一、培訓(xùn)收益
通過(guò)此次課程培訓(xùn)，可使學(xué)習(xí)者獲得如下收益：
1.深刻理解在“互聯(lián)網(wǎng)+”時(shí)代下大數(shù)據(jù)的產(chǎn)生背景、發(fā)展歷程和演化趨勢(shì)；
2.了解業(yè)界市場(chǎng)需求和國(guó)內(nèi)外{zx1}的大數(shù)據(jù)技術(shù)潮流，洞察大數(shù)據(jù)的潛在價(jià)值；
3.理解大數(shù)據(jù)項(xiàng)目解決方案及業(yè)界大數(shù)據(jù)應(yīng)用案例，從而為企業(yè)在大數(shù)據(jù)項(xiàng)目中的技術(shù)選型及技術(shù)架構(gòu)設(shè)計(jì)提供決策參考；
4.掌握業(yè)界{zlx}的Hadoop與Spark大數(shù)據(jù)技術(shù)體系；
5.掌握大數(shù)據(jù)采集技術(shù)；
6.掌握大數(shù)據(jù)分布式存儲(chǔ)技術(shù)；
7.掌握NoSQL與NewSQL分布式數(shù)據(jù)庫(kù)技術(shù)；
8.掌握大數(shù)據(jù)倉(cāng)庫(kù)與統(tǒng)計(jì)機(jī)器學(xué)習(xí)技術(shù)；
9.掌握大數(shù)據(jù)分析挖掘與商業(yè)智能（BI）技術(shù)；
10.掌握大數(shù)據(jù)離線(xiàn)處理技術(shù)；
11.掌握Storm流式大數(shù)據(jù)處理技術(shù)；
12.掌握基于內(nèi)存計(jì)算的大數(shù)據(jù)實(shí)時(shí)處理技術(shù)；
13.掌握大數(shù)據(jù)管理技術(shù)的原理知識(shí)和應(yīng)用實(shí)戰(zhàn)；
14.深入理解大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)和使用場(chǎng)景；
15.嫻熟運(yùn)用Hadoop與Spark大數(shù)據(jù)技術(shù)體系規(guī)劃解決方案滿(mǎn)足實(shí)際項(xiàng)目需求；
16.熟練地掌握基于Hadoop與Spark大數(shù)據(jù)平臺(tái)進(jìn)行應(yīng)用程序開(kāi)發(fā)、集群運(yùn)維管理和性能調(diào)優(yōu)技巧。
二、培訓(xùn)特色
1.課程培訓(xùn)業(yè)界{zlx}、應(yīng)用最廣泛的Hadoop與Spark大數(shù)據(jù)技術(shù)體系。強(qiáng)化大數(shù)據(jù)平臺(tái)的分布式集群架構(gòu)和核心關(guān)鍵技術(shù)實(shí)現(xiàn)、大數(shù)據(jù)應(yīng)用項(xiàng)目開(kāi)發(fā)和大數(shù)據(jù)集群運(yùn)維實(shí)踐、以及Hadoop與Spark大數(shù)據(jù)項(xiàng)目應(yīng)用開(kāi)發(fā)與調(diào)優(yōu)的全過(guò)程沙盤(pán)模擬實(shí)戰(zhàn)。
2.通過(guò)一個(gè)完整的大數(shù)據(jù)開(kāi)發(fā)項(xiàng)目及一組實(shí)際項(xiàng)目訓(xùn)練案例，wq覆蓋Hadoop與Spark生態(tài)系統(tǒng)平臺(tái)的應(yīng)用開(kāi)發(fā)與運(yùn)維實(shí)踐。課堂實(shí)踐項(xiàng)目以項(xiàng)目小組的形式進(jìn)行沙盤(pán)實(shí)操練習(xí)，重點(diǎn)強(qiáng)化理解Hadoop與Spark大數(shù)據(jù)項(xiàng)目各個(gè)階段的工作重點(diǎn)，同時(shí)掌握作為大數(shù)據(jù)項(xiàng)目管理者的基本技術(shù)與業(yè)務(wù)素養(yǎng)。
