1、大数据处理技术-基于Hadoop/Yarn的实战(含Spark、Storm和Docker应用介绍)
本课程从大数据技术以及Hadoop/Yarn实战的角度，结合理论和实践，全方位地介绍Hadoop/Yarn这一高性能处理大数据工具的开发技巧。本课程涉及的主题包括：Hadoop/Yarn分布式文件系统DFS;MapReduce的的工作机制、类型和格式;如何构建和管理Hadoop/Yarn集群;PigLatin语言的使用技巧;Hive数据仓库工具介绍;HBase和Zookeeper工具的使用和管理;开源数据采集工具sqoop。
本课程教学过程中还提供了案例分析来帮助学员了解如何用Hadoop/Yarn系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。
第一节云计算及大数据处理技术介绍
第二节Google的关键技术
第三节Hadoop系统及HDFS
第四节MapReduce计算模型设计
第五节Pig数据流处理工具
第六节云数据仓库Hive
第七节HBase和NoSQL
第八节数据抽取工具Sqoop
第九节Hadoop与其他云数据处理技术的融合
2、大数据实时处理–基于Spark的大数据实时处理及应用技术
课程中结合实例，介绍图工具GraphX如何发现社交网络中的人际关系，大数据挖掘工具MLlib如何进行商品聚类和电影推荐，以及Streaming流挖掘工具,并探讨了Spark与Docker等云环境下新技术的结合，分析了其应用前景。
本课程教学过程中还提供了案例分析来帮助学员了解如何用Spark实时大数据工具来解决业界的问题，并介绍了Spark生产环境搭建的相关知识。
第一节Spark大数据实时处理技术
第二节Spark安装配置及监控
第三节Scala编程语言使用概述
第四节Spark分布式计算框架
第五节Spark内部工作机制详解
第六节Spark数据读取与存储
第七节Spark通信模块和容错机制
第八节SQLOnSpark
第九节Spark流数据处理工具Streaming
第十节Spark中的大数据挖掘工具MLlib
第十一节Spark大规模图处理工具GraphX
第十二节Spark与其他大数据技术的融合与应用
3、Storm大数据流式处理技术
本课程从大数据流式处理技术以及Storm实战的角度，理论和实践相结合，全方位地介绍Storm大数据流式处理工具的原理和内核。以案例分析的方式来帮助学员了解如何用BDAS系列工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。
第一节Storm大数据处理介绍
第二节Storm配置和容错机制
第三节Storm可靠性及消息传输
第四节Storm拓扑及流分组
第五节Spout和Bolt详解
第六节分布式DPRC
第七节Storm事务拓扑
第八节Storm中的Trident
第九节Trident的状态
第十节Storm企业应用
4、大数据分布式存储系统
在大数据时代，很多企业的数据都是逐步积累的，这就要求存储系统有很好的横向扩展能力;而要对传统存储设备进行横向扩展，会带来很高的成本，但是分布式存储却能够比较好的解决这样的问题。
第一节分布式存储系统概述
第二节大数据集(超大文件)存储
第三节海量小文件存储
第四节分布式存储技术发展新动向和趋势
5、大数据前沿技术分析与应用
大数据相关技术最近几年出现了井喷的趋势，众多技术纷纷出现，典型的系统包括Hadoop、Spark、Flume、Scribe、Kafka、Storm、Mahout、MLlib、Docker等，涵盖网络数据爬取、日志采集、分布式消息订阅、大数据分析挖掘等方面，涉及离线批处理、实时处理、流式处理等多种处理方式。这些技术解决不同的应用需求，涉及面广，技术要求高，交叉知识范围广，知识内容更新频繁，要理清其中的关系，从中发现最适合本机构的技术，成为了目前各机构技术专家的一个难点。
第一节大数据技术基础
第二节批处理大数据平台Hadoop
第三节实时大数据平台Spark
第四节流式大数据平台Storm
第五节Python网络爬虫
第六节大数据日志采集工具Flume
第七节分布式消息订阅工具Kafka
第八节NoSQL云数据处理工具
第九节大数据中的SQL工具
第十节大数据分析挖掘工具
第十一节资源虚拟化工具Docker
第十二节大数据技术展望
6、数据仓库与数据挖掘(结合SPSS和WEKA)
本课程重在突出数据仓库与数据挖掘决策支持的本质，介绍数据挖掘的各种方法、技术实现手段，通过对实例的深入剖析解释它们的原理。
第一节数据仓库原理及联机分析技术介绍
第二节数据仓库设计与开发
第三节基于数据仓库的决策支持系统
第四节数据仓库案例剖析
第五节数据挖掘与知识发现
第六节关联分析算法及其案例
第七节聚类分析算法及其案例
