一、大数据处理技术-基于Hadoop/Yarn的实战(含Spark、Storm和Docker应用介绍 )

本课程从大数据技术以及Hadoop/Yarn实战的角度，结合理论和实践，全方位地介绍Hadoop/Yarn这一高性能处理大数据工具的开发技巧。本课程涉及的主题包括：Hadoop/Yarn分布式文件系统DFS；MapReduce的的工作机制、类型和格式；如何构建和管理Hadoop/Yarn集群；Pig Latin语言的使用技巧；Hive数据仓库工具介绍；HBase和Zookeeper工具的使用和管理；开源数据采集工具sqoop。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Hadoop/Yarn系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 云计算及大数据处理技术介绍

第二讲 Google的关键技术

第三讲 Hadoop系统及HDFS

第四讲 MapReduce计算模型设计

第五讲 Pig 数据流处理工具

第六讲 云数据仓库Hive

第七讲 HBase和NoSQL

第八讲 数据抽取工具Sqoop

第九讲 Hadoop与其他云数据处理技术的融合

二、大数据实时处理–基于Spark的大数据实时处理及应用技术

课程中结合实例，介绍图工具GraphX如何发现社交网络中的人际关系，大数据挖掘工具MLlib如何进行商品聚类和电影推荐，以及Streaming流挖掘工具,并探讨了Spark与Docker等云环境下新技术的结合，分析了其应用前景。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Spark实时大数据工具来解决业界的问题，并介绍了Spark生产环境搭建的相关知识。

第一讲 Spark大数据实时处理技术

第二讲 Spark安装配置及监控

第三讲 Scala编程语言使用概述

第四讲 Spark分布式计算框架

第五讲 Spark内部工作机制详解

第六讲 Spark数据读取与存储

第七讲 Spark通信模块和容错机制

第八讲 SQL On Spark

第九讲 Spark流数据处理工具Streaming

第十讲 Spark中的大数据挖掘工具MLlib

第十一讲 Spark大规模图处理工具GraphX

第十二讲 Spark与其他大数据技术的融合与应用

三、Storm大数据流式处理技术

本课程从大数据流式处理技术以及Storm实战的角度，理论和实践相结合，全方位地介绍Storm大数据流式处理工具的原理和内核。以案例分析的方式来帮助学员了解如何用BDAS系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 Storm大数据处理介绍

第二讲 Storm配置和容错机制

第三讲 Storm可靠性及消息传输

第四讲 Storm拓扑及流分组

第五讲 Spout和Bolt详解

第六讲 分布式DPRC

第七讲 Storm事务拓扑

第八讲 Storm中的Trident

第九讲 Trident的状态

第十讲 Storm企业应用

四、大数据分布式存储系统

在大数据时代，很多企业的数据都是逐步积累的，这就要求存储系统有很好的横向扩展能力；而要对传统存储设备进行横向扩展，会带来很高的成本，但是分布式存储却能够比较好的解决这样的问题。

第一讲 分布式存储系统概述

第二讲 大数据集（超大文件）存储

第三讲 海量小文件存储

第四讲 分布式存储技术发展新动向和趋势

五、大数据前沿技术分析与应用

大数据相关技术最近几年出现了井喷的趋势，众多技术纷纷出现，典型的系统包括Hadoop、Spark、Flume、Scribe、Kafka、Storm、Mahout、MLlib、Docker等，涵盖网络数据爬取、日志采集、分布式消息订阅、大数据分析挖掘等方面，涉及离线批处理、实时处理、流式处理等多种处理方式。这些技术解决不同的应用需求，涉及面广，技术要求高，交叉知识范围广，知识内容更新频繁，要理清其中的关系，从中发现最适合本机构的技术，成为了目前各机构技术专家的一个难点。

第一讲 大数据技术基础

第二讲 批处理大数据平台Hadoop

第三讲 实时大数据平台Spark

第四讲 流式大数据平台Storm

第五讲 Python网络爬虫

第六讲 大数据日志采集工具Flume

第七讲 分布式消息订阅工具Kafka

第八讲 NoSQL云数据处理工具

第九讲 大数据中的SQL工具

第十讲 大数据分析挖掘工具

第十一讲 资源虚拟化工具Docker

第十二讲 大数据技术展望

六、数据仓库与数据挖掘（结合SPSS和WEKA）

本课程重在突出数据仓库与数据挖掘决策支持的本质，介绍数据挖掘的各种方法、技术实现手段，通过对实例的深入剖析解释它们的原理。

第一讲 数据仓库原理及联机分析技术介绍

第二讲 数据仓库设计与开发

第三讲 基于数据仓库的决策支持系统

第四讲 数据仓库案例剖析

第五讲 数据挖掘与知识发现

第六讲 关联分析算法及其案例

第七讲 聚类分析算法及其案例

第八讲 其它数据挖掘算法介绍

七、Python和R数据挖掘技术-基于Python和R语言的数据挖掘和统计分析技术

本课程将对基于Python和R语言进行数据处理、数据探索的基本方法，利用R语言实现模型选择、Logistic回归及决策树算法，以及贝叶斯算法及支持向量机、神经网络等算法原理及实现进行讲解。

第一讲 数据挖掘，Python和R简介

第二讲 数据的导入与导出

第三讲 数据可视化展现

第四讲 决策树与随机森林

第五讲 回归分析

第六讲 聚类分析

第七讲 离群点检测

第八讲 时间序列分析

第九讲 关联规则

第十讲 社交网络分析

八、大数据分析挖掘-基于Hadoop/Mahout/MLlib的大数据挖掘(含Spark、Storm和Docker应用介绍 )

本课程从大数据挖掘分析技术实战的角度，结合理论和实践，全方位地介绍Mahout和 MLlib等大数据挖掘工具的开发技巧。本课程涉及的主题包括：大数据挖掘及其背景，Mahout和 MLlib大数据挖掘工具，推荐系统及电影推荐案例，分类技术及聚类分析，以及与流挖掘和Docker技术的结合，分析了大数据挖掘前景分析。

本课程教学过程中还提供了案例分析来帮助学员了解如何用Mahout和 MLlib挖掘工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。

第一讲 大数据挖掘及其背景

第二讲 MapReduce/DAG计算模式

第三讲 云挖掘工具Mahout/MLib

第四讲 推荐系统及其应用开发

第五讲 分类技术及其应用

第六讲 聚类技术及其应用

第七讲 关联规则和相似项发现

第八讲 流数据挖掘相关技术

第九讲 云环境下大数据挖掘应用

九、Spark大数据挖掘工具MLlib实战(机器学习)

本课程主要讲解Spark MLlib，Spark MLlib是一种高效、快速、可扩展的分布式计算框架，实现了常用的机器学习，如：聚类、分类、回归等算法。讲解各个算法的理论、详细展示Spark源码实现，最后均会通过实例进行解析实战，帮助大家真正从理论到实践全面掌握Spark MLlib分布式机器学习和大数据挖掘方法。

第一讲 Spark大数据实时处理技术