课程定位

面向高校大数据相关讲师、信息中心与院系人员及感兴趣的专业人员，采用理论与项目实践结合的方式。

学习收获

• 掌握大数据处理平台（Hadoop、Spark、Storm）技术架构、以及平台的安装部署、运维配置、应用开发；掌握主流大数据Hadoop平台和Spark实时处理平台的技术架构和实际应用；利用Hadoop+Spark对行业大数据进行存储管理和分析挖掘的技术应用；讲解Hadoop生态系统组件，包括Storm，HDFS，MapReduce，HIVE，HBase，Spark，GraphX，MLib，Shark， ElasticSearch等大数据存储管理、分布式数据库、大型数据仓库、大数据查询与搜索、大数据分析挖掘与分布式处理技术
• 让学员充分掌握大数据平台技术架构、大数据分析的基本理论、机器学习的常用算法、国内外主流的大数据分析与BI商业智能分析解决方案、以及大数据分析在搜索引擎、广告服务推荐、电商数据分析、金融客户分析方面的应用案例。
• 强调主流的大数据分析挖掘算法技术的应用和分析平台的实施，让学员掌握主流的基于大数据Hadoop和Spark、R的大数据分析平台架构和实际应用，并用结合实际的生产系统案例进行教学，掌握基于Hadoop大数据平台的数据挖掘和数据仓库分布式系统平台应用，以及商业和开源的数据分析产品加上Hadoop平台形成大数据分析平台的应用剖析。
• 让学员掌握常见的机器学习算法，深入讲解业界成熟的大数据分析挖掘与BI平台的实践应用，并以客户分析系统、日志分析和电商推荐系统为案例，串联常用的数据挖掘技术进行应用教学。
• 从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。

课程特色

• 已公布排期为2026-11-04至2026-11-13，此日期范围不表示每天连续授课；具体上课日期、授课天数与实际日程以正式开课通知为准。
• 本课程基本的实践环境是Linux集群，JDK1.8， Hadoop 2.7.*，Spark 2.1.*。
• 本课程采用技术原理与项目实战相结合的方式进行教学，在讲授原理的过程中，穿插实际的系统操作，本课程讲师也精心准备的实际的应用案例供学员动手训练。
• 请准备i5及以上CPU、4GB及以上内存的电脑，预留50GB硬盘空间（可用移动硬盘）；按原课程提供的VMware镜像和操作任务实践。

课程模块

模块一 移动互联网、大数据、云计算相关技术介绍

• 1、数据中心与云计算技术应用
• 2、智慧城市与云计算技术应用
• 3、移动互联网、大数据与云计算关联技术
• 4、移动云计算的生态系统及产业链
• 5、大数据技术在运营商、金融业、银行业、电子商务行业、零售业、制造业、政务信息化、互联网、教育信息化等行业中的应用实践
• 6、国内外主流的大数据解决方案介绍
• 7、当前大数据解决方案与传统数据库方案的剖析比较
• 8、Cloudera Hadoop 大数据平台方案剖析
• 9、开源的大数据生态系统平台剖析

模块二 大数据的挑战和发展方向

• 1、大数据时代的挑战
• 战略决策能力
• 技术开发和数据处理能力
• 组织和运营能力
• 2、大数据时代的发展方向
• 云计算是基础设施架构
• 大数据是灵魂资产
• 分析、挖掘是手段
• 发现和预测是最终目标
• 3、大数据挖掘在各行业应用情况
• 电信行业应用及案例分析
• 互联网行业应用及案例分析
• 金融行业应用及案例研究
• 销售行业应用案例分析

模块三 大数据文件存储系统技术和分布式文件系统平台及其应用

• 1、Hadoop的发展历程
• Hadoop大数据平台架构
• 基于Hadoop平台的PB级大数据存储管理与分析处理的工作原理与机制
• Hadoop 的核心组件剖析
• 2、分布式文件系统HDFS
• 概述、功能、作用、优势
• 应用范畴、应用现状
• 发展趋势
• 3、分布式文件系统HDFS架构及原理
• 核心关键技术
• 设计精髓
• 基本工作原理
• 系统架构
• 文件存储模式
• 工作机制
• 存储扩容与吞吐性能扩展
• 4、分布式文件系统HDFS操作
• SHELL命令操作
• I/O流式操作
• 文件数据读取、写入、追加、删除
• 文件状态查询
• 数据块分布机制
• 数据同步与一致性
• 元数据管理技术
• 主节点与从节点工作机制
• 大数据负载均衡技术
• HDFS大数据存储集群管理技术
• 5、Hadoop生态系统组件
• Storm
• HDFS
• MapReduce
• HIVE
• HBase
• Spark
• GraphX
• MLib
• Shark