第八节其它数据挖掘算法介绍
7、Python和R数据挖掘技术-基于Python和R语言的数据挖掘和统计分析技术
本课程将对基于Python和R语言进行数据处理、数据探索的基本方法，利用R语言实现模型选择、Logistic回归及决策树算法，以及贝叶斯算法及支持向量机、神经网络等算法原理及实现进行讲解。
第一节数据挖掘，Python和R简介
第二节数据的导入与导出
第三节数据可视化展现
第四节决策树与随机森林
第五节回归分析
第六节聚类分析
第七节离群点检测
第八节时间序列分析
第九节关联规则
第十节社交网络分析
8、大数据分析挖掘-基于Hadoop/Mahout/MLlib的大数据挖掘(含Spark、Storm和Docker应用介绍)
本课程从大数据挖掘分析技术实战的角度，结合理论和实践，全方位地介绍Mahout和MLlib等大数据挖掘工具的开发技巧。本课程涉及的主题包括：大数据挖掘及其背景，Mahout和MLlib大数据挖掘工具，推荐系统及电影推荐案例，分类技术及聚类分析，以及与流挖掘和Docker技术的结合，分析了大数据挖掘前景分析。
本课程教学过程中还提供了案例分析来帮助学员了解如何用Mahout和MLlib挖掘工具来解决具体的问题，并介绍了从大数据中挖掘出有价值的信息的关键。
第一节大数据挖掘及其背景
第二节MapReduce/DAG计算模式
第三节云挖掘工具Mahout/MLib
第四节推荐系统及其应用开发
第五节分类技术及其应用
第六节聚类技术及其应用
第七节关联规则和相似项发现
第八节流数据挖掘相关技术
第九节云环境下大数据挖掘应用
9、Spark大数据挖掘工具MLlib实战(机器学习)
本课程主要讲解SparkMLlib，SparkMLlib是一种高效、快速、可扩展的分布式计算框架，实现了常用的机器学习，如：聚类、分类、回归等算法。讲解各个算法的理论、详细展示Spark源码实现，最后均会通过实例进行解析实战，帮助大家真正从理论到实践全面掌握SparkMLlib分布式机器学习和大数据挖掘方法。
第一节Spark大数据实时处理技术
第二节Spark安装配置及监控
第三节Scala编程语言和分布式计算模型
第四节SparkMLlib线性回归和逻辑回归算法
第五节SparkMLlib贝叶斯分类算法
第六节SparkMLlib决策树算法
第七节SparkMLlib聚类算法
第八节SparkMLlib关联规则算法
第九节SparkMLlib个性化推荐算法
第十节SparkMLlib神经网络算法
10、Python语言基础及数据分析技术
Python语法简洁清晰，Python具有丰富和强大的库。能够把用其他语言制作的各种模块(尤其是C/C++)很轻松地联结在一起。Python包括一套完整的数据处理、计算和制图软件系统;简便而强大的编程语言：可操纵数据的输入和输入，可实现分支、循环，用户可自定义功能。
本课程将对基于Python语言进行数据处理、数据探索的基本方法，并对Python语言算法原理及实现进行讲解。
第一节基础知识
第二节Python数据结构
第三节选择与循环
第四节字符串与正则表达式
第五节函数设计与使用
第六节面向对象程序设计
第七节文件操作
第八节GUI编程
第九节数据库编程
第十节科学计算与可视化
第十一节大数据处理
11、大数据可视化技术与应用
本课程立足于可视化的本质问题，从设计的角度讲述数据可视化技术，而非可视化实现算法。
课程通过演绎可视化设计的基本流程、常用工具和方法，加上针对典型数据类型可视化方法的案例分析，以启发学员思考，达到以更加丰富的可视化方法，运用各种交互设计手段进行可视化分析与探索，深入挖掘自身现有业务数据价值的目的。
第一节数据可视化概述
第二节可视化设计基础
第三节可视化编码基础
第四节地理空间数据可视化方法
第五节时变数据可视化方法
第六节关系数据可视化方法
第七节高维数据可视化方法
第八节文本数据可视化方法
第九节可视化交互设计方法
12、云计算与大数据处理技术
本课程分别从多个角度分析在面对海量数据处理的困难时，不同的应用体系是如何解决问题并获得成功的。研究这些已有的体系不是目的，而是希望学员能够通过学习这些解决问题的方法和思路，通过归纳整理深入理解，再根据自己所面对的领域特征，形成解决具体实际问题的方案。通过本课程学习，希望推动国内云计算项目开发上升到一个新水平。
第一节云计算的概念与现状
第二节从Google云计算体系，理解海量数据处理的方法
第三节从Hadoop云计算项目，进一步研究云数据处理方法
第四节从WindowsAzure，理解平台即服务的本质
第五节从Amazon云计算，讨论如何提供云服务
第六节实施云计算的关键点：安全策略
第七节当前数据中心如何向云计算环境转变?
第八节基础设施即服务(IaaS)关键实现技术
第九讲软件即服务(SaaS)关键实现技术
