大數(shù)據(jù)建模與分析挖掘應(yīng)用

時間

內(nèi)容提要

授課詳細(xì)內(nèi)容

實(shí)踐訓(xùn)練

第一天

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(xiàng)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(shí)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(jī)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(xiàng)目的實(shí)施步驟

配置數(shù)據(jù)倉庫工具Hadoop Hive和SparkSQL

部署數(shù)據(jù)分析挖掘工具Hadoop Mahout和Spark MLlib

大數(shù)據(jù)分析挖掘項(xiàng)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(shí)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

項(xiàng)目數(shù)據(jù)集加載ETL到Hadoop Hive數(shù)據(jù)倉庫并建立多維模型

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(shí)踐

1. 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
2. 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
3. Hive Server的工作原理、機(jī)制與應(yīng)用
4. Hive數(shù)據(jù)倉庫集群的安裝部署與配置優(yōu)化
5. Hive應(yīng)用開發(fā)技巧
6. Hive SQL剖析與應(yīng)用實(shí)踐
7. 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
8. Hive數(shù)據(jù)倉庫報表設(shè)計(jì)
9. 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

利用HIVE構(gòu)建大型數(shù)據(jù)倉庫項(xiàng)目的操作訓(xùn)練實(shí)踐

Spark大數(shù)據(jù)分析挖掘平臺實(shí)踐操作訓(xùn)練

1. Spark大數(shù)據(jù)分析挖掘平臺的部署配置
2. Spark數(shù)據(jù)分析庫MLlib的開發(fā)部署
3. 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(yùn)行

第二天

聚類分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用

1. 聚類分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
   1. Canopy聚類（canopy clustering）
   2. K均值算法（K-means clustering）
   3. 模糊K均值（Fuzzy K-means clustering）
   4. EM聚類，即期望最大化聚類（Expectation Maximization）
   5. 以上算法在Spark MLib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark聚類分析算法程序示例

基于Spark MLlib的聚類分析算法，實(shí)現(xiàn)日志數(shù)據(jù)集中的用戶聚類

分類分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用

1. 分類分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用， 包括：
   1. Spark決策樹算法實(shí)現(xiàn)
   2. 邏輯回歸算法（logistics regression）
   3. 貝葉斯算法（Bayesian與Cbeyes）
   4. 支持向量機(jī)（Support vector machine）
   5. 以上算法在Spark MLlib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark客戶資料分析與給用戶貼標(biāo)簽的程序示例
3. Spark實(shí)現(xiàn)給商品貼標(biāo)簽的程序示例
4. Spark實(shí)現(xiàn)用戶行為的自動標(biāo)簽和深度技術(shù)

基于Spark MLlib的分類分析算法模型與應(yīng)用操作

關(guān)聯(lián)分析建模與挖掘算法的實(shí)現(xiàn)原理和技術(shù)應(yīng)用

1. 預(yù)測、推薦分析建模與算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
   1. Spark頻繁模式挖掘算法（parallel FP Growth Algorithm）應(yīng)用
   2. Spark關(guān)聯(lián)規(guī)則挖掘（Apriori）算法及其應(yīng)用
   3. 以上算法在Spark MLib中的實(shí)現(xiàn)原理和實(shí)際場景中的應(yīng)用案例。
2. Spark關(guān)聯(lián)分析程序示例

基于Spark MLlib的關(guān)聯(lián)分析操作

第三天

推薦分析挖掘模型與算法技術(shù)應(yīng)用

1. 推薦算法原理及其在Spark MLlib中的實(shí)現(xiàn)與應(yīng)用，包括：
   1. Spark協(xié)同過濾算法程序示例
   2. Item-based協(xié)同過濾與推薦
   3. User-based協(xié)同過濾與推薦
   4. 交叉銷售推薦模型及其實(shí)現(xiàn)

推薦分析實(shí)現(xiàn)步驟與操作（重點(diǎn)）

回歸分析模型與預(yù)測算法

1. 利用線性回歸（多元回歸）實(shí)現(xiàn)訪問量預(yù)測
2. 利用非線性回歸預(yù)測成交量和訪問量的關(guān)系
3. 基于R+Spark實(shí)現(xiàn)回歸分析模型及其應(yīng)用操作
4. Spark回歸程序?qū)崿F(xiàn)異常點(diǎn)檢測的程序示例

回歸分析預(yù)測操作例子

圖關(guān)系建模與分析挖掘及其鏈接分析和社交分析操作

1. 利用Spark GraphX實(shí)現(xiàn)網(wǎng)頁鏈接分析，計(jì)算網(wǎng)頁重要性排名
2. 實(shí)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

圖數(shù)據(jù)的分析挖掘操作，實(shí)現(xiàn)微博數(shù)據(jù)集的社交網(wǎng)絡(luò)建模與關(guān)系分析

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法模型及其應(yīng)用實(shí)踐

1. 神經(jīng)網(wǎng)絡(luò)算法Neural Network的實(shí)現(xiàn)方法和挖掘模型應(yīng)用
2. 基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的訓(xùn)練過程
   1. 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
   2. Deep Learning的訓(xùn)練方法
3. 深度學(xué)習(xí)的常用模型和方法
   1. CNN（Convolutional Neural Network）卷積神經(jīng)網(wǎng)絡(luò)
   2. RNN（Recurrent Neural Network）循環(huán)神經(jīng)網(wǎng)絡(luò)模型
   3. Restricted Boltzmann Machine(RBM)限制波爾茲曼機(jī)
4. 基于Spark的深度學(xué)習(xí)算法模型庫的應(yīng)用程序示例

基于Spark或TensorFlow神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)庫實(shí)現(xiàn)文本與圖片數(shù)據(jù)挖掘

項(xiàng)目實(shí)踐

1. 日志分析系統(tǒng)與日志挖掘項(xiàng)目實(shí)踐
   1. Hadoop，Spark，ELK技術(shù)構(gòu)建日志數(shù)據(jù)倉庫
   2. 互聯(lián)網(wǎng)微博日志分析系統(tǒng)項(xiàng)目
2. 推薦系統(tǒng)項(xiàng)目實(shí)踐
   1. 電影數(shù)據(jù)分析與個性化推薦關(guān)聯(lián)分析項(xiàng)目

項(xiàng)目數(shù)據(jù)集和詳細(xì)的實(shí)驗(yàn)指導(dǎo)手冊由講師提供

培訓(xùn)總結(jié)

1. 項(xiàng)目方案的課堂討論，討論實(shí)際業(yè)務(wù)中的分析需求，剖析各個環(huán)節(jié)的難點(diǎn)、痛點(diǎn)、瓶頸，啟發(fā)出解決之道；完成講師布置的項(xiàng)目案例，鞏固學(xué)過的大數(shù)據(jù)分析挖掘處理平臺技術(shù)知識以及應(yīng)用技能

討論交流

第四天

學(xué)員考試與業(yè)界交流