模块四 Hadoop文件系统HDFS最佳实战

• 1、HDFS的设计
• 2、HDFS的概念
• 数据块
• namenode和datanode
• 联邦HDFS
• HDFS的高可用性
• 3、命令行接口
• 4、Hadoop文件系统
• 5、Java接口
• 从Hadoop URL读取数据
• 通过FileSystem API读取数据
• 写入数据
• 目录
• 查询文件系统
• 删除数据
• 6、数据流
• 剖析文件读取
• 剖析文件写入
• 一致模型
• 7、通过Flume和Sqoop导入数据
• 8、通过distcp并行复制
• 9、Hadoop存档
• 使用Hadoop存档工具
• 不足

模块五 Hadoop运维管理与性能调优

• 1、第二代大数据处理框架
• Yarn的工作原理及
• DAG并行执行机制
• Yarn大数据分析处理案例分析
• Yarn 框架并行应用程序实践
• 2、集群配置管理
• Hadoop集群配置
• Hadoop性能调优与参数配置
• Hadoop机架感知策略与配置
• Hadoop压缩机制
• Hadoop任务负载均衡
• Hadoop 集群维护
• Hadoop监控管理
• 3、HDFS的静态调优技巧
• HDFS 的高吞吐量I/O性能调优技巧
• MapReduce/Yarn的并行处理性能调优技巧
• Hadoop集群的运行故障剖析，以及解决方案
• 基于Hadoop大数据应用程序的性能瓶颈剖析与提
• Hadoop 大数据运维监控管理系统 HUE 平台的安装部署与应用配置
• Hadoop运维管理监控系统Ambari平台的安装部配置
• Hadoop 集群运维系统 Ganglia, Nagios的安装部署与应用配置

模块六 NOSQL数据库Hbase与Redis

• 1、NOSQL基础
• CAP理论
• Base与ACID
• NOSQL数据库存储类型
• 键值存储
• 列存储
• 文档存储
• 图形存储
• 2、HBase分布式数据基础
• 3、安装Hbase
• 4、Hbase应用
• HBase的逻辑数据模型，HBase的表、行、列族、列、单元格、版本、row key排序
• HBase的物理模型，命名空间（表空间）、表模式（Schema）的设计法则
• HBase 主节点HMaster的工作原理，HMaster的高可用配置，以及性能调优
• HBase 从节点RegionServer（分区服务节点）的工作原理，表分区及存储I/O高并发配置，以及性能调优
• HBase的存储引擎工作原理，以及HBase表数据的键值存储结构，以及HFile存储结构剖析
• HBase表设计与数据操作以及数据库管理操作
• HBase集群的安装部署、参数配置和性能优化
• 5、HBase分布式数据库简介、发展历程、应用场景、工作原理、以及应用优势与不足之处
• HBase分布式数据库集群的主从式平台架构和关键技术剖析
• HBase伪分布式和物理集群分布式的控制与运行配置
• HBase从节点RegionServer（分区服务节点）的工作原理，表分区及存储I/O高并发配置，以及性能调优
• HBase的存储引擎工作原理，以及HBase表数据的键值存储结构，以及HFile存储结构剖析
• HBase表设计与数据操作以及数据库管理操作
• HBase集群的安装部署、参数配置和性能优化
• ooKeeper分布式协调服务系统的工作原理、平台架构、集群部署应用实战
• ZooKeeper集群的原理架构，以及应用配置
• 6、Redis内存数据库介绍，以及业界应用案例
• Redis内存数据库集群架构以及核心技术剖析
• Redis 集群的安装部署与应用开发实战

模块七 类SQL语句工具——Hive

• 1、安装Hive
• 2、示例
• 3、运行Hive
• 配置Hive
• Hive服务
• Metastore
• 4、Hive与传统数据库相比
• 读时模式vs.写时模式
• 更新、事务和索引
• 5、HiveQL
• 数据类型
• 操作与函数
• 6、表
• 托管表和外部表
• 分区和桶
• 存储格式
• 导入数据
• 表的修改
• 表的丢弃
• 7、查询数据
• 排序和聚集
• MapReduce脚本
• 连接
• 子查询
• 视图
• 8、用户定义函数
• 写UDF
• 写UDAF

