大數(shù)據(jù)建模與分析挖掘應(yīng)用培訓(xùn)大綱
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M(jìn)ahout
6. Spark機器學(xué)習(xí)與數(shù)據(jù)分析挖掘工具M(jìn)Llib
7. 大數(shù)據(jù)分析挖掘項目的實施步驟
大數(shù)據(jù)分析挖掘項目的數(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
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(yīng)用案例
7. 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
8. Hive Server的工作原理、機制與應(yīng)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(yīng)用開發(fā)技巧
11. Hive SQL剖析與應(yīng)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(dǎo)入導(dǎo)出、客戶端操作技巧
13. Hive數(shù)據(jù)倉庫報表設(shè)計
14. 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
Spark大數(shù)據(jù)分析挖掘平臺實踐操作訓(xùn)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(nèi)存中運行
聚類分析建模與挖掘算法的實現(xiàn)原理和技術(shù)應(yīng)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(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(yīng)用案例。
19. Spark聚類分析算法程序示例
分類分析建模與挖掘算法的實現(xiàn)原理和技術(shù)應(yīng)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(yīng)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(yīng)用案例。
21. Spark客戶資料分析與給用戶貼標(biāo)簽的程序示例
22. Spark實現(xiàn)給商品貼標(biāo)簽的程序示例
23. Spark實現(xiàn)用戶行為的自動標(biāo)簽和深度技術(shù)
關(guān)聯(lián)分析建模與挖掘算法的實現(xiàn)原理和技術(shù)應(yīng)用
24. 預(yù)測、推薦分析建模與算法原理及其在Spark MLlib中的實現(xiàn)與應(yīng)用，包括：
k) Spark頻繁模式挖掘算法（parallel FP Growth Algorithm）應(yīng)用
l) Spark關(guān)聯(lián)規(guī)則挖掘（Apriori）算法及其應(yīng)用
m) 以上算法在Spark MLib中的實現(xiàn)原理和實際場景中的應(yīng)用案例。
25. Spark關(guān)聯(lián)分析程序示例
推薦分析挖掘模型與算法技術(shù)應(yīng)用
26. 推薦算法原理及其在Spark MLlib中的實現(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現(xiàn)
回歸分析模型與預(yù)測算法
27. 利用線性回歸（多元回歸）實現(xiàn)訪問量預(yù)測
28. 利用非線性回歸預(yù)測成交量和訪問量的關(guān)系
29. 基于R+Spark實現(xiàn)回歸分析模型及其應(yīng)用操作
30. Spark回歸程序?qū)崿F(xiàn)異常點檢測的程序示例
圖關(guān)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(wǎng)頁鏈接分析，計算網(wǎng)頁重要性排名
32. 實現(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
神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法模型及其應(yīng)用實踐
33. 神經(jīng)網(wǎng)絡(luò)算法Neural Network的實現(xiàn)方法和挖掘模型應(yīng)用
34. 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
35. 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
36. 基于Spark的深度學(xué)習(xí)算法模型庫的應(yīng)用程序示例 |
shuhaipeixun
總部李老師