教學(xué)優(yōu)勢
曙海教育的課程培養(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(guān)系。曙海集團(tuán)的課程在業(yè)內(nèi)有著廣泛的美譽(yù)度和響亮的知名度。
秉承二十幾年積累的教學(xué)品質(zhì)，本課程以真實(shí)項(xiàng)目實(shí)戰(zhàn)為導(dǎo)向,授課工程師將會(huì)與您分享設(shè)計(jì)的全流程及工具的綜合使用技巧、經(jīng)驗(yàn)。
大數(shù)據(jù)高級培訓(xùn)課程
課程目標(biāo)?
l?掌握大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)的完整流程
l?掌握大數(shù)據(jù)與機(jī)器學(xué)習(xí)的核心算法建模
l?握大數(shù)據(jù)商品推薦算法建模能力
l?掌握數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)的主流開發(fā)庫
l?掌握大數(shù)據(jù)用戶畫像的機(jī)器學(xué)習(xí)建模過程
?
?課程大綱?
|
? |
主要授課內(nèi)容 |
|
大數(shù)據(jù)分析挖掘算法 |
內(nèi)容一：大數(shù)據(jù)分析挖掘算法 1．業(yè)界常見的大數(shù)據(jù)分析應(yīng)用場景以及對應(yīng)的分析算法模型應(yīng)用，及其案例 2．常用的統(tǒng)計(jì)分析模型的介紹，包括方差分析、線性擬合、回歸、邏輯回歸、因子分析、主成分分析、時(shí)間序列分析的基礎(chǔ)知識 3．常用的數(shù)據(jù)挖掘模型介紹，重點(diǎn)介紹六類機(jī)器學(xué)習(xí)與挖掘模型算法 4．業(yè)界主流的數(shù)據(jù)倉庫工具和數(shù)據(jù)分析挖掘相關(guān)工具軟件的應(yīng)用概述 內(nèi)容二：機(jī)器學(xué)習(xí) 1．機(jī)器學(xué)習(xí)概念、發(fā)展歷程 2．機(jī)器學(xué)習(xí)的應(yīng)用場景 3．機(jī)器學(xué)習(xí)與統(tǒng)計(jì)分析 4．無監(jiān)督式學(xué)習(xí)概述 5．有監(jiān)督式學(xué)習(xí)概述 6．半監(jiān)督式學(xué)習(xí)概述 7．強(qiáng)化學(xué)習(xí)概述 8．人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)概述 9．深度學(xué)習(xí)概述 10．機(jī)器學(xué)習(xí)的應(yīng)用場景和應(yīng)用案例 |
|
Spark大數(shù)據(jù)實(shí)時(shí)與高性能處理平臺剖析 |
內(nèi)容：Spark大數(shù)據(jù)實(shí)時(shí)與高性能處理平臺剖析 1．Spark實(shí)時(shí)大數(shù)據(jù)處理平臺架構(gòu) 2．Spark編程模型以及Spark編程實(shí)例解析 3．Spark RDD內(nèi)存彈性分布式數(shù)據(jù)集的工作原理與機(jī)制 4．Spark Core的核心組件剖析 5．Spark系統(tǒng)架構(gòu)和運(yùn)行過程剖析 6．Spark on Yarn運(yùn)行原理和實(shí)例 7．Spark RDD transform、滑動(dòng)窗口、foreachRDD性能優(yōu)化、持久化、checkpoint、容錯(cuò)與事務(wù)、與Spark SQL整合使用 8．基于Spark的實(shí)時(shí)數(shù)據(jù)倉庫與實(shí)時(shí)分析挖掘處理的應(yīng)用實(shí)踐，以及應(yīng)用案例 |
|
? Spark SQL應(yīng)用實(shí)戰(zhàn) |
內(nèi)容：Spark SQL應(yīng)用實(shí)戰(zhàn) 1．Spark SQL實(shí)時(shí)數(shù)據(jù)倉庫的實(shí)現(xiàn)原理與操作 2．Spark SQL核心代碼剖析 3．Spark SQL客戶端開發(fā)包API 4．Spark SQL實(shí)時(shí)統(tǒng)計(jì)應(yīng)用 5．Spark SQL應(yīng)用程序開發(fā)實(shí)踐 |
|
Spark Streaming應(yīng)用實(shí)戰(zhàn) |
內(nèi)容：Spark Streaming應(yīng)用實(shí)戰(zhàn) 1．Streaming與Storm在實(shí)時(shí)流計(jì)算處理應(yīng)用場景下的案例與比較 2．Spark Streaming與Spark交互的實(shí)現(xiàn)機(jī)制 3．Spark Streaming的核心代碼剖析 4．Spark Streaming客戶端編程實(shí)踐 5．Spark Streaming實(shí)時(shí)流數(shù)據(jù)分析處理應(yīng)用開發(fā)實(shí)踐 |
|
數(shù)據(jù)預(yù)處理與特征選擇 |
內(nèi)容一：數(shù)據(jù)預(yù)處理 1．?dāng)?shù)據(jù)抽取、轉(zhuǎn)換和加載 2．?dāng)?shù)據(jù)清洗 3．特征處理 內(nèi)容二：特征選擇與降維 1．特征選擇概述 2．Filter 3．Wrapper 4．Embedded 5．特征擴(kuò)增 6．降維、PCA、LDA、LLE、SVD |
|
機(jī)器學(xué)習(xí)算法 |
內(nèi)容一：有監(jiān)督學(xué)習(xí) 1．KNN算法 2．決策樹算法 3．SVM算法 4．樸素貝葉斯算法 5．邏輯回歸算法 6．線性回歸算法 7．集成算法 內(nèi)容二：無監(jiān)督學(xué)習(xí) 1．聚類算法 2．關(guān)聯(lián)算法 內(nèi)容三：模型評估與優(yōu)化 1．模型優(yōu)化與評估概念 2．最優(yōu)化模型 3．模型評估與選擇 |
|
Spark MLlib數(shù)據(jù)挖掘 |
內(nèi)容：Spark? MLlib數(shù)據(jù)挖掘 1．?? Spark MLlib概述 2．?? Spark MLlib評估矩陣 3．?? Spark MLlib關(guān)聯(lián)規(guī)則與推薦算法 4．?? Spark MLlib聚類與降維 5．???Spark MLlib分類與回歸 6．?? Spark MLlib特征提取和轉(zhuǎn)換 7．?? Spark MLlib基礎(chǔ)統(tǒng)計(jì)分析 |
|
大數(shù)據(jù)挖掘案例 |
內(nèi)容：綜合實(shí)驗(yàn) ? |
?
?