模块八 数据挖掘SPARK建模基础介绍

• 1、Spark简介
• Spark是什么
• Spark生态系统BDAS
• 2、Spark架构
• Spark分布式架构与单机多核架构的异同
• 3、Spark集群的安装与部署
• Spark的安装与部署
• Spark集群初试
• 4、Spark硬件配置
• Spark硬件
• Spark硬件配置流程

模块九 Kafka基础介绍

• 1、Kafka介绍
• 2、kafka体系结构
• 3、kafka设计理念简介
• 4、kafka通信协议
• 5、kafka的伪分布安装、集群安装
• 6、kafka的shell操作、java操作
• 7、kafka设计理念*
• 8、kafka producer和consumer开发
• 9、Kafka分布式消息订阅系统的应用介绍、平台架构、集群部署与配置应用实战
• 10、Flume-NG数据采集系统的数据流模型、平台架构、集群部署与配置应用实战
• 11、Hadoop与DBMS之间数据交互工具Sqoop的应用实践，
• 12、Sqoop导入导出数据以及Sqoop集群部署与配置
• 13、Kettle 集群的平台架构、核心技术、部署配置和应用实战
• 14、利用Sqoop实现 MySQL 与 Hadoop 集群之间

模块十 大数据典型应用与开发案例分析：互联网数据运营

• 1、案例1：贵州数据交易中心
• 交易所交易形式：电子交易
• 交易所服务：大数据交易、大数据清洗建模分析、大数据定向采购、大数据平台技术开发
• 大数据交易安全性探讨分析
• 数据交易中心商业模式探讨分析
• 2、案例2：大数据应用案例：公共交通线路的智能规划
• UrbanInsights：为公交公司提供基于订阅访问的大数据工具以及大数据咨询服务
• Urban Insights数据源、数据收集、数据仓库、数据分析——设计运营线路
• Urban Insights通过互联网数据的运营
• 3、讨论：浙江移动大数据应用与开发方向

模块十一 当前数据中心的改造和转换分析-以国内外运营商、互联网公司为例

• 1、流商业大数据解决方案比较
• 2、主流开源云计算系统比较
• 3、国内外代表性大数据平台比较
• 4、各厂商最新的大数据产品介绍
• 5、案例分析
• Facebook的SNS平台应用
• Google的搜索引擎应用
• Rackspace的日志处理
• Verizon成立精准市场营销部
• TelefonicaDynamicInsights推出的名为“智慧足迹”的商业服务
• 中国联通的“移动通信用户上网记录集中查询与分析支撑系统”

大数据建模与分析挖掘培训内容

• 业界主流的数据仓库工具和大数据分析挖掘工具
• 1.业界主流的基于Hadoop和Spark的大数据分析挖掘项目解决方案
• 2.业界数据仓库与数据分析挖掘平台软件工具
• 3.Hadoop数据仓库工具Hive
• 4.Spark实时数据仓库工具SparkSQL
• 5.Hadoop数据分析挖掘工具Mahout
• 6.Spark机器学习与数据分析挖掘工具MLlib
• 7.大数据分析挖掘项目的实施步骤

大数据分析挖掘项目的数据集成操作训练

• 1.日志数据解析和导入导出到数据仓库的操作训练
• 2.从原始搜索数据集中抽取、集成数据，整理后形成规范的数据仓库
• 3.数据分析挖掘模块从大型的集中式数据仓库中访问数据，一个数据仓库面向一个主题，构建两个数据仓库
• 4.同一个数据仓库中的事实表数据，可以给多个不同类型的分析挖掘任务调用
• 5.去除噪声
• 基于Hadoop的大型数据仓库管理平台—HIVE数据仓库集群的多维分析建模应用实践
• 6.基于Hadoop的大型分布式数据仓库在行业中的数据仓库应用案例
• 7.Hive数据仓库集群的平台体系结构、核心技术剖析
• 8.Hive Server的工作原理、机制与应用
• 9.Hive数据仓库集群的安装部署与配置优化
• 10.Hive应用开发技巧
• 11.Hive SQL剖析与应用实践
• 12.Hive数据仓库表与表分区、表操作、数据导入导出、客户端操作技巧
• 13.Hive数据仓库报表设计
• 14.将原始的日志数据集，经过整理后，加载至Hadoop + Hive数据仓库集群中，用于共享访问
• Spark大数据分析挖掘平台实践操作训练
• 15.Spark大数据分析挖掘平台的部署配置
• 16.Spark数据分析库MLlib的开发部署
• 17.Spark数据分析挖掘示例操作，从Hive表中读取数据并在分布式内存中运行

