课程目标
1、使参加学员全面掌握物大数据相关技术及教学方法；帮助各高校在大数据专业课程体系建设提供全方位、强有力的教学资源和技术支持。
2、全面掌握Hadoop的架构原理和使用场景，并通过贯穿课程的项目进行实战锻炼，从而熟练使用Hadoop进行MapReduce程序开发。课程还涵盖了分布式计算领域的常用算法介绍，帮助学员为企业在利用大数据方面体现自身价值。
3、深入理解Hadoop技术架构,对Hadoop运作机制有清晰全面的认识，可以独立规划及部署生产环境的Hadoop集群，掌握Hadoop基本运维思路和方法，对Hadoop集群进行管理和优化。
4.本课程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、spark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。。
5.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。

培训对象
各高等院校计算机科学技术、网络工程、软件工程、信息工程、信息管理、物联网等相关专业教学带头人及骨干教师；各高校教务处、科研处、信息中心、实验室等领导
各企业大数据架构师、技术总监、数据挖掘负责人、数据挖掘开发工程师

培训安排
在本届师资培训安排的实训课程中，来自阿里与高校等专家讲师、一线工程师将结合自主研发的Hadoop课程体系及实验，讲解并带着老师们完成了从实验基础环境的搭建---实验数据的建立---实验数据的导入---数据分析—数据挖掘全过程，以帮助参训教师完整学习Hadoop知识体系，包括实验环境的搭建、使用、数据分析、数据挖掘，给参训老师们有了更加直观的体验。还详细讲解了大数据搜索挖掘平台，通过大数据精准搜索，使其搜索结果自动分组统计。根据关键词提取，聚类、过滤分类等技术流程进行数据挖掘，挖掘出数据的价值。

