第一天

大数据分析挖掘算法

内容一：大数据分析挖掘算法

1．业界常见的大数据分析应用场景以及对应的分析算法模型应用，及其案例

2．常用的统计分析模型的介绍，包括方差分析、线性拟合、回归、逻辑回归、因子分析、主成分分析、时间序列分析的基础知识

3．常用的数据挖掘模型介绍，重点介绍六类机器学习与挖掘模型算法

4．业界主流的数据仓库工具和数据分析挖掘相关工具软件的应用概述

内容二：机器学习

1．机器学习概念、发展历程

2．机器学习的应用场景

3．机器学习与统计分析

4．无监督式学习概述

5．有监督式学习概述

6．半监督式学习概述

7．强化学习概述

8．人工神经网络学习概述

9．深度学习概述

10．机器学习的应用场景和应用案例

第二天

Spark大数据实时与高性能处理平台剖析

内容：Spark大数据实时与高性能处理平台剖析

1．Spark实时大数据处理平台架构

2．Spark编程模型以及Spark编程实例解析

3．Spark RDD内存弹性分布式数据集的工作原理与机制

4．Spark Core的核心组件剖析

5．Spark系统架构和运行过程剖析

6．Spark on Yarn运行原理和实例

7．Spark RDD transform、滑动窗口、foreachRDD性能优化、持久化、checkpoint、容错与事务、与Spark SQL整合使用

8．基于Spark的实时数据仓库与实时分析挖掘处理的应用实践，以及应用案例

第三天

Spark SQL应用实战

内容：Spark SQL应用实战

1．Spark SQL实时数据仓库的实现原理与操作

2．Spark SQL核心代码剖析

3．Spark SQL客户端开发包API

4．Spark SQL实时统计应用

5．Spark SQL应用程序开发实践

第四天

Spark Streaming应用实战

内容：Spark Streaming应用实战

1．Streaming与Storm在实时流计算处理应用场景下的案例与比较

2．Spark Streaming与Spark交互的实现机制

3．Spark Streaming的核心代码剖析

4．Spark Streaming客户端编程实践

5．Spark Streaming实时流数据分析处理应用开发实践

第五天

数据预处理与特征选择

内容一：数据预处理

1．数据抽取、转换和加载

2．数据清洗

3．特征处理

内容二：特征选择与降维

1．特征选择概述

2．Filter

3．Wrapper

4．Embedded

5．特征扩增

6．降维、PCA、LDA、LLE、SVD

第六天

机器学习算法

内容一：有监督学习

1．KNN算法

2．决策树算法

3．SVM算法

4．朴素贝叶斯算法

5．逻辑回归算法

6．线性回归算法

7．集成算法

内容二：无监督学习

1．聚类算法

2．关联算法

内容三：模型评估与优化

1．模型优化与评估概念

2．最优化模型

3．模型评估与选择

第七天

Spark MLlib数据挖掘

内容：Spark  MLlib数据挖掘

1．   Spark MLlib概述

2．   Spark MLlib评估矩阵

3．   Spark MLlib关联规则与推荐算法

4．   Spark MLlib聚类与降维

5．   Spark MLlib分类与回归

6．   Spark MLlib特征提取和转换

7．   Spark MLlib基础统计分析

第八天

大数据挖掘案例

内容：综合实验

1．  房价售价预测

2．? 个人收入分群

3．? 移民的签证预测

4．? 银行办理定期存款业务预测