1. <code id="hkh8t"></code>
          <thead id="hkh8t"></thead>

            <output id="hkh8t"><ruby id="hkh8t"><div id="hkh8t"></div></ruby></output>
            <thead id="hkh8t"><sup id="hkh8t"></sup></thead>
            1. <acronym id="hkh8t"><ruby id="hkh8t"></ruby></acronym>
              • 参会报名
              • 会议介绍
              • 会议日程
              • 会议嘉宾
              • 参会指南
              • 邀请函下载

              首页 > 商务会议 > IT互联网会议 > 2018大数据建模与分析挖掘应用实战培训班(11月珠海班) 更新时间:2018-11-07T16:57:32

              大会站点分布:
              (点击可切换)
              2018大数据建模与分析挖掘应用实战培训班(11月珠海班)
              收藏3人
              分享到

              2018大数据建模与分析挖掘应用实战培训班(11月珠海班) 已截止报名

              会议时间:2018-11-24 08:00至 2018-11-28 18:00结束

              会议地点: 珠海  详细地址会前通知  

              会议规模:暂无

              主办单位: 中国软件产业培训网

              推荐会议:GMIC 2019 广州 全球移动互联网大会(超序之美)

              发票类型:增值税普通发票 增值税专用发票

              行?#31561;?#38144;热门关注看了又看 换一换

                    会议介绍

                    会议内容 主办方介绍


                    2018大数据建模与分析挖掘应用实战培训班(11月珠海班)

                    2018大数据建模与分析挖掘应用实战培训班(11月珠海班)宣传图

                    大数据建模与分析挖掘技术已经逐步地应用到新兴互联网企业(如电子商务网站、搜索引擎、社交网站、互联网广告服务提供商等)、银行金融证券企业、电信运营等行业,给这些行业带来了一定的数据价值增值作用。

                    本次课程面向有一定的数据分析挖掘算法基础的工程师,带大家实践大数据分析挖掘平台?#21335;?#30446;训练,系统地讲解数据准备、数据建模、挖掘模型建立、大数据分析与挖掘算法应用在业务模型中,结合主流的Hadoop与Spark大数据分析平台架构,实现项目训练。

                    结合?#21040;?#20351;用最广泛的主流大数据平台技术,重点剖析基于大数据分析算法与BI技术应用,包括分类算法、聚类算法、预测分析算法、推荐分析模型等在业务中的实践应用,并根据讲师给定的数据集,实现两个基本的日志数据分析挖掘系统,以及电商(或内容)推荐系统引擎。

                    本课程基本的实践环境是Linux集?#28023;琂DK1.8, Hadoop 2.7.*,Spark 2.1.*。

                    学员需要准备的电脑最好是i5及以上CPU,4GB及以上内存,硬盘空间预留50GB(可用移动硬盘),基本的大数据分析平台所依赖的软件包和依赖库等,讲师已经提?#23433;?#32626;在虚拟机镜像(VMware镜像),学?#22791;?#25454;讲师的操作任务进行实践。

                    本课程采用技术原理与项目实战相结合的方式进行教学,在讲授原理的过程中,穿插实?#23454;南?#32479;操作,本课程讲师也精心准备的实?#23454;?#24212;用案例供学员动手训练。

                    培训时间及地点

                     2018年11月24日-11月28日 珠海 (24日全天报到)

                    报道地点:珠海华侨宾馆大厅(拱北迎宾?#19979;?106号),请学员?#28304;?#31508;记本电脑。
                    住宿标准:标准/双人房/大床房/268元/间,高级/双人房/大床房/288元/间。???????

                    培训目标

                    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、R的大数据分析平台架?#36141;?#23454;际应用,并用结合实?#23454;?#29983;产系统案例进行教学,掌握基于Hadoop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析产品加上Hadoop平台形成大数据分析平台的应用剖析。

                    3.让学员掌握常见的机器学习算法,深入讲解?#21040;?#25104;熟的大数据分析挖掘与BI平台的实践应用,并以客户分析系统、日志分析和电商推荐系统为案例,串联常用的数据挖掘技术进行应用教学。

                    培训人群

                    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?#22336;?#21153;人员五、

                    颁发证书

                    参加相关培训并通过?#38469;?#30340;学员,可以获得:

                    1.工业和信息化部颁发的-大数据挖掘高?#35910;?#31243;师职业技能证书。该证书可作为专业技术人员职业能力考?#35828;?#35777;明,以及专业技术人?#22791;?#20301;聘用、任职、定级和晋升职务的重要依据。