培训内容（hadoop3天+Spark机器学习3天）
模块一大数据介绍及高校如何开设大数据教学课程
1）大数据概念的发展与解析
2）大数据在国内外发展现状
3）大数据在互联网发展现状
4）大数据四个特点分析
5）大数据课程教师需要具备的大数据知识储备
6）大数据相关招聘岗位需求分析
7）大数据技术演进与变革
8）应对 IT 新技术变革，教师知识的储备与提升
9）在哪个层面进行教学精彩案例
高校开设大数据的教学可在多个层面上进行
有条件的高校可以开设云计算专业
不具备条件的高校可以开设大数据方面的课程，介绍大数据的知识，引导学生向大数据方面发展
模块二大数据带来的机遇和挑战
大数据带来的机遇和挑战
1）大数据能带来什么 、引领社会进入“大数据时代”
2）大数据对国家、社会的作用 、大数据将推动经济发展
3）大数据将推动科技发展进程、开启商业智能新阶段
4）数据分析的发展——从数据到知识 大数据如何让商业更智能、大数据应用案例
5）带来数据处理新变革 、大数据的关键技术
6）大数据与云计算 、大数据技术的发展趋势　
精彩案例
电信手机上网日志分析
移动 GPRS 上网日志查询系统
某省份联通网络不良信息检测系统
国土资源部门下属单位非结构离线网格分析平台
某银行海量数据统一分析平台
　某电信用户属性精分系统
　某银行实时计算平台
　某电力电台电视节目推荐系统
模块三Hadoop在云计算技术的作用和地位
传统大规模系统存在的问题
Hadoop概述
Hadoop分布式文件系统　　　
MapReduce工作原理　　　　
Hadoop集群剖析　　　　　　
Hadoop生态系统对一种新的解决方案的需求
Hadoop的行业应用案例分析
Hadoop在云计算和大数据的位置和关系
数据开放,数据云服务平台(DAAS)时代
Hadoop平台在数据云平台(DAAS)上的天然优势。
数据云平台(DAAS 平台)组成部分
互联网公共数据大云(DAAS)案例
Hadoop构建构建游戏云(Web Game Daas)平台
模块四Hadoop生态系统介绍和演示
Hadoop HDFS 和 MapReduce
Hadoop数据库之HBase
Hadoop数据仓库之Hive
Hadoop数据处理脚本Pig
Hadoop数据接口Sqoop和Flume，Scribe DataX
Hadoop工作流引擎 Oozie运用Hadoop自下而上构建大规模企业数据仓库
暴风影音数据仓库实战解析
模块五Hadoop组件详解Hadoop HDFS 基本结构
Hadoop HDFS 副本存放策略
Hadoop NameNode 详解
Hadoop SecondaryNameNode 详解
Hadoop DataNode 详解
Hadoop JobTracker 详解
Hadoop TaskTracker 详解Hadoop Mapper类核心代码
Hadoop Reduce类核心代码
Hadoop 核心代码
模块六Hadoop安装和部署
Hadoop系统模块组件概述
Hadoop试验集群的部署结构
Hadoop 安装依赖关系
Hadoop 生产环境的部署结构
Hadoop集群部署
Hadoop 高可用配置方法
Hadoop 集群简单测试方法
Hadoop 集群异常Debug方法
Hadoop安装部署实验
Red hat Linux基础环境搭建
Hadoop 单机系统版本安装配置
Hadoop 集群系统版本安装和启动配置
使用 Hadoop MapReduce Streaming 快速测试系统
Hadoopcore-site，hdfs-site，mapred-site 配置详解
模块七Hadoop集群规划Hadoop 集群内存要求
Hadoop集群磁盘分区
集群和网络拓扑要求
集群软件的端口配置
针对NameNode Jobtracker DataNode TaskTracker Hiveserver 等不同组件需求推荐服务器配置
模块八MapReduce 算法原理
Hadoop MapReduce 算法的原理和优化思想
灵活运用MapReduce 实现算法
运用MapReduce 构建数据库算法
Select Sort GrougBy Sum Count
Join 新进流失算法
使用 Y-Smart 快速转换SQL 为MapReduce 代码　　　
模块九编写MapReduce高级程序
使用 Hadoop MapReduce Streaming 编程
MapReduce流程　
剖析一个MapReduce程序
基本MapReduceAPI概念
驱动代码 Mapper、Reducer
Hadoop流
API 使用Eclipse进行快速开发
新MapReduce API
MapReduce的优化
MapReduce的任务调度
MapReduce编程实战
如何利用其他Hadoop相关技术，包括Apache Hive， Apache Pig，Sqoop和Oozie等
满足解决实际数据分析问题的高级Hadoop API
Hadoop Streaming 和 Java MapReduce Api 差异。
MapReduce 实现数据库功能
利用Combiners来减少中间数据
编写Partitioner来优化负载平衡
直接访问Hadoop分布式文件系统（HDFS）
Hadoop的join操作
辅助排序在Reducer方的合并
定制Writables和WritableComparables
使用SequenceFiles和Avro文件保存二进制数据
创建InputFormats OutputFormats
Hadoop的二次排序
Hadoop的海量日志分析
在Map方的合并　
模块十集成Hadoop到现有工作流
及Hadoop API深入探讨存储系统
利用Sqoop从关系型数据库系统中导入数据到Hadoop
利用Flume导入实时数据到Hadoop
ToolRunner介绍、使用MRUnit进行测试
使用Configure和Close方法来进行Map/Reduce设置和关闭
