大数据分析- 基于Hadoop/Mahout的大数据挖掘
随着互联网、移动互联网和物联网的发展，我们已经切实地迎来了一个大数据的时代。大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合，对大数据的分析已经成为一个非常重要且紧迫的需求。目前对大数据的分析工具，首选的是Hadoop平台。Hadoop在可伸缩性、健壮性、计算性能和成本上具有无可替代的优势，事实上已成为当前互联网企业主流的大数据分析平台。
一、培训对象
1，系统架构师、系统分析师、高级程序员、资深开发人员。
2，牵涉到大数据处理的数据中心运行、规划、设计负责人。
3，政府机关，金融保险、移动和互联网等大数据来源单位的负责人。
4，高校、科研院所牵涉到大数据与分布式数据处理的项目负责人。
二、学员基础
1，对IT系统设计有一定的理论与实践经验。
2，有一定的数据仓库与大数据处理的基础知识。
3，有一定的Hadoop技术的基础知识。
三、师资
由业界知名大数据专家亲自授课：
杨老师 主要研究网络信息分析以及云计算相关技术，长期从事通信网管系统、网络信息处理、商务智能(BI)以及电信决策支持系统的研究开发工作，主持和参与了多个国家和省部级基金项目，具有丰富的工程实践及软件研发经验。
四、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。GFS/MapReduce框架实现了更高应用层次的抽象，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。
ApacheHadoop开源项目开发团队。他们克隆了GFS/MapReduce框架，推出了Hadoop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Pig，Zookeeper和Hive等)，日益形成一个易部署、易开发、功能齐全、性能优良的系统。
本课程从大数据技术以及Hadoop实战的角度，结合理论和实践，全方位地介绍Hadoop以及Mahout大数据挖掘工具的开发技巧。涉及的主题包括：大数据挖掘及其背景， Hadoop及Mahout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，流挖掘及其它挖掘技术，大数据挖掘前景分析。
教学过程中贯穿了案例分析来帮助学员了解如何用Hadoop和Mahout挖掘工具来解决具体的问题，在关键点上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。并介绍了从大数据中挖掘出有价值的信息的关键。
五、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计算模式
1）分布式文件系统
2）MapReduce
3）使用MR的算法设计
第三讲 Hadoop中的云挖掘工具Mahout
1）Mahout介绍
2）推荐系统
3）信息聚类
4）分类技术
5）其它挖掘
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）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）路透新闻聚类实例
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）流数据模型
3）数据抽样
4）流过滤
第九讲 大数据挖掘应用前景
1）与Hadoop集群应用的协作
2）与RHadoop等其它云挖掘工具配合
3）大数据挖掘行业应用展望
六、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的核心技术方法以及应用特征。
3，深入使用Mahout挖掘工具在大数据中的使用。
4，掌握流数据挖掘和其它大数据挖掘关键技术。