3.本課程的授課師資都是有著多年在一線(xiàn)從事Hadoop與Spark大數(shù)據(jù)項(xiàng)目的資深講師，采用原理技術(shù)剖析和實(shí)戰(zhàn)案例相結(jié)合的方式開(kāi)展互動(dòng)教學(xué)、強(qiáng)化以建立大數(shù)據(jù)項(xiàng)目解決方案為主體的應(yīng)用開(kāi)發(fā)、技術(shù)討論與交流咨詢(xún)，在學(xué)習(xí)的同時(shí)促進(jìn)講師學(xué)員之間的交流，讓每個(gè)學(xué)員都能在課程培訓(xùn)過(guò)程中學(xué)到實(shí)實(shí)在在的大數(shù)據(jù)技術(shù)知識(shí)體系，以及大數(shù)據(jù)技術(shù)應(yīng)用實(shí)戰(zhàn)技能，具備實(shí)際大數(shù)據(jù)應(yīng)用項(xiàng)目的動(dòng)手開(kāi)發(fā)實(shí)踐與運(yùn)維管理部署能力。授課過(guò)程中，根據(jù)學(xué)員需求，增設(shè)交流環(huán)節(jié)，可將具體工作中遇到的實(shí)際問(wèn)題展開(kāi)討論，講師會(huì)根據(jù)學(xué)員的實(shí)際情況微調(diào)授課內(nèi)容，由講師帶著全部學(xué)員積極討論，并給出一定的時(shí)間讓學(xué)員上臺(tái)發(fā)言，現(xiàn)場(chǎng)剖析問(wèn)題的癥結(jié)，規(guī)劃出可行的解決方案。
|
日程
|
培訓(xùn)模塊
|
培訓(xùn)內(nèi)容
|
|
{dy}天
上午
|
大數(shù)據(jù)技術(shù)基礎(chǔ)
|
1. 大數(shù)據(jù)的產(chǎn)生背景與發(fā)展歷程
2. 大數(shù)據(jù)的4V特征，以及與云計(jì)算的關(guān)系
3. 大數(shù)據(jù)應(yīng)用需求以及潛在價(jià)值分析
4. 業(yè)界{zx1}的大數(shù)據(jù)技術(shù)發(fā)展態(tài)勢(shì)與應(yīng)用趨勢(shì)
5. 大數(shù)據(jù)思維的轉(zhuǎn)變
6. 大數(shù)據(jù)項(xiàng)目的系統(tǒng)與技術(shù)選型，及落地實(shí)施的挑戰(zhàn)
7. “互聯(lián)網(wǎng)+”時(shí)代下的電子商務(wù)、制造業(yè)、交通行業(yè)、電信運(yùn)營(yíng)商、銀行金融業(yè)、電子政務(wù)、移動(dòng)互聯(lián)網(wǎng)、教育信息化等行業(yè)應(yīng)用實(shí)踐與應(yīng)用案例介紹
|
|
|
業(yè)界主流的大數(shù)據(jù)技術(shù)方案
|
1. 大數(shù)據(jù)軟硬件系統(tǒng)全棧與關(guān)鍵技術(shù)介紹
2. 大數(shù)據(jù)生態(tài)系統(tǒng)全景圖
3. 主流的大數(shù)據(jù)解決方案介紹
4. Apache大數(shù)據(jù)平臺(tái)方案剖析
5. CDH大數(shù)據(jù)平臺(tái)方案剖析
6. HDP大數(shù)據(jù)平臺(tái)方案剖析
7. 基于云的大數(shù)據(jù)平臺(tái)方案剖析
8. 大數(shù)據(jù)解決方案與傳統(tǒng)數(shù)據(jù)庫(kù)方案比較
9. 國(guó)內(nèi)外大數(shù)據(jù)平臺(tái)方案與廠(chǎng)商對(duì)比
|
|
|
大數(shù)據(jù)計(jì)算模型（一）——批處理MapReduce
|
1. MapReduce產(chǎn)生背景與適用場(chǎng)景
2. MapReduce計(jì)算模型的基本原理
3. MapReduce作業(yè)執(zhí)行流程
4. MapReduce基本組件，JobTracker和TaskTracker
5. MapReduce高級(jí)編程應(yīng)用，Combiner和Partitioner
6. MapReduce性能優(yōu)化技巧
7. MapReduce案例分析與開(kāi)發(fā)實(shí)踐操作
|
|
{dy}天
下午
|
大數(shù)據(jù)存儲(chǔ)系統(tǒng)與應(yīng)用實(shí)踐
|
1. 分布式文件系統(tǒng)HDFS產(chǎn)生背景與適用場(chǎng)景
2. HDFS master-slave系統(tǒng)架構(gòu)與讀寫(xiě)工作原理
3. HDFS核心組件技術(shù)講解，NameNode與fsimage、editslog，DataNode與數(shù)據(jù)塊
4. HDFS Federation機(jī)制，viewfs機(jī)制，使用場(chǎng)景講解
5. HDFS高可用保證機(jī)制，SecondaryNameNode，NFS冷備份，基于zookeeper的HA方案
