課程大綱： 大數據基礎與應用培訓
01
初識大數據
了解大數據的定義、應用場(chang)景、分析流(liu)程和工作崗位需求(qiu)
1.1 大數據定義
1.2 大數據應用場景
1.3 大數據分析流程
1.4 如何參與大數據分析
02
大數據應用縱覽
展示大(da)數(shu)據(ju)在不同(tong)行業的(de)應用(yong)進展和趨勢。包括醫療大(da)數(shu)據(ju)、旅游大(da)數(shu)據(ju)，以及華為公(gong)司的(de)兩個案(an)例。
2.1 大數據應用縱覽
2.2 智能醫療大數據
2.3 旅游大數據案例
2.4 金融科技與大數據風控
2.5 政務多跑一次
03
Python大數據基礎（一）
介紹Python的(de)基本數(shu)據(ju)類型(xing)和(he)數(shu)據(ju)結構，Numpy和(he)Pandas的(de)使用方法(fa)，以及本課程所(suo)使用的(de)在線實(shi)踐(jian)平臺。
3.1 內置數據類型
3.2 擴展數據類型
3.3 內置數據結構
3.4 Ndarray介紹
3.5 Series介紹
3.6 DataFrame介紹
3.7 在線實驗平臺介紹
3.8 數據類型和結構在線實驗
04
Python大數據基礎（二）
介紹使用Python進行數據(ju)讀取、數據(ju)轉換(huan)、數據(ju)交換(huan)和數據(ju)展示(shi)等(deng)相關內容(rong)。
4.1 文件讀寫
4.2 文件和文件夾處理
4.3 數據庫存取
4.4 CSV和Excel數據交換
4.5 JSON和XML數據交換
4.6 Web數據交換
4.7 用pandas加工數據
4.8 用Matplotlib展示數據
4.9 數據加工和展示在線實驗
05
數據分析方法（一）
學(xue)習并(bing)掌握統計(ji)數(shu)據分析(xi)，主要包括數(shu)據的(de)(de)中心趨勢(shi)度(du)量(liang)、 數(shu)據的(de)(de)離散程度(du)度(du)量(liang)、數(shu)據分布的(de)(de)度(du)量(liang)和圖形化分析(xi)方(fang)法。
5.1 數據分析方法概述
5.2 統計數據分析方法
5.3 數據的中心趨勢度量
5.4 數據的離散程度度量
5.5 數據分布的度量
5.6 圖形化分析方法
06
數據分析方法（二）
學(xue)習(xi)(xi)(xi)并掌握基于機器(qi)學(xue)習(xi)(xi)(xi)的(de)(de)數據(ju)分析方法，主(zhu)要包括機器(qi)學(xue)習(xi)(xi)(xi)的(de)(de)典型任務，常見的(de)(de)有監(jian)督學(xue)習(xi)(xi)(xi)和無監(jian)督學(xue)習(xi)(xi)(xi)算法。
6.1 機器學習簡介
6.2 機器學習的典型任務
6.3 決策樹算法
6.4 K-近鄰分類算法（KNN算法）
6.5 K-均值聚類算法（K-means算法）
6.6 Apriori關聯規則算法
6.7 在線實驗
07
開源平臺和工具（一）
介紹數據獲取、清洗(xi)與(yu)存儲等相關的開源(yuan)平臺和工具
7.1 數據采集與清洗概述
7.2 日志數據采集Flume簡介
7.3 數據分發中間件Kafka簡介
7.4 HDFS介紹及使用方法
7.5 HBase介紹及使用方法
7.6 Hive介紹及使用方法
7.7 NoSQL數據庫技術
08
開源平臺和工具（二）
介紹批(pi)處理(li)、流式(shi)數據處理(li)與分析以及資(zi)源管理(li)與調度的開源平臺和工具
8.1 批處理：MapReduce
8.2 批處理：Spark
8.3 PageRank舉例
8.4 流處理：Storm
8.5 流處理：Spark Streaming
8.6 資源管理與調度概述
8.7 Zookeeper介紹及使用方法
8.8 在線實驗
09
數據可視化
介紹數(shu)據可(ke)視化(hua)的基(ji)本方法和技術。
9.1 數據可視化簡介
9.2 高維數據可視化
9.3 網絡和層次化數據可視化
9.4 時空數據可視化
9.5 文本數據可視化
9.6 可視化在線實驗
10
綜合實踐
以旅(lv)游大數(shu)據為例展示大數(shu)據分析的流(liu)程和方法(fa)。
10.1 旅游大(da)數據(ju)在線實驗
加入高級會員獲得助教答疑
