| 大數(shù)據(jù)內(nèi)存計算技術(shù)介紹（深入理解Spark Core實現(xiàn)原理） |
1、Spark應(yīng)用現(xiàn)狀
2、Spark應(yīng)用優(yōu)勢
3、Spark應(yīng)用案例
4、Scala介紹
5、Mesos介紹
6、Spark介紹
7、Spark基本概念介紹
8、Spark架構(gòu)剖析
9、Spark RDD計算模型解析
10、Spark RDD操作剖析
11、DAG有向無環(huán)圖介紹
12、Spark編程
a)Java編寫Spark程序
b)Scala編寫Spark程序
c)Python編寫Spark程序
d)R編寫Spark程序
13、Spark可訪問的數(shù)據(jù)源介紹
a)文件系統(tǒng)
b)HDFS
c)HBase
d)Hive
e)Cassandra
f)Tachyon
14、Spark編程技巧分享
15、Spark開發(fā)分析
16、Spark的執(zhí)行機制解析
17、Spark運行原理剖析
18、Spark的調(diào)試與任務(wù)分配
19、Spark的性能調(diào)優(yōu)
20、Spark與MapReduce對比分析
21、Spark生態(tài)體系剖析
22、Spark監(jiān)控管理
23、Spark的容錯機制剖析
24、Spark集群部署
25、Spark集群部署經(jīng)驗分享
26、Spark大規(guī)模集群運維經(jīng)驗分享
27、 Spark實戰(zhàn)案例：Spark與HBase整合分析數(shù)據(jù) |
| 大數(shù)據(jù)內(nèi)存計算技術(shù)實戰(zhàn)分享（深入理解Spark Core使用實戰(zhàn)操作） |
1、Spark Shell
2、PySpark
3、構(gòu)建與運行Spark應(yīng)用
4、Spark的性能調(diào)優(yōu)
5、Spark實戰(zhàn)案例：預(yù)測國際經(jīng)濟危機實戰(zhàn)案例開發(fā) |
| Shark數(shù)據(jù)倉庫工具實戰(zhàn)（深入理解Shark實現(xiàn)原理及開發(fā)實戰(zhàn)） |
1、Spark Shark概述
2、Hive與Shark
3、Spark Shark原理剖析
4、Spark Shark框架介紹
5、Spark Shark編程
6、Spark Shark分布式文件HDFS讀寫
7、Spark Shark APIs全面介紹
8、Shark UDFs
9、Shark UADFs
10、Shark HiveQL
11、Shark基于Spark的綜合應(yīng)用
12、Spark Shark實戰(zhàn)案例：運營商話務(wù)數(shù)據(jù)分析案例剖析 |
| Spark SQL技術(shù)實戰(zhàn)（深入理解Spark SQL實現(xiàn)原理及開發(fā)實戰(zhàn)） |
1、Spark SQL概述
2、Spark SQL原理剖析
3、Spark SQL架構(gòu)介紹
4、SparkSQL CLI
5、Tree和Rule
6、sqlContext和hiveContext的運行過程
7、Load/Save函數(shù)
8、Parquet文件讀寫
9、Spark SQL連接JDBC
10、Spark SQL連接ODBC
11、Spark SQL分布式文件HDFS讀寫
12、JSON數(shù)據(jù)集
13、Hive表
14、數(shù)據(jù)類型
15、Spark SQL與 Cassandra集成
16、Spark SQL APIs全面介紹
17、Spark SQL and DataFrames
18、Spark SQL and DataSets
19、Spark SQL HiveQL
20、Spark SQL編程
21、運行Spark SQL程序
22、在內(nèi)存中緩存數(shù)據(jù)
23、Spark SQL UDFs
24、Spark SQL UADFs
25、Spark SQL SerDes
26、Spark SQL BI Tools
27、Spark SQL實戰(zhàn)案例：數(shù)據(jù)分析案例剖析
?