|
|
|
大數(shù)據(jù)實(shí)戰(zhàn)練習(xí)一
|
1. Hadoop平臺(tái)搭建、部署與應(yīng)用實(shí)踐，包含HDFS分布式文件系統(tǒng)，YARN資源管理軟件，MapReduce計(jì)算框架軟件
2. HDFS shell命令操作
3. MapReduce程序在YARN上運(yùn)行
|
|
第二天
上午
|
Hadoop框架與生態(tài)發(fā)展，以及應(yīng)用實(shí)踐操作
|
1. Hadoop的發(fā)展歷程
2. Hadoop 1.0的核心組件JobTracker，TaskTracker，以及適用范圍
3. Hadoop 2.0的核心組件YARN工作原理，以及與Hadoop 1.0的聯(lián)系與區(qū)別
4. Hadoop YARN的資源管理與作業(yè)調(diào)度機(jī)制
5. Hadoop 常用性能優(yōu)化技術(shù)
|
|
|
大數(shù)據(jù)計(jì)算模型（二）——實(shí)時(shí)處理/內(nèi)存計(jì)算 Spark
|
1. MapReduce計(jì)算模型的瓶頸
2. Spark產(chǎn)生動(dòng)機(jī)、基本概念與適用場(chǎng)景
3. Spark編程模型與RDD彈性分布式數(shù)據(jù)集的工作原理與機(jī)制
4. Spark實(shí)時(shí)處理平臺(tái)運(yùn)行架構(gòu)與核心組件
5. Spark寬、窄依賴(lài)關(guān)系與DAG圖分析
6. Spark容錯(cuò)機(jī)制
7. Spark作業(yè)調(diào)度機(jī)制
8. Spark standardalone，Spark on YARN運(yùn)行模式
9. Scala開(kāi)發(fā)介紹與Spark常用Transformation函數(shù)介紹
|
|
第二天
下午
|
大數(shù)據(jù)倉(cāng)庫(kù)查詢(xún)技術(shù)Hive、SparkSQL、Impala，以及應(yīng)用實(shí)踐
|
1. 基于MapReduce的大型分布式數(shù)據(jù)倉(cāng)庫(kù)Hive基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
2. Hive數(shù)據(jù)倉(cāng)庫(kù)的平臺(tái)架構(gòu)與核心技術(shù)剖析
3. Hive metastore的工作機(jī)制與應(yīng)用
4. Hive 分區(qū)、分桶機(jī)制，Hive行、列存儲(chǔ)格式
5. 基于Spark的大型分布式數(shù)據(jù)倉(cāng)庫(kù)SparkSQL基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
6. Spark SQL實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)的實(shí)現(xiàn)原理與工作機(jī)制
7. SparkSQL程序開(kāi)發(fā)與DataFrame機(jī)制介紹
8. 基于MPP的大型分布式數(shù)據(jù)倉(cāng)庫(kù)Impala基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
9. Impala實(shí)時(shí)查詢(xún)系統(tǒng)平臺(tái)架構(gòu)、關(guān)鍵技術(shù)介紹，以及與Hive，SparkSQL的對(duì)比
|
|
|
Hadoop集群運(yùn)維監(jiān)控工具
|
1. Hadoop運(yùn)維管理監(jiān)控系統(tǒng)Ambari工具介紹
2. 第三方運(yùn)維系統(tǒng)與工具Ganglia, Nagios
|
|
|
大數(shù)據(jù)實(shí)戰(zhàn)練習(xí)二
|
1.基于 Hadoop平臺(tái)搭建、部署與配置Spark集群，Spark shell環(huán)境實(shí)踐，Spark案例程序分析，Spark程序開(kāi)發(fā)與運(yùn)行
2. 基于MapReduce的Hive數(shù)據(jù)倉(cāng)庫(kù)實(shí)踐，Hive集群安裝部署，基于文件的Hive數(shù)據(jù)倉(cāng)庫(kù)表導(dǎo)入導(dǎo)出與分區(qū)操作，Hive SQL操作，Hive客戶(hù)端操作
