例

7.Hive數(shù)據(jù)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(shù)據(jù)倉庫集群的安裝部署與配置優(yōu)化

10.Hive應用開發(fā)技巧

11.Hive SQL剖析與應用實踐

12.Hive數(shù)據(jù)倉庫表與表分區(qū)、表操作、數(shù)據(jù)導入導出、客戶端操作技巧

13.Hive數(shù)據(jù)倉庫報表設計

14.將原始的日志數(shù)據(jù)集，經過整理后，加載至Hadoop + Hive數(shù)據(jù)倉庫集群中，用于共享訪問 利用HIVE構建大型數(shù)據(jù)倉庫項目的操作訓練實踐

Spark大數(shù)據(jù)分析挖掘平臺實踐操作訓練

15.Spark大數(shù)據(jù)分析挖掘平臺的部署配置

16.Spark數(shù)據(jù)分析庫MLlib的開發(fā)部署

17.Spark數(shù)據(jù)分析挖掘示例操作，從Hive表中讀取數(shù)據(jù)并在分布式內存中運行

聚類分析建模與挖掘算法的實現(xiàn)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(xiàn)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，即期望最大化聚類（Expectation Maximization）

e)以上算法在Spark MLib中的實現(xiàn)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(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現(xiàn)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(xiàn)與應用， 包括：

f)Spark決策樹算法實現(xiàn)

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(xiàn)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(xiàn)給商品貼標簽的程序示例

23.Spark實現(xiàn)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(lián)分析建模與挖掘算法的實現(xiàn)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(xiàn)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(lián)規(guī)則挖掘（Apriori）算法及其應用

m)以上算法在Spark MLib中的實現(xiàn)原理和實際場景中的應用案例。

25.Spark關聯(lián)分析程序示例

基于Spark MLlib的關聯(lián)分析操作

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(xiàn)與應用，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現(xiàn)

推薦分析實現(xiàn)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(xiàn)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(xiàn)回歸分析模型及其應用操作

30.Spark回歸程序實現(xiàn)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(xiàn)網頁鏈接分析，計算網頁重要性排名

32.實現(xiàn)信息傳播的社交關系傳遞分析，互聯(lián)網用戶的行為關系分析任務的操作訓練 圖數(shù)據(jù)的分析挖掘操作，實現(xiàn)微博數(shù)據(jù)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(xiàn)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(tǒng)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(huán)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(xiàn)文本與圖片數(shù)據(jù)挖掘

項目實踐

37.日志分析系統(tǒng)與日志挖掘項目實踐

a)Hadoop，Spark，ELK技術構建日志數(shù)據(jù)倉庫

b)互聯(lián)網微博日志分析系統(tǒng)項目

38.推薦系統(tǒng)項目實踐

a)電影數(shù)據(jù)分析與個性化推薦關聯(lián)分析項目 項目數(shù)據(jù)集和詳細的實驗指導手冊由講師提供

培訓總結

39.項目方案的課堂討論，討論實際業(yè)務中的分析需求，剖析各個環(huán)節(jié)的難點、痛點、瓶頸，啟發(fā)出解決之道；完成講師布置的項目案例，鞏固學過的大數(shù)據(jù)分析挖掘處理平臺技術知識以及應用技能 討論交流

培訓內容

模塊一 機器學習的數(shù)學基礎1 - 數(shù)學分析

1. 機器學習的一般方法和橫向比較

2. 數(shù)學是有用的：以SVD為例

3. 機器學習的角度看數(shù)學

4. 復習數(shù)學分析

5. 直觀解釋常數(shù)e

6. 導數(shù)/梯度

7. 隨機梯度下降

8. Taylor展式的落地應用

9. gini系數(shù)

10. 凸函數(shù)

11. Jensen不等式

12. 組合數(shù)與信息熵的關系

模塊二 機器學習的數(shù)學基礎2 - 概率論與貝葉斯先驗

1. 概率論基礎

2. 古典概型

3. 貝葉斯公式

4. 先驗分布/后驗分布/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)和相關系數(shù)

8. 獨立和不相關

9. 大數(shù)定律和中心極限定理的實踐意義

10. 深刻理解最大似然估計MLE和最大后驗估計MAP

11. 過擬合的數(shù)學原理與解決方案

模塊三 機器學習的數(shù)學基礎3 - 矩陣和線性代數(shù)