聚类分析建模与挖掘算法的实现原理和技术应用

• 18.聚类分析建模与算法原理及其在Spark MLlib中的实现与应用，包括：
• a)Canopy聚类（canopy clustering）
• b)K均值算法（K-means clustering）
• c)模糊K均值（Fuzzy K-means clustering）
• d)EM聚类，即期望最大化聚类（Expectation Maximization）
• e)以上算法在Spark MLib中的实现原理和实际场景中的应用案例。
• 19.Spark聚类分析算法程序示例
• 分类分析建模与挖掘算法的实现原理和技术应用
• 20.分类分析建模与算法原理及其在Spark MLlib中的实现与应用， 包括：
• f)Spark决策树算法实现
• g)逻辑回归算法（logistics regression）
• h)贝叶斯算法（Bayesian与Cbeyes）
• i)支持向量机（Support vector machine）
• j)以上算法在Spark MLlib中的实现原理和实际场景中的应用案例。
• 21.Spark客户资料分析与给用户贴标签的程序示例
• 22.Spark实现给商品贴标签的程序示例
• 23.Spark实现用户行为的自动标签和深度技术
• 关联分析建模与挖掘算法的实现原理和技术应用
• 24.预测、推荐分析建模与算法原理及其在Spark MLlib中的实现与应用，包括：
• k)Spark频繁模式挖掘算法（parallel FP Growth Algorithm）应用
• l)Spark关联规则挖掘（Apriori）算法及其应用
• m)以上算法在Spark MLib中的实现原理和实际场景中的应用案例。
• 25.Spark关联分析程序示例
• 推荐分析挖掘模型与算法技术应用
• 26.推荐算法原理及其在Spark MLlib中的实现与应用，包括：
• a)Spark协同过滤算法程序示例
• b)Item-based协同过滤与推荐
• c)User-based协同过滤与推荐
• d)交叉销售推荐模型及其实现

回归分析模型与预测算法

• 27.利用线性回归（多元回归）实现访问量预测
• 28.利用非线性回归预测成交量和访问量的关系
• 29.基于R+Spark实现回归分析模型及其应用操作
• 30.Spark回归程序实现异常点检测的程序示例
• 图关系建模与分析挖掘及其链接分析和社交分析操作
• 31.利用Spark GraphX实现网页链接分析，计算网页重要性排名
• 32.实现信息传播的社交关系传递分析，互联网用户的行为关系分析任务的操作训练
• 神经网络与深度学习算法模型及其应用实践
• 33.神经网络算法Neural Network的实现方法和挖掘模型应用
• 34.基于人工神经网络的深度学习的训练过程
• a)传统神经网络的训练方法
• b)Deep Learning的训练方法
• 35.深度学习的常用模型和方法
• a)CNN（Convolutional Neural Network）卷积神经网络
• b)RNN（Recurrent Neural Network）循环神经网络模型
• c)Restricted Boltzmann Machine(RBM)限制波尔兹曼机
• 36.基于Spark的深度学习算法模型库的应用程序示例
• 项目实践 37.日志分析系统与日志挖掘项目实践
• a)Hadoop，Spark，ELK技术构建日志数据仓库
• b)互联网微博日志分析系统项目
• 38.推荐系统项目实践
• a)电影数据分析与个性化推荐关联分析项目

培训总结

• 39.项目方案的课堂讨论，讨论实际业务中的分析需求，剖析各个环节的难点、痛点、瓶颈，启发出解决之道；完成讲师布置的项目案例，巩固学过的大数据分析挖掘处理平台技术知识以及应用技能

模块一 机器学习的数学基础1 - 数学分析

• 1. 机器学习的一般方法和横向比较
• 2. 数学是有用的：以SVD为例
• 3. 机器学习的角度看数学
• 4. 复习数学分析
• 5. 直观解释常数e
• 6. 导数/梯度
• 7. 随机梯度下降
• 8. Taylor展式的落地应用
• 9. gini系数
• 10. 凸函数
• 11. Jensen不等式
• 12. 组合数与信息熵的关系

