大数据分析挖掘-基于Hadoop/Mahout/MLlib的大数据挖掘
培训要点 互联网点击数据、传感数据、日志文件、具有丰富地理空间信息的移动数据和涉及网络的各类评论,成为了海量信息的多种形式。当数据以成百上千TB不断增长的时候,我们在内部交易系统的历史信息之外,需要一种基于大数据分析的决策模型和技术支持。 大数据通常具有:数据体量(Volume)巨大,数据类型(Variety)繁多,价值(Value)密度低,处理速度(Velocity)快等四大特征。如何有效管理和高效处理这些大数据已成为当前亟待解决的问题。大数据处理意味着更严峻的挑战,更好地管理和处理这些数据也将会获得意想不到的收获。 Google发布的GFS和MapReduce等高可扩展、高性能的分布式大数据处理框架,证明了在处理海量网页数据时该框架的优越性。在此基础上,Apache Hadoop开源项目开发团队,克隆并推出了Hadoop/Yarn系统。该系统已受到学术界和工业界的广泛认可和采纳,并孵化出众多子项目(如Hive,Zookeeper和Mahout等),日益形成一个易部署、易开发、功能齐全、性能优良的系统。在此基础上,以Berkley牵头设计的Spark/BDAS技术,实现了内存级别的分布式处理模式,使用户无需关注复杂的内部工作机制,无需具备丰富的分布式系统知识及开发经验,即可实现大规模分布式系统的部署与大数据的并行处理。 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。 本课程不是一个泛泛的理论性、概念性的介绍课程,而是针对问题讨论Mahout和 MLlib解决方案的深入课程。教师对于上述领域有深入的理论研究与实践经验,在课程中将会针对这些问题与学员一起进行研究,在关键点上还会搭建实验环境进行实践研究,以加深对于这些解决方案的理解。通过本课程学习,希望推动大数据分析挖掘项目开发上升到一个新水平。 ? 培训内容 第一讲大数据挖掘及其背景 ??1)数据挖掘定义 ? 2)Hadoop相关技术 ? 3)大数据挖掘知识点 第二讲 MapReduce/DAG计算模式 ??1)分布式文件系统DFS ? 2)MapReduce计算模型介绍 ? 3)使用MR进行算法设计 ? 4)DAG及其算法设计 ? 第三讲 云挖掘工具Mahout/MLib ?? 1)Hadoop中的Mahoutb介绍 ?? 2)Spark中的Mahout/MLib介绍 ?? 3)推荐系统及其Mahout实现方法 ?? 4)信息聚类及其MLlib实现方法 ?? 5)分类技术在Mahout/MLib中的实现方法? 第四讲 推荐系统及其应用开发 ?? 1)一个推荐系统的模型 ?? 2)基于内容的推荐 ?? 3)协同过滤 ?? 4)基于Mahout的电影推荐案例 第五讲 分类技术及其应用 ? 1)分类的定义 ? 2)分类主要算法 ? 3)Mahout分类过程 ? 4)评估指标以及评测 ? 5)贝叶斯算法新闻分类实例 第六讲 聚类技术及其应用 ? ?1)聚类的定义 ?? 2)聚类的主要算法 ??3)K-Means、Canopy及其应用示例 ??4)Fuzzy K-Means、Dirichlet及其应用示例 ??5)基于MLlib的新闻聚类实例 第七讲 关联规则和相似项发现 ?? 1)购物篮模型 ?? 2)Apriori算法 ?? 3)抄袭文档发现 ?? 4)近邻搜索的应用 第八讲 流数据挖掘相关技术 ?? 1)流数据挖掘及分析 ?? 2)Storm和流数据处理模型 ?? 3)流处理中的数据抽样 ?? 4)流过滤和Bloom filter 第九讲 云环境下大数据挖掘应用 ? ?1)与Hadoop/Yarn集群应用的协作 ???2)与Docker等其它云工具配合 ?? 3)大数据挖掘行业应用展望 ? 培训目标 1,全面了解大数据处理技术的相关知识。 2,学习Hadoop/Yarn/Spark的核心数据分析技术 3,深入学习Mahout/MLlib挖掘工具在大数据中的使用。 4,掌握Storm流处理技术和Docker等技术与大数据挖掘结合的方法。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |