大数据建模与分析挖掘应用

培训对象： 1.大数据分析应用开发工程师 2.大数据分析项目的规划咨询管理人员 3.大数据分析项目的IT项目高管人员 4.大数据分析与挖掘处理算法应用工程师 5.大数据分析集群运维工程师 6.大数据分析项目的售前和售后技术支持服务人员

课程目标： 1.本课程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。 2.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

费用说明：含培训费、资料费、考试费、证书费、讲义费等

咨 / 询 / 热 / 线 18898361497

在线咨询

大数据建模与分析挖掘应用所有班级

温馨提示：为了保证课程质量，每期报名人数有限，需提前预约。点击预约

免费预约

大数据建模与分析挖掘应用课程介绍

课程模块	内容提要	授课详细内容
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