镇江只枚物联网科技有限公司

大數據分析挖掘培訓班

內容提示
本課程不是一個泛泛的理論性、概念性的介紹課程，而是針對問題討論Mahout和 MLlib解決方案的深入課程。教師對于上述領域有深入的理論研究與實踐經驗，在課程中將會針對這些問題與學員一起進行研究，在關鍵點上還會搭建實驗環(huán)境進行實踐研究，以加深對于這些解決方案的理解。通過本課程學習，希望推動大數據分析挖掘項目開發(fā)上升到一個新水平。

培訓目標
1, 全面了解大數據處理技術的相關知識。
2，學習Hadoop/Yarn/Spark的核心數據分析技術
3，深入學習Mahout/MLlib挖掘工具在大數據中的使用。
4，掌握Storm流處理技術和Docker等技術與大數據挖掘結合的方法。

培訓對象
1，系統(tǒng)架構師、系統(tǒng)分析師、高級程序員、資深開發(fā)人員。
2，牽涉到大數據處理的數據中心運行、規(guī)劃、設計負責人。
3，政府機關，金融保險、移動和互聯(lián)網等大數據來源單位的負責人。
4，高校、科研院所牽涉到大數據與分布式數據處理的項目負責人。

學員基礎
1，對IT系統(tǒng)設計有一定的理論與實踐經驗。
2，數據倉庫與數據挖掘處理有一定的基礎知識。
3，對Hadoop/Yarn/Spark大數據技術有一定的了解。

培訓要點
互聯(lián)網點擊數據、傳感數據、日志文件、具有豐富地理空間信息的移動數據和涉及網絡的各類評論，成為了海量信息的多種形式。當數據以成百上千TB不斷增長的時候，我們在內部交易系統(tǒng)的歷史信息之外，需要一種基于大數據分析的決策模型和技術支持。
大數據通常具有：數據體量(Volume)巨大,數據類型(Variety)繁多,價值(Value)密度低,處理速度(Velocity)快等四大特征。如何有效管理和高效處理這些大數據已成為當前亟待解決的問題。大數據處理意味著更嚴峻的挑戰(zhàn)，更好地管理和處理這些數據也將會獲得意想不到的收獲。
Google發(fā)布的GFS和MapReduce等高可擴展、高性能的分布式大數據處理框架，證明了在處理海量網頁數據時該框架的優(yōu)越性。在此基礎上，Apache Hadoop開源項目開發(fā)團隊，克隆并推出了Hadoop/Yarn系統(tǒng)。該系統(tǒng)已受到學術界和工業(yè)界的廣泛認可和采納，并孵化出眾多子項目(如Hive，Zookeeper和Mahout等)，日益形成一個易部署、易開發(fā)、功能齊全、性能優(yōu)良的系統(tǒng)。在此基礎上，以Berkley牽頭設計的Spark/BDAS技術，實現了內存級別的分布式處理模式，使用戶無需關注復雜的內部工作機制，無需具備豐富的分布式系統(tǒng)知識及開發(fā)經驗，即可實現大規(guī)模分布式系統(tǒng)的部署與大數據的并行處理。
本課程從大數據挖掘分析技術實戰(zhàn)的角度，結合理論和實踐，全方位地介紹Mahout和 MLlib等大數據挖掘工具的開發(fā)技巧。本課程涉及的主題包括：大數據挖掘及其背景，Mahout和 MLlib大數據挖掘工具，推薦系統(tǒng)及電影推薦案例，分類技術及聚類分析，以及與流挖掘和Docker技術的結合，分析了大數據挖掘前景分析。
本課程教學過程中還提供了案例分析來幫助學員了解如何用Mahout和 MLlib挖掘工具來解決具體的問題，并介紹了從大數據中挖掘出有價值的信息的關鍵。
本課程不是一個泛泛的理論性、概念性的介紹課程，而是針對問題討論Mahout和 MLlib解決方案的深入課程。教師對于上述領域有深入的理論研究與實踐經驗，在課程中將會針對這些問題與學員一起進行研究，在關鍵點上還會搭建實驗環(huán)境進行實踐研究，以加深對于這些解決方案的理解。通過本課程學習，希望推動大數據分析挖掘項目開發(fā)上升到一個新水平。

培訓內容
第一講大數據挖掘及其背景
1)數據挖掘定義
2)Hadoop相關技術
3)大數據挖掘知識點

第二講 MapReduce/DAG計算模式
1）分布式文件系統(tǒng)DFS
2）MapReduce計算模型介紹
3）使用MR進行算法設計
4）DAG及其算法設計

第三講 云挖掘工具Mahout/MLib
1）Hadoop中的Mahoutb介紹
2）Spark中的Mahout/MLib介紹
3）推薦系統(tǒng)及其Mahout實現方法
4）信息聚類及其MLlib實現方法
5）分類技術在Mahout/MLib中的實現方法

第四講 推薦系統(tǒng)及其應用開發(fā)
1）一個推薦系統(tǒng)的模型
2）基于內容的推薦
3）協(xié)同過濾
4）基于Mahout的電影推薦案例

第五講 分類技術及其應用
1）分類的定義
2）分類主要算法
3）Mahout分類過程
4）評估指標以及評測
5）貝葉斯算法新聞分類實例

第六講 聚類技術及其應用
1）聚類的定義
2）聚類的主要算法
3）K-Means、Canopy及其應用示例
4）FuzzyK-Means、Dirichlet及其應用示例
5）基于MLlib的新聞聚類實例

第七講 關聯(lián)規(guī)則和相似項發(fā)現
1）購物籃模型
2）Apriori算法
3）抄襲文檔發(fā)現
4）近鄰搜索的應用

第八講 流數據挖掘相關技術
1）流數據挖掘及分析
2）Storm和流數據處理模型
3）流處理中的數據抽樣
4）流過濾和Bloom filter

第九講 云環(huán)境下大數據挖掘應用
1）與Hadoop/Yarn集群應用的協(xié)作
2）與Docker等其它云工具配合
3）大數據挖掘行業(yè)應用展望

培訓師介紹:楊老師
主要研究網絡信息分析以及云計算相關技術，長期從事通信網管系統(tǒng)、網絡信息處理、商務智能(BI)以及電信決策支持系統(tǒng)的研究開發(fā)工作，主持和參與了多個國家和省部級基金項目，具有豐富的工程實踐及軟件研發(fā)經驗。