                    注:请学员带二寸?#25910;?张(背面注明姓名)、身份证复印件一张。

                    查看更多

                    中国软件产业培训网

                    为响应国家“人才兴国、?#24179;?#20852;国”战略,缓解中国软件技术人才需求日益紧张的现状,推动中国软件业的发展,培养一批高素?#23454;?#36719;件专?#31561;?#25165;,在工信部以及相关领导的大力支持下2008年成立了中国软件产业培训网(简称“软博教育?#20445;?#36719;博教育自成立以来即定位于软件技术专?#31561;?#25165;培养实训机构,专注致力于软件技术人才的培养,是中国科学?#26477;?#31639;技术研究所教育中心合作培训机构,也是工信部人才交流中心唯一指定的全国计算机专业技术人才培训基地?#20445;?#22269;家人力资源和社会保障部——全国信息化人才培养工程项目(即国家“653工程”)指定培养机构?#20445;? 中国软件产业培训网(中联软博(?#26412;?#31185;技有限公司)--率先在国内开展高级软件架构等IT高端培训的公开课。多年来?#20013;?#19981;断的?#24230;?#31934;力创新课程体系,至今已在国内开?#26500;?#24320;课培训的课程达十几门,分别涵盖软件架构、软件设计、项目管理、质量管理、需求工程、运营管理等领域,也根据企事业单位的实用需求, 通过定制培训方案,培训后的技术服务,将企业单位的信息化投?#23454;?#25928;益发挥到最高点。目前中心已经与几百家企事业单位建立了长期的培训合作关系, 深得用户信赖和好评。

                    会议日程

                    (最终日程以会议现场为准)


                    1. 两个完整?#21335;?#30446;任务和实践案例(重点)
                    1. 1.日志分析建模与日志挖掘项目实践
                    2. a)Hadoop,Spark,并结合ELK技术构建日志分析系统和日志数据仓库
                    3. b)互联网微博日志分析系统项目
                    4. 2.推荐系统项目实践
                    5. a)电影数据分析与个性化推荐关联分析项目
                    6. b)电商购物篮分析项目
                    7. Hadoop,Spark,可结合Oryx分布式集群在个性化推荐和精?#21152;?#38144;项目。
                    1. 项目的阶段性步骤贯穿到三天的培训过程中,第三天完成整个项目的原型

                     定?#21078;?#35838;+ 实战案例训练+ 互动咨询讨论,共3天

                    (说明:讲师会提供虚拟机镜像,并把Hadoop,Spark等系统提?#23433;?#32626;在虚拟机中,分析挖掘平台构建在Hadoop与Spark之上,学员?#28304;?#31508;记本,运行虚拟机,并利用同样的镜像启动多台虚拟机,构建实验集?#28023;?#38236;像会提前给学员)

                    详细大纲与培训内容

                    培训内容安排如下:

                    时间

                    内容提要

                    授课详细内容

                    实践训练

                    第一天

                    ?#21040;?#20027;流的数据仓库工具和大数据分析挖掘工具

                    ?#21040;?#20027;流的基于Hadoop和Spark的大数据分析挖掘项目解决方案

                    ?#21040;?#25968;据仓库与数据分析挖掘平台软件工具

                    Hadoop数据仓库工具Hive

                    Spark实时数据仓库工具SparkSQL

                    Hadoop数据分析挖掘工具Mahout

                    Spark机器学习与数据分析挖掘工具MLlib

                    大数据分析挖掘项目的实施步骤

                    配置数据仓库工具Hadoop Hive和SparkSQL

                     

                    部署数据分析挖掘工具Hadoop Mahout和Spark MLlib

                    大数据分析挖掘项目的数据集成操作训练

                    日志数据解析和导入导出到数据仓库的操作训练

                    从原始搜索数据集中抽取、集成数据,整理后形成规范的数据仓库

                    数据分析挖掘模块从大型的集中式数据仓库中访问数据,一个数据仓库面向一个主题,构建两个数据仓库

                    同一个数据仓库中的事实表数据,可以给多个不同类型的分析挖掘任务调用

                    去除噪声

                    项目数据集加载ETL到Hadoop Hive数据仓库并建立多维模型

                    基于Hadoop的大型数据仓库管理平台—HIVE数据仓库集群的多维分析建模应用实践

                    基于Hadoop的大型分布式数据仓库在行业中的数据仓库应用案例

                    Hive数据仓库集群的平台体?#21040;?#26500;、核心技术剖析

                    Hive Server的工作原理、机制与应用

                    Hive数据仓库集群的安?#23433;?#32626;与配置优化

                    Hive应用开发技巧

                    Hive SQL剖析与应用实践

                    Hive数据仓库表与表分区、表操作、数据导入导出、客户端操作技巧

                    Hive数据仓库报表设计

                    将原始的日志数据集,经过整理后,加载至Hadoop + Hive数据仓库集群中,用于共享访问

                    利用HIVE构建大型数据仓库项目的操作训练实践

                    Spark大数据分析挖掘平台实践操作训练

                    Spark大数据分析挖掘平台的部署配置

                    Spark数据分析库MLlib的开发部署

                    Spark数据分析挖掘示例操作,从Hive表中读取数据并在分布式内存中运行

                     

