  “大數據建模與分析挖掘應用”實戰培訓

業界主流的數據倉庫工具和大數據分析挖掘工具
1.業界主流的基于Hadoop和Spark的大數據分析挖掘項目解決方案
2.業界數據倉庫與數據分析挖掘平臺軟件工具
3.Hadoop數據倉庫工具Hive
4.Spark實時數據倉庫工具SparkSQL
5.Hadoop數據分析挖掘工具Mahout
6.Spark機器學習與數據分析挖掘工具MLlib
7.大數據分析挖掘項目的實施步驟
實踐訓練
配置數據倉庫工具Hadoop Hive和SparkSQL
部署數據分析挖掘工具Hadoop Mahout和Spark MLlib

大數據分析挖掘項目的數據集成操作訓練
1.日志數據解析和導入導出到數據倉庫的操作訓練
2.從原始搜索數據集中抽取、集成數據，整理后形成規范的數據倉庫
3.數據分析挖掘模塊從大型的集中式數據倉庫中訪問數據，一個數據倉庫面向一個主題，構建兩個數據倉庫
4.同一個數據倉庫中的事實表數據，可以給多個不同類型的分析挖掘任務調用
5.去除噪聲
實踐訓練
項目數據集加載ETL到Hadoop Hive數據倉庫并建立多維模型

基于Hadoop的大型數據倉庫管理平臺—HIVE數據倉庫集群的多維分析建模應用實踐
6.基于Hadoop的大型分布式數據倉庫在行業中的數據倉庫應用案例
7.Hive數據倉庫集群的平臺體系結構、核心技術剖析
8.Hive Server的工作原理、機制與應用
9.Hive數據倉庫集群的安裝部署與配置優化
10.Hive應用開發技巧
11.Hive SQL剖析與應用實踐
12.Hive數據倉庫表與表分區、表操作、數據導入導出、客戶端操作技巧
13.Hive數據倉庫報表設計
14.將原始的日志數據集，經過整理后，加載至Hadoop + Hive數據倉庫集群中，用于共享訪問
實踐訓練
利用HIVE構建大型數據倉庫項目的操作訓練實踐

Spark大數據分析挖掘平臺實踐操作訓練
15.Spark大數據分析挖掘平臺的部署配置
16.Spark數據分析庫MLlib的開發部署
17.Spark數據分析挖掘示例操作，從Hive表中讀取數據并在分布式內存中運行

聚類分析建模與挖掘算法的實現原理和技術應用
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，即期望大化聚類（Expectation Maximization）
e)以上算法在Spark MLib中的實現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
實踐訓練
基于Spark MLlib的聚類分析算法，實現日志數據集中的用戶聚類

分類分析建模與挖掘算法的實現原理和技術應用
20.分類分析建模與算法原理及其在Spark MLlib中的實現與應用， 包括：
f)Spark決策樹算法實現
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實現給商品貼標簽的程序示例
23.Spark實現用戶行為的自動標簽和深度技術
實踐訓練
基于Spark MLlib的分類分析算法模型與應用操作

關聯分析建模與挖掘算法的實現原理和技術應用
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關聯規則挖掘（Apriori）算法及其應用
m)以上算法在Spark MLib中的實現原理和實際場景中的應用案例。
25.Spark關聯分析程序示例
實踐訓練
基于Spark MLlib的關聯分析操作

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中的實現與應用，包括：
a)Spark協同過濾算法程序示例
b)Item-based協同過濾與推薦
c)User-based協同過濾與推薦
d)交叉銷售推薦模型及其實現
實踐訓練
推薦分析實現步驟與操作

回歸分析模型與預測算法
27.利用線性回歸（多元回歸）實現訪問量預測
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實現回歸分析模型及其應用操作
30.Spark回歸程序實現異常點檢測的程序示例
實踐訓練
回歸分析預測操作例子

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實現網頁鏈接分析，計算網頁重要性排名
32.實現信息傳播的社交關系傳遞分析，互聯網用戶的行為關系分析任務的操作訓練
實踐訓練
圖數據的分析挖掘操作，實現微博數據集的社交網絡建模與關系分析

神經網絡與深度學習算法模型及其應用實踐
33.神經網絡算法Neural Network的實現方法和挖掘模型應用
34.基于人工神經網絡的深度學習的訓練過程
a)傳統神經網絡的訓練方法
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）卷積神經網絡
b)RNN（Recurrent Neural Network）循環神經網絡模型
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
實踐訓練
基于Spark或TensorFlow神經網絡深度學習庫實現文本與圖片數據挖掘