大數據分析- 基于Hadoop/Mahout的大數據挖掘

隨著互聯網、移動互聯網和物聯網的發展，我們已經切實地迎來了一個大數據的時代。大數據是指無法在一定時間內用常規軟件工具對其內容進行抓取、管理和處理的數據集合，對大數據的分析已經成為一個非常重要且緊迫的需求。目前對大數據的分析工具，*的是Hadoop平臺。Hadoop在可伸縮性、健壯性、計算性能和成本上具有無可替代的優勢，事實上已成為當前互聯網企業主流的大數據分析平臺。為解決廣大系統設計人員深入研究與開發大數據技術的需要，培訓中心特在“大數據處理技術-基于Hadoop的實戰”課程的基礎上，針對已有或即將建立Hadoop集群，擁有海量數據，需要做用戶推薦、產品聚類、信息分類等大數據分析用戶，舉辦“大數據分析- 基于Hadoop/Mahout的大數據挖掘（含Spark和Storm應用介紹）”培訓班，具體事宜通知如下：

一、培訓對象

1，系統架構師、系統分析師、高級程序員、資深開發人員。

2，牽涉到大數據處理的數據中心運行、規劃、設計負責人。

3，機關，金融保險、移動和互聯網等大數據來源單位的負責人。

4，高校、科研院所牽涉到大數據與分布式數據處理的項目負責人。

二、學員基礎

1，對IT系統設計有一定的理論與實踐經驗。

2，有一定的數據倉庫與大數據處理的基礎知識。

3，有一定的Hadoop技術的基礎知識。

三、師資

由業界*大數據專家親自授課：

楊老師   主要研究網絡信息分析以及云計算相關技術，長期從事通信網管系統、網絡信息處理、商務智能(BI)以及電信決策支持系統的研究開發工作，主持和參與了多個和省部級基金項目，具有豐富的工程實踐及軟件研發經驗。

四、培訓要點

互聯網點擊數據、傳感數據、日志文件、具有豐富地理空間信息的移動數據和涉及網絡的各類評論，成為了海量信息的多種形式。當數據以成百上千TB不斷增長的時候，我們在內部交易系統的歷史信息之外，需要一種基于大數據分析的決策模型和技術支持。

大數據通常具有：數據體量(Volume)巨大,數據類型(Variety)繁多,價值(Value)密度低,處理速度(Velocity)快等四大特征。如何有效管理和高效處理這些大數據已成為當前亟待解決的問題。大數據處理意味著更嚴峻的挑戰，更好地管理和處理這些數據也將會獲得意想不到的收獲。

Google發布的GFS和MapReduce等高可擴展、高性能的分布式大數據處理框架，證明了在處理海量網頁數據時該框架的優越性。GFS/MapReduce框架實現了更高應用層次的抽象，使用戶無需關注復雜的內部工作機制，無需具備豐富的分布式系統知識及開發經驗，即可實現大規模分布式系統的部署與大數據的并行處理。

Apache Hadoop開源項目開發團隊。他們克隆了GFS/MapReduce框架，推出了Hadoop系統。該系統已受到學術界和工業界的廣泛認可和采納，并孵化出眾多子項目(如Pig，Zookeeper和Hive等)，日益形成一個易部署、易開發、功能齊全、性能優良的系統。

本課程從大數據技術以及Hadoop實戰的角度，結合理論和實踐，全方位地介紹Hadoop以及Mahout大數據挖掘工具的開發技巧。涉及的主題包括：大數據挖掘及其背景， Hadoop及Mahout大數據挖掘工具，推薦系統及電影推薦案例，分類技術及聚類分析，流挖掘及其它挖掘技術，大數據挖掘前景分析。

教學過程中貫穿了案例分析來幫助學員了解如何用Hadoop和Mahout挖掘工具來解決具體的問題，在關鍵點上搭建實驗環境進行實踐研究，以加深對于這些解決方案的理解。并介紹了從大數據中挖掘出有價值的信息的關鍵。

五、培訓內容

*講大數據挖掘及其背景

  1)數據挖掘定義

  2)Hadoop相關技術

  3)大數據挖掘知識點

第二講 MapReduce計算模式

  1）分布式文件系統

  2）MapReduce

  3）使用MR的算法設計

第三講 Hadoop中的云挖掘工具Mahout

  1）Mahout介紹

  2）推薦系統

   3）信息聚類

   4）分類技術

   5）其它挖掘

第四講 推薦系統及其應用開發

   1）一個推薦系統的模型

   2）基于內容的推薦

   3）協同過濾

   4）電影推薦案例

第五講 分類技術及其應用

  1）分類的定義

  2）分類主要算法

  3）Mahout分類過程

  4）評估指標以及評測

  5）貝葉斯算法新聞分類實例

第六講 聚類技術及其應用

   1）聚類的定義

   2）聚類的主要算法

   3）K-Means、Canopy及其應用示例

   4）Fuzzy K-Means、Dirichlet及其應用示例

   5）路透新聞聚類實例

第七講 關聯規則和相似項發現

   1）購物籃模型

   2）Apriori算法

   3）抄襲文檔發現

   4）近鄰搜索的應用

第八講 流數據挖掘相關技術

   1）流數據挖掘及分析

   2）流數據模型

   3）數據抽樣

   4）流過濾

第九講 大數據挖掘應用前景

   1）與Hadoop集群應用的協作

   2）與RHadoop等其它云挖掘工具配合

   3）大數據挖掘行業應用展望

六、培訓目標

1, 全面了解大數據處理技術的相關知識。

2，學習Hadoop的核心技術方法以及應用特征。

3，深入使用Mahout挖掘工具在大數據中的使用。

4，掌握流數據挖掘和其它大數據挖掘關鍵技術。

七、培訓時間、地點

2015年11月12日-11月14日 上海

2015年11月18日-11月20日 北京

八、證書

培訓結束，頒發培訓中心“大數據分析- 基于Hadoop/Mahout的大數據挖掘”結業證書。