                    第二天

                    聚类分析建模与挖掘算法的实现原理?#22270;?#26415;应用

                    聚类分析建模与算法原理及其在Spark MLlib中的实现与应用,包括:

                    Canopy聚类(canopy clustering)

                    K均值算法(K-means clustering)

                    模糊K均值(Fuzzy K-means clustering)

                    EM聚类,即期望最大化聚类(Expectation Maximization)

                    以上算法在Spark MLib中的实现原理和实际场景中的应用案例。

                    Spark聚类分析算法程序示例

                    基于Spark MLlib的聚类分析算法,实现日志数据集中的用户聚类

                    分类分析建模与挖掘算法的实现原理?#22270;?#26415;应用 

                    分类分析建模与算法原理及其在Spark MLlib中的实现与应用, 包括:

                    Spark决策树算法实现

                    逻辑回归算法(logistics regression)

                    贝?#31471;?#31639;法(Bayesian与Cbeyes)

                    支持向量机(Support vector machine)

                    以上算法在Spark MLlib中的实现原理和实际场景中的应用案例。

                    Spark客户资料分析与给用户贴标签的程序示例

                    Spark实现给商品贴标签的程序示例

                    Spark实现用户行为的自动标签和深度技术

                    基于Spark MLlib的分类分析算法模型与应用操作

                    关联分析建模与挖掘算法的实现原理?#22270;?#26415;应用 

                    预测、推荐分析建模与算法原理及其在Spark MLlib中的实现与应用,包括:

                    Spark频繁模式挖掘算法(parallel FP Growth Algorithm)应用

                    1.  

                    Spark关联规则挖掘(Apriori)算法及其应用

                    1.  

                    以上算法在Spark MLib中的实现原理和实际场景中的应用案例。

                    Spark关联分析程序示例

                    基于Spark MLlib的关联分析操作

                    第三天

                    推荐分析挖掘模型与算法技术应用

                    推荐算法原理及其在Spark MLlib中的实现与应用,包括:

                    Spark协同过滤算法程序示例

                    Item-based协同过滤与推荐

                    User-based协同过滤与推荐

                    交叉销售推荐模型及其实现

                    推荐分析实现步骤与操作(重点)

                    回归分析模型与预测算法

                    利用线性回归(多元回归)实现访问量预测

                    利用非线性回归预测成交量和访问量的关系

                    基于R+Spark实现回归分析模型及其应用操作

                    Spark回归程序实现异常点检测的程序示例

                    回归分析预测操作例子

                    图关系建模与分析挖掘及其链接分析和社交分析操作

                    利用Spark GraphX实现网页链接分析,计算网页重要性排名

                    实现信息传播的社交关系传递分析,互联网用户的行为关系分析任务的操作训练

                    图数据的分析挖掘操作,实现微博数据集的社交网络建模与关系分析

                    神经网络与深度学习算法模型及其应用实践

                    神经网络算法Neural Network的实现方法和挖掘模型应用

                    基于人工神经网络的深度学习的训练过程

                    传?#25104;?#32463;网络的训练方法

                    Deep Learning的训练方法

                    深度学习的常用模型和方法

                    CNN(Convolutional Neural Network)卷积神经网络

                    RNN(Recurrent Neural Network)循环神经网络模型

                    Restricted Boltzmann Machine(RBM)限制波尔兹曼机

                    基于Spark的深度学习算法模型库的应用程序示例

                    基于Spark或TensorFlow神经网络深度学习库实现文本与图片数据挖掘

                    项目实践

                    日志分析系统与日志挖掘项目实践

                    Hadoop,Spark,ELK技术构建日志数据仓库

                    互联网微博日志分析系统项目

                    推荐系统项目实践

                    电影数据分析与个性化推荐关联分析项目

                    项目数据集和详细的实验指导手册由讲师提供

                     

                    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?#26041;?#30340;?#35757;恪?#30171;点、瓶?#20445;?#21551;发出解决之道;完成讲师布置?#21335;?#30446;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

                    讨论交流

                    查看更多

                    会议嘉宾

                    (最终出席嘉宾以会议现场为准)