1. 線性代數(shù)在數(shù)學科學中的地位

2. 馬爾科夫模型

3. 矩陣乘法的直觀表達

4. 狀態(tài)轉移矩陣

5. 矩陣和向量組

6. 特征向量的思考和實踐計算

7. QR分解

8. 對稱陣、正交陣、正定陣

9. 數(shù)據(jù)白化及其應用

10. 向量對向量求導

11. 標量對向量求導

12. 標量對矩陣求導工作機制

模塊四 Python基礎1 - Python及其數(shù)學庫

1. 解釋器Python2.7與IDE：Anaconda/Pycharm

2. Python基礎：列表/元組/字典/類/文件

3. Taylor展式的代碼實現(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

9. 分形與可視化

模塊五 Python基礎2 - 機器學習庫

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)學曲線

4. 多項式擬合

5. 快速傅里葉變換FFT

6. 奇異值分解SVD

7. Soble/Prewitt/Laplacian算子與卷積網絡

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3 - 數(shù)據(jù)清洗和特征選擇

1. 實際生產問題中算法和特征的關系

2. 股票數(shù)據(jù)的特征提取和應用

3. 一致性檢驗

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回歸的實現(xiàn)與調參

模塊九 回歸實踐

1. 機器學習sklearn庫介紹

2. 線性回歸代碼實現(xiàn)和調參

3. Softmax回歸代碼實現(xiàn)和調參

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. 交叉驗證

9. 數(shù)據(jù)可視化

模塊十 決策樹和隨機森林

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. 預剪枝和后剪枝

6. Bagging

7. 隨機森林

8. 不平衡數(shù)據(jù)集的處理

9. 利用隨機森林做特征選擇

10. 使用隨機森林計算樣本相似度

11. 數(shù)據(jù)異常值檢測

模塊十一 隨機森林實踐

1. 隨機森林與特征選擇

2. 決策樹應用于回歸

3. 多標記的決策樹回歸

4. 決策樹和隨機森林的可視化

5. 葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類

6. 波士頓房價預測

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 提升實踐

1. Adaboost用于蘑菇數(shù)據(jù)分類

2. Adaboost與隨機森林的比較

3. XGBoost庫介紹

4. Taylor展式與學習算法

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

2. 軟間隔的改進

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測

6. SVM、Logistic回歸、隨機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系

2. Jaccard相似度和準確率、召回率

3. Pearson相關系數(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算法及其應用

模塊十八 聚類實踐

1. K-Means++算法原理和實現(xiàn)

2. 向量量化VQ及圖像近似

3. 并查集的實踐應用

4. 密度聚類的代碼實現(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算法實踐

1. 多元高斯分布的EM實現(xiàn)

2. 分類結果的數(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. 貝葉斯學派的模型認識

2. Beta分布與二項分布

3. 共軛先驗分布

4. Dirichlet分布

5. Laplace平滑

6. Gibbs采樣詳解

模塊二十二 LDA實踐

1. 網絡爬蟲的原理和代碼實現(xiàn)

2. 停止詞和高頻詞

3. 動手自己實現(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)學習

4. Baum-Welch算法詳解

5. Viterbi算法詳解

6. 隱馬爾科夫模型的應用優(yōu)劣比較

模塊二十四 HMM實踐

1. 動手自己實現(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. 停止詞和標點符號對分詞的影響

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

師資介紹

張老師：阿里大數(shù)據(jù)高級專家，國內資深的Spark、Hadoop技術專家、虛擬化專家，對HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生態(tài)系統(tǒng)中的技術進行了多年的深入的研究，更主要的是這些技術在大量的實際項目中得到廣泛的應用，因此在Hadoop開發(fā)和運維方面積累了豐富的項目實施經驗。近年主要典型的項目有：某電信集團網絡優(yōu)化、中國移動某省移動公司請賬單系統(tǒng)和某省移動詳單實時查詢系統(tǒng)、中國銀聯(lián)大數(shù)據(jù)數(shù)據(jù)票據(jù)詳單平臺、某大型銀行大數(shù)據(jù)記錄系統(tǒng)、某大型通信運營商全國用戶上網記錄、某省交通部門違章系統(tǒng)、某區(qū)域醫(yī)療大數(shù)據(jù)應用項目、互聯(lián)網公共數(shù)據(jù)大云(DAAS)和構建游戲云(Web Game Daas)平臺項目等。