模块二 机器学习的数学基础2 - 概率论与贝叶斯先验

• 1. 概率论基础
• 2. 古典概型
• 3. 贝叶斯公式
• 4. 先验分布/后验分布/共轭分布
• 5. 常见概率分布
• 6. 泊松分布和指数分布的物理意义
• 7. 协方差(矩阵)和相关系数
• 8. 独立和不相关
• 9. 大数定律和中心极限定理的实践意义
• 10. 深刻理解最大似然估计MLE和最大后验估计MAP
• 11. 过拟合的数学原理与解决方案

模块三 机器学习的数学基础3 - 矩阵和线性代数

• 1. 线性代数在数学科学中的地位
• 2. 马尔科夫模型
• 3. 矩阵乘法的直观表达
• 4. 状态转移矩阵
• 5. 矩阵和向量组
• 6. 特征向量的思考和实践计算
• 7. QR分解
• 8. 对称阵、正交阵、正定阵
• 9. 数据白化及其应用
• 10. 向量对向量求导
• 11. 标量对向量求导
• 12. 标量对矩阵求导工作机制

模块四 Python基础1 - Python及其数学库

• 1. 解释器Python2.7与IDE：Anaconda/Pycharm
• 2. Python基础：列表/元组/字典/类/文件
• 3. Taylor展式的代码实现
• 4. numpy/scipy/matplotlib/panda的介绍和典型使用
• 5. 多元高斯分布
• 6. 泊松分布、幂律分布
• 7. 典型图像处理
• 8. 蝴蝶效应
• 9. 分形与可视化

模块五 Python基础2 - 机器学习库

• 1. scikit-learn的介绍和典型使用
• 2. 损失函数的绘制
• 3. 多种数学曲线
• 4. 多项式拟合
• 5. 快速傅里叶变换FFT
• 6. 奇异值分解SVD
• 7. Soble/Prewitt/Laplacian算子与卷积网络
• 8. 卷积与(指数)移动平均线
• 9. 股票数据分析

模块六 Python基础3 - 数据清洗和特征选择

• 1. 实际生产问题中算法和特征的关系
• 2. 股票数据的特征提取和应用
• 3. 一致性检验
• 4. 缺失数据的处理
• 5. 环境数据异常检测和分析
• 6. 模糊数据查询和数据校正方法、算法、应用
• 7. 朴素贝叶斯用于鸢尾花数据
• 8. GaussianNB/MultinomialNB/BernoulliNB
• 9. 朴素贝叶斯用于18000+篇/Sogou新闻文本的分类

模块七 回归

• 1. 线性回归
• 2. Logistic/Softmax回归
• 3. 广义线性回归
• 4. L1/L2正则化
• 5. Ridge与LASSO
• 6. Elastic Net
• 7. 梯度下降算法：BGD与SGD
• 8. 特征选择与过拟合

模块八 Logistic回归

• 1. Sigmoid函数的直观解释
• 2. Softmax回归的概念源头
• 3. Logistic/Softmax回归
• 4. 最大熵模型
• 5. K-L散度
• 6. 损失函数
• 7. Softmax回归的实现与调参

模块九 回归实践

• 1. 机器学习sklearn库介绍
• 2. 线性回归代码实现和调参
• 3. Softmax回归代码实现和调参
• 4. Ridge回归/LASSO/Elastic Net
• 5. Logistic/Softmax回归
• 6. 广告投入与销售额回归分析
• 7. 鸢尾花数据集的分类
• 8. 交叉验证
• 9. 数据可视化

模块十 决策树和随机森林

• 1. 熵、联合熵、条件熵、KL散度、互信息
• 2. 最大似然估计与最大熵模型
• 3. ID3、C4.5、CART详解
• 4. 决策树的正则化
• 5. 预剪枝和后剪枝
• 6. Bagging
• 7. 随机森林
• 8. 不平衡数据集的处理
• 9. 利用随机森林做特征选择
• 10. 使用随机森林计算样本相似度
• 11. 数据异常值检测

模块十一 随机森林实践

• 1. 随机森林与特征选择
• 2. 决策树应用于回归
• 3. 多标记的决策树回归
• 4. 决策树和随机森林的可视化
• 5. 葡萄酒数据集的决策树/随机森林分类
• 6. 波士顿房价预测

模块十二 提升

• 1. 提升为什么有效
• 2. 梯度提升决策树GBDT
• 3. XGBoost算法详解
• 4. Adaboost算法
• 5. 加法模型与指数损失

模块十三 提升实践

• 1. Adaboost用于蘑菇数据分类
• 2. Adaboost与随机森林的比较
• 3. XGBoost库介绍
• 4. Taylor展式与学习算法
• 5. KAGGLE简介
• 6. 泰坦尼克乘客存活率估计