3. 基于Hive的SparkSQL shell實(shí)踐操作
|
|
第三天
上午
|
大數(shù)據(jù)計(jì)算模型（三）——流處理Storm, SparkStreaming
|
1. 流數(shù)據(jù)處理應(yīng)用場(chǎng)景與流數(shù)據(jù)處理的特點(diǎn)
2. 流數(shù)據(jù)處理工具Storm的平臺(tái)架構(gòu)與集群工作原理
3. Storm關(guān)鍵技術(shù)與并發(fā)機(jī)制
4. Storm編程模型與基本開(kāi)發(fā)模式
5. Storm數(shù)據(jù)流分組
6. Storm可靠性保證與Acker機(jī)制
7. Storm應(yīng)用案例分析
8. 流數(shù)據(jù)處理工具Spark Streaming基本概念與數(shù)據(jù)模型
9. SparkStreaming工作機(jī)制
10. SparkStreaming程序開(kāi)發(fā)介紹
11. Storm與SparkStreaming的對(duì)比
|
|
第三天
下午
|
大數(shù)據(jù)ETL操作工具，與大數(shù)據(jù)分布式采集系統(tǒng)
|
1. Hadoop與DBMS之間數(shù)據(jù)交互工具的應(yīng)用
2. Sqoop導(dǎo)入導(dǎo)出數(shù)據(jù)的工作原理
3. Flume-NG數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)流模型與系統(tǒng)架構(gòu)
4. Kafka分布式消息訂閱系統(tǒng)的應(yīng)用介紹與平臺(tái)架構(gòu)，及其使用模式
|
|
|
面向OLTP型應(yīng)用的NoSQL數(shù)據(jù)庫(kù)及應(yīng)用實(shí)踐
|
1. 關(guān)系型數(shù)據(jù)庫(kù)瓶頸，以及NoSQL數(shù)據(jù)庫(kù)的發(fā)展，概念，分類(lèi)，及其在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)場(chǎng)景下的適用范圍
2. 列存儲(chǔ)NoSQL數(shù)據(jù)庫(kù)HBase簡(jiǎn)介與數(shù)據(jù)模型剖析
3. HBase分布式集群系統(tǒng)架構(gòu)與讀寫(xiě)機(jī)制，ZooKeeper分布式協(xié)調(diào)服務(wù)系統(tǒng)的工作原理與應(yīng)用
4. HBase表設(shè)計(jì)模式與primary key設(shè)計(jì)規(guī)范
5. 文檔NoSQL數(shù)據(jù)庫(kù)MongoDB簡(jiǎn)介與數(shù)據(jù)模型剖析
6. MongoDB集群模式、讀寫(xiě)機(jī)制與常用API操作
8.鍵值型NoSQL數(shù)據(jù)庫(kù)Redis簡(jiǎn)介與數(shù)據(jù)模型剖析
9.Redis多實(shí)例集群架構(gòu)與關(guān)鍵技術(shù)
10.NewSQL數(shù)據(jù)庫(kù)技術(shù)簡(jiǎn)介及其適用場(chǎng)景
|
|
|
大數(shù)據(jù)實(shí)戰(zhàn)練習(xí)三
|
1.Sqoop安裝、部署與配置，基于Sqoop、MySQL與Hive操作MySQL數(shù)據(jù)庫(kù)與Hive數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)導(dǎo)入導(dǎo)出
2.Kafka安裝、部署與配置，基于Kafka創(chuàng)建和消費(fèi)topic實(shí)踐操作
3.Flume+HDFS+MapReduce/Spark大數(shù)據(jù)采集、存儲(chǔ)與分析實(shí)踐操作
|
|
|
大數(shù)據(jù)項(xiàng)目選型、實(shí)施、優(yōu)化等問(wèn)題交流討論
|
大數(shù)據(jù)項(xiàng)目的需求分析、應(yīng)用實(shí)施、系統(tǒng)優(yōu)化，以及解決方案等咨詢(xún)與交流討論
|
|
第四天
|
學(xué)習(xí)考核與業(yè)內(nèi)經(jīng)驗(yàn)交流
|
