曙海教學優(yōu)勢
本課程，秉承二十一年積累的教學品質(zhì)，以項目實現(xiàn)為導向,面向企事業(yè)項目實際需要,老師將會與您分享設計的全流程以及工具的綜合使用經(jīng)驗、技巧。課程可定制,線上/線下/上門皆可,熱線:4008699035。
曙海培訓的課程培養(yǎng)了大批受企業(yè)歡迎的工程師。大批企業(yè)和曙海
建立了良好的合作關系,合作企業(yè)30萬+。曙海培訓的課程在業(yè)內(nèi)有著響亮的知名度。
大數(shù)據(jù)建模與分析挖掘應用培訓與咨詢
培訓目標
1.本課程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(nèi)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。
2.本課程強調(diào)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(jié)合實際的生產(chǎn)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(chǎn)品加上Hadoop平臺形成大數(shù)據(jù)分析平臺的應用剖析。
3.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。
培訓內(nèi)容安排如下：
|
內(nèi)容提要 |
授課詳細內(nèi)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 |
|
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(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(jié)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(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 |
|
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 |
|
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 |
|
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) |
|
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?qū)崿F(xiàn)異常點檢測的程序示例 |
|
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(wǎng)頁鏈接分析，計算網(wǎng)頁重要性排名 32.?實現(xiàn)信息傳播的社交關系傳遞分析，互聯(lián)網(wǎng)用戶的行為關系分析任務的操作訓練 |
|
神經(jīng)網(wǎng)絡與深度學習算法模型及其應用實踐 |
33.?神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的深度學習的訓練過程 a)?傳統(tǒng)神經(jīng)網(wǎng)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(jīng)網(wǎng)絡 b)?RNN（Recurrent Neural Network）循環(huán)神經(jīng)網(wǎng)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 |
|
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(wǎng)微博日志分析系統(tǒng)項目 38.?推薦系統(tǒng)項目實踐 a)?數(shù)據(jù)分析與個性化推薦關聯(lián)分析項目 |
|
培訓總結(jié) |
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 |