使用FuseDFS和Hadoop访问HDFS
使用分布式缓存（Distributed Cache）
直接访问Hadoop分布式文件系统（HDFS）
利用Combiners来减少中间数据
编写Partitioner来优化负载平衡
模块十一使用Hive和Pig开发及技巧Hive和Pig基础　　　　　
Hive的作用和原理说明
Hadoop仓库和传统数据仓库的协作关系
Hadoop/Hive仓库数据数据流
Hive 部署和安装
Hive Cli 的基本用法
HQL基本语法
运用Pig 过滤用户数据　
使用JDBC 连接Hive进行查询和分析
使用正则表达式加载数据
HQL高级语法
编写UDF函数
编写UDAF自定义函数
基于Hive脚本内嵌Streaming 编程
模块十二Hbase安装和使用Hbase 安装部署
Hbase原理和结构
Hbase 运维和管理
使用Hbase+Hive 提供 OLAP SQL查询能力
使用Hbase+Phoenix提供 OLTP SQL能力
基于Hbase 的时间序列数据库 OpenTsDb 结构解析
模块十三Hadoop2.0 集群探索
Hadoop2.0 HDFS 原理
Hadoop2.0 Yarn 原理
Hadoop2.0 生态系统
基于Hadoop2.0 构建分布式系统
模块十四Hadoop企业级别案例解析Hadoop 结构化数据案例
Hadoop 非结构化案例
Hbase 数据库案例
Hadoop 视频分析案例
利用大数据分析改进交通管理
区域医疗大数据应用案例
银联大数据数据票据详单平台
某银行大数据Spark应用案例详解
某证券公司大数据案例介绍
广东移动省公司请账单系统
上海电信网络优化
某通信运营商全国用户上网记录
浙江台州市智能交通系统
移动广州详单实时查询系统
跨区域实时视频监控系统
电信大数据案例介绍：
基于社交网络的精确营销和客户维系
基于信令分析用户的移动轨迹
基站规划和动态优化
智慧城市交通
流量分析
上海联通大数据开放变现的实现案例介绍
模块十五RedHadoop 企业版本
运用RedHadoop快速构建服务集群
运用RedHadoop DW 构建数据仓库
基于RedHadoop Hive构建数据仓库平台
灵活运用 Hive 加速游戏数据仓库
基于Pig+OpenCV大规模图像人脸识别
模块十六Spark原理和入门Spark原理；Spark的架构图；Spark运行模式介绍
—local；—standalone；—messos；—yarn；Spark的RDD
什么是RDD；RDD的种类；—Tranformation；—Action
Spark的存储级别；Cache介绍；Spark的容错原理
Lineage容错；Checkpoint容错；RDD的创建
案例—统计单词的个数
模块十七互联网大数据应用案例
根阿里的ODPS大数据平台架构介绍
阿里的实时推荐架构
阿里的交叉营销系统
阿里支付宝交易监控系统
支付宝微贷案例分析(互联网征信系统)
京东打白条系统分析
百度预测大数据平台案例分析
机器学习
模块一Spark ML基础入门
1.1 Spark介绍
1.2 Spark ML介绍
1.3 课程的基础环境
1.4 Spark SparkSession
1.5 Spark Datasets操作
1.6 Datasets操作的代码实操
模块二Spark ML
Pipelines（ML管道）
2.1 Pipelines的主要概念
2.2 Pipelines实例讲解
2.3 ML操作的代码实操
2.4 使用 ML Pipeline 构建机器学习工作流案例展示
2.5 实例的代码实操声
模块三Spark ML数学基础
3.1 ML矩阵向量计算
3.2 分类效果评估指标及ML实现详解
3.3 交叉-验证方法及ML实现详解
3.4 实例的代码实操
3.5 特征的提取及ML实现详解
3.6特征的转换及ML实现详解
3.7 特征的选择及ML实现详解
3.8 实例的代码实操
模块四Spark ML特征的提取、转换和选择
4.1 线性回归算法
4.2 逻辑回归算法
4.3 ML回归算法参数详解
4.4 ML实例
4.5 实例的代码实操
模块五Spark ML线性回归/逻辑回归算法
5.1 决策树算法
5.2 随机森林算法
5.3 GDBT算法
5.4 ML树模型参数详解
5.5 ML实例
5.6 实例的代码实操
模块六Spark ML决策树/随机森林/GBDT算法
6.1 KMeans聚类算法
6.2 ML KMeans模型参数详解
6.3 ML实例
6.4 实例的代码实操
模块七Spark ML KMeans聚类算法
7.1 LDA主题聚类算法
7.2 ML LDA主题聚类模型参数详解
7.3 ML实例
7.4 实例的代码实操
模块八Spark ML LDA主题聚类算法
8.1 协同过滤推荐算法
8.2 ML协同过滤分布式实现逻辑
8.3 ML协同过滤源码开发
8.4 实现实例
8.5 实例的代码实操
模块九Spark ML协同过滤推荐算法
9.1 案例背景
9.2 架构设计
9.3 数据准备
9.4 模型训练
9.5 模型预测
9.6 脚本封装
模块十项目实践
大型案例：基于Spark的推荐模型开发
模块十一培训总结
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

师资力量
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、大数据挖掘算法等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。

蒋老师 ： 清华大学博士，云计算专家 熟悉主流的云计算平台，并有商业与开源云计算平台的实践经验,对云计算关键技术有深刻了解和实践经验，如分布式系统、虚拟化、分布式文件系统、云存储等，参与并领导多个大型云计算项目。对大数据关键技术有深刻了解和实践经验，如NoSQL数据库、大数据处理、Hadoop、Hive、HBase、Spark等。