|
| Spark Streaming流計算技術(shù)實戰(zhàn)（深入理解Spark Streaming實現(xiàn)原理及開發(fā)實戰(zhàn)） |
1、Spark Streaming概述
2、Spark Streaming原理剖析
3、Spark Streaming流數(shù)據(jù)處理框架介紹
4、Spark Streaming編程剖析
5、初始化StreamingContext
6、Discretized Streams (DStreams)
7、輸入DStreams與Receivers
8、基于DStreams的Transformations
9、基于DStreams的輸出操作
10、Accumulators和Broadcast Variables
11、DataFrame和SQL操作
12、MLlib操作
13、Caching與Persistence
14、Checkpointing
15、運行Spark Streaming程序
16、性能調(diào)優(yōu)：減少批處理時間
17、性能調(diào)優(yōu)：設(shè)置正確的批處理間隔時間
18、內(nèi)存調(diào)優(yōu)
19、容錯元語
實戰(zhàn)案例：Spark Streaming與Kafka整合實現(xiàn)數(shù)據(jù)實時數(shù)據(jù)分析處理設(shè)計與分析 |
| Spark GraphX圖計算框架實戰(zhàn)（深入理解Spark GraphX實現(xiàn)原理及開發(fā)實戰(zhàn)） |
1、Spark GraphX概述
2、Spark GraphX圖計算理論剖析
3、Spark GraphX框架剖析
4、Spark GraphX的圖屬性
5、Spark GraphX的圖操作
6、操作列表
7、屬性操作
8、結(jié)構(gòu)操作
9、連接操作
10、近鄰集合操作
11、Caching and Uncaching
12、Pregel APIs
13、Graph Builders
14、Vertex與Edge RDDs
15、Optimized Representation
16、Graph Algorithms
17、PageRank
18、Connected Components
19、Triangle Counting
20、Spark GraphX編程剖析
21、Spark GraphX APIs介紹
22、實戰(zhàn)案例：Spark GraphX實現(xiàn)社交網(wǎng)絡(luò)關(guān)系分析 |
| spark MLlib機器學(xué)習(xí)庫實戰(zhàn)（深入理解Spark MLlib實現(xiàn)原理及開發(fā)實戰(zhàn)） |
- Spark MLlib概述
- Spark MLlib算法庫介紹
- Spark MLlib架構(gòu)剖析
- Spark MLlib機器學(xué)習(xí)算法剖析
- 數(shù)據(jù)類型
- 基本統(tǒng)計算法
- 分類與回歸
- 協(xié)同過濾
- 聚類
- 降維
- 特征提取與轉(zhuǎn)換
- 頻繁模式挖掘
- 評價指標
- Spark MLlib編程
- Spark MLlib APIs介紹
- Spark MLlib機器學(xué)習(xí)算法應(yīng)用實戰(zhàn)
- Spark MLlib實戰(zhàn)案例：數(shù)據(jù)聚類分析案例剖析
|
| Spark集成R語言SparkR（R語言與大數(shù)據(jù)內(nèi)存計算框架Spark集成） |
- R語言概述
- R語言語法介紹
- R語言繪圖函數(shù)
- R語言高級繪圖函數(shù)
- SparkR集群部署
- SparkR原理剖析
- SparkR框架介紹
- SparkR DataFrames
- DataFrame的操作
- 選擇行和列
- Grouping和Aggregation
- SparkContext和SQLContext
- 在SparkR中運行SQL查詢
- SparkR編程
- 在YARN上SparkR運行
- SparkR機器學(xué)習(xí)
- SparkR實戰(zhàn)案例：運營商話務(wù)數(shù)據(jù)繪圖
|
| 大數(shù)據(jù)推薦實戰(zhàn)（深入理解大數(shù)據(jù)推薦技術(shù)以及推薦技術(shù)編程） |
1、個性化推薦的理論依據(jù)
2、個性化推薦的價值
3、個性化推薦能達到的目的
4、個性化推薦的原則
5、個性化推薦技術(shù)發(fā)展史
6、個性化推薦的相關(guān)技術(shù)
7、基于用戶的常用推薦算法
8、基于用戶的協(xié)同過濾推薦 |