模块十四 SVM

• 1. 线性可分支持向量机
• 2. 软间隔的改进
• 3. 损失函数的理解
• 4. 核函数的原理和选择
• 5. SMO算法
• 6. 支持向量回归SVR

模块十五 SVM实践

• 1. libSVM代码库介绍
• 2. 原始数据和特征提取
• 3. 葡萄酒数据分类
• 4. 数字图像的手写体识别
• 5. SVR用于时间序列曲线预测
• 6. SVM、Logistic回归、随机森林三者的横向比较

模块十六 聚类（一）

• 1. 各种相似度度量及其相互关系
• 2. Jaccard相似度和准确率、召回率
• 3. Pearson相关系数与余弦相似度
• 4. K-means与K-Medoids及变种
• 5. AP算法(Sci07)/LPA算法及其应用

模块十七 聚类（二）

• 1. 密度聚类DBSCAN/DensityPeak(Sci14)
• 2. DensityPeak(Sci14)
• 3. 谱聚类SC
• 4. 聚类评价AMI/ARI/Silhouette
• 5. LPA算法及其应用

模块十八 聚类实践

• 1. K-Means++算法原理和实现
• 2. 向量量化VQ及图像近似
• 3. 并查集的实践应用
• 4. 密度聚类的代码实现
• 5. 谱聚类用于图片分割

模块十九 EM算法

• 1. 最大似然估计
• 2. Jensen不等式
• 3. 朴素理解EM算法
• 4. 精确推导EM算法
• 5. EM算法的深入理解
• 6. 混合高斯分布
• 7. 主题模型pLSA

模块二十 EM算法实践

• 1. 多元高斯分布的EM实现
• 2. 分类结果的数据可视化
• 3. EM与聚类的比较
• 4. Dirichlet过程EM
• 5. 三维及等高线等图件的绘制
• 6. 主题模型pLSA与EM算法

模块二十一 主题模型LDA

• 1. 贝叶斯学派的模型认识
• 2. Beta分布与二项分布
• 3. 共轭先验分布
• 4. Dirichlet分布
• 5. Laplace平滑
• 6. Gibbs采样详解

模块二十二 LDA实践

• 1. 网络爬虫的原理和代码实现
• 2. 停止词和高频词
• 3. 动手自己实现LDA
• 4. LDA开源包的使用和过程分析
• 5. Metropolis-Hastings算法
• 6. MCMC
• 7. LDA与word2vec的比较
• 8. TextRank算法与实践

模块二十三 隐马尔科夫模型HMM

• 1. 概率计算问题
• 2. 前向/后向算法
• 3. HMM的参数学习
• 4. Baum-Welch算法详解
• 5. Viterbi算法详解
• 6. 隐马尔科夫模型的应用优劣比较

模块二十四 HMM实践

• 1. 动手自己实现HMM用于中文分词
• 2. 多个语言分词开源包的使用和过程分析
• 3. 文件数据格式UFT-8、Unicode
• 4. 停止词和标点符号对分词的影响
• 5. 前向后向算法计算概率溢出的解决方案
• 6. 发现新词和分词效果分析
• 7. 高斯混合模型HMM
• 8. GMM-HMM用于股票数据特征提取

模块二十五 课堂提问与互动讨论

• 模块二十五 课堂提问与互动讨论

适合人群

各地高校大数据产业相关讲师，信息中心相关人员、系主任、院长或对大数据感兴趣的相关人员

师资信息

张老师：阿里大数据高级专家，国内资深的Spark、Hadoop技术专家、虚拟化专家，对HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生态系统中的技术进行了多年的深入的研究，更主要的是这些技术在大量的实际项目中得到广泛的应用，因此在Hadoop开发和运维方面积累了丰富的项目实施经验。近年主要典型的项目有：某电信集团网络优化、中国移动某省移动公司请账单系统和某省移动详单实时查询系统、中国银联大数据数据票据详单平台、某大型银行大数据记录系统、某大型通信运营商全国用户上网记录、某省交通部门违章系统、某区域医疗大数据应用项目、互联网公共数据大云(DAAS)和构建游戏云(Web Game Daas)平台项目等。

课程咨询与报名

了解本期课程安排、师资及报名事项，请联系新中华学习网：400-061-6586，也可使用本页下方的报名咨询表。具体开课安排以正式通知为准。

温馨提示：本文内容根据课程内容整理，各模块实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。