                    张老师:阿里大数据高级专家,国内资深的Spark、Hadoop技术专家、虚拟化专家,对HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生态系统中的技术进行了多年的深入的研究,更主要的是这些技术在大量的实际项目中得到广泛的应用,因此在Hadoop开发和运维方面积累了丰富?#21335;?#30446;实施经验。近年主要典型?#21335;?#30446;有:某电信集团网络优化、中国移动某省移动公司请账单系统和某省移动详单实时查询系统、中国银联大数据数据票据详单平台、某大型银行大数据记录系统、某大型通信运营商全国用户上网记录、某省交通部门违章系统、某区域医疗大数据应用项目、互联网公共数据大云(DAAS)和构建游戏云(Web Game Daas)平台项目等。     、

                    钟老师,男,博士毕业于中国科学?#28023;?#33719;工学博士学位(计算机系统结构方向),曾在国内某高校和某大型通信企业工作过,目前在中国科学院某研究所工作,高?#35910;?#31243;师,副研究员,课题组长,团队成员二十余人。大数据、云计算系列课程建设与教学专家,新技术课程开发组长。近八年来带领团队主要从事大数据管理与高性能分析处理(Hadoop、Spark、Storm)、大数据仓库(HIVE)和实时数据仓库(SparkSQL、Shark),大数据建模挖掘与机器学习(Mahout、MLib、Oryx、Pentaho BI、SAS、SPSS、R等)、MPP并行数据仓库(Greenplum etc)、NoSQL与NewSQL分布式数据库(HBase、MongoDB、Cassandra etc)、(移动)电子商务平台、大数据搜索平台(ElasticSearch、Solr、Lucene等)、云计算与虚拟化(OpenStack,VMware,XenServer,CloudStack,KVM,Docker,SaaS服务)、云存储系统、Swift对象存储系统、网络GIS地图服务器、互联网+在线教育云平台方面?#21335;?#30446;研发与管理工作。

                    查看更多

                    参会指南

                    会议门票


                    培训费7800元/人。(含培训费、资料费、?#38469;?#36153;、证书费、讲义?#35757;齲?#38656;要住宿学员请提前通知,可统一安排,费用自理。

                    9月上海班

                    10月贵阳班???????

                    12月?#26412;?#29677;

                    2019年1月杭州班

                    查看更多

                    温馨提示
                    ?#39057;?#19982;住宿: 为防止极端情况下活动延期或取消,建议“异地客户”与活动家客服确认参会信息后,再安排出行与住宿。
                    退款规则: 活动各项资源需提?#23433;曬海?#36141;票后不支持退款,可以换人参加。

                    活动家为本会议官方合作
                    报名平台,您可在线购票

                    会议支持:

                    • 会员折扣
                      该会议支持会员折扣
                      具体折扣标准请参见plus会员页面
                    • 会员返积分
                      每消费1元累积1个会员积分。
                      仅PC站支持。
                    • 会员积分抵现
                      根据会员等级的不同,每抵用1元可使用的积分也不一样,具体可参见PLUS会员页面。 仅PC站支持。
                    该会议支持会员优惠 去开通

                    会议地点

                    部分参会单位

                    主办方没有公开参会单位

                    快捷下单

                    活动家_小程序快捷下单

                    微信扫一扫
                    使用小程序快捷下单

                    送礼神器

                    邮件提醒通知

                    分享到微信 ×

                    打开微信,点击底部的“发现?#20445;?br> 使用?#21543;?#19968;扫”即可将网页分享至朋友圈。

                    录入信息

                    请录入信息,方便生成邀请函

                    江西快三官网
                    1. <code id="hkh8t"></code>
                          <thead id="hkh8t"></thead>

                            <output id="hkh8t"><ruby id="hkh8t"><div id="hkh8t"></div></ruby></output>
                            <thead id="hkh8t"><sup id="hkh8t"></sup></thead>
                            1. <acronym id="hkh8t"><ruby id="hkh8t"></ruby></acronym>
                              1. <code id="hkh8t"></code>
                                    <thead id="hkh8t"></thead>

                                      <output id="hkh8t"><ruby id="hkh8t"><div id="hkh8t"></div></ruby></output>
                                      <thead id="hkh8t"><sup id="hkh8t"></sup></thead>
                                      1. <acronym id="hkh8t"><ruby id="hkh8t"></ruby></acronym>
                                      2. 贵州快三形态走势一定牛 浙江快乐12开奖走势图 德甲冠军颁奖仪式 彩客网双色球 大乐透全奇历史记录 东方明珠线上娱乐城 15选5胆拖复试表 四川时时彩开奖号码查询结果 名门国际娱乐城平台打不开 500彩票网不能买3d 体彩福建36选718112期 j联赛球队分布图 今日p3试机号105 高级四肖中特玄机 福建31选7大星走势图表