天

大數據分析挖掘算法

內容一：大數據分析挖掘算法

1．業界常見的大數據分析應用場景以及對應的分析算法模型應用，及其案例

2．常用的統計分析模型的介紹，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、時間序列分析的基礎知識

3．常用的數據挖掘模型介紹，重點介紹六類機器學習與挖掘模型算法

4．業界主流的數據倉庫工具和數據分析挖掘相關工具軟件的應用概述

內容二：機器學習

1．機器學習概念、發展歷程

2．機器學習的應用場景

3．機器學習與統計分析

4．無監督式學習概述

5．有監督式學習概述

6．半監督式學習概述

7．強化學習概述

8．人工神經網絡學習概述

9．深度學習概述

10．機器學習的應用場景和應用案例

第二天

Spark大數據實時與高性能處理平臺剖析

內容：Spark大數據實時與高性能處理平臺剖析

1．Spark實時大數據處理平臺架構

2．Spark編程模型以及Spark編程實例解析

3．Spark RDD內存彈性分布式數據集的工作原理與機制

4．Spark Core的核心組件剖析

5．Spark系統架構和運行過程剖析

6．Spark on Yarn運行原理和實例

7．Spark RDD transform、滑動窗口、foreachRDD性能優化、持久化、checkpoint、容錯與事務、與Spark SQL整合使用

8．基于Spark的實時數據倉庫與實時分析挖掘處理的應用實踐，以及應用案例

第三天

Spark SQL應用實戰

內容：Spark SQL應用實戰

1．Spark SQL實時數據倉庫的實現原理與操作

2．Spark SQL核心代碼剖析

3．Spark SQL客戶端開發包API

4．Spark SQL實時統計應用

5．Spark SQL應用程序開發實踐

第四天

Spark Streaming應用實戰

內容：Spark Streaming應用實戰

1．Streaming與Storm在實時流計算處理應用場景下的案例與比較

2．Spark Streaming與Spark交互的實現機制

3．Spark Streaming的核心代碼剖析

4．Spark Streaming客戶端編程實踐

5．Spark Streaming實時流數據分析處理應用開發實踐

第五天

數據預處理與特征選擇

內容一：數據預處理

1．數據抽取、轉換和加載

2．數據清洗

3．特征處理

內容二：特征選擇與降維

1．特征選擇概述

2．Filter

3．Wrapper

4．Embedded

5．特征擴增

6．降維、PCA、LDA、LLE、SVD

第六天

機器學習算法

內容一：有監督學習

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

內容二：無監督學習

1．聚類算法

2．關聯算法

內容三：模型評估與優化

1．模型優化與評估概念

2．最優化模型

3．模型評估與選擇

第七天

Spark MLlib數據挖掘

內容：Spark  MLlib數據挖掘

1．   Spark MLlib概述

2．   Spark MLlib評估矩陣

3．   Spark MLlib關聯規則與推薦算法

4．   Spark MLlib聚類與降維

5．   Spark MLlib分類與回歸

6．   Spark MLlib特征提取和轉換

7．   Spark MLlib基礎統計分析

第八天

大數據挖掘案例

內容：綜合實驗

1．  房價售價預測

2．? 個人收入分群

3．? 移民的簽證預測

4．? 銀行辦理定期存款業務預測