第一部份：Spark Streamin深度源碼剖析（上）
（1）Spark Streaming整體架構(gòu)剖析
（2）基于Receiver+Kafka接收數(shù)據(jù)的源碼剖析
（3）基于DStream生成RDD的源碼剖析
（4）基于JobGenerator生成Job的源碼剖析
第二部份：Spark Streaming深度源碼剖析（下）
（1）Spark Streaming Driver容錯的源碼剖析
（2）Spark Streaming Executor容錯的源碼剖析
（3）Spark Streaming State相關(guān)操作的源碼剖析
（4）Spark Streaming Window相關(guān)操作的源碼剖析
第三部份：互聯(lián)網(wǎng)公司用戶流量實時大盤實戰(zhàn)
（1）互聯(lián)網(wǎng)用戶流量分析業(yè)務(wù)介紹
（2）互聯(lián)網(wǎng)用戶流量分析架構(gòu)設(shè)計：Spark Streaming+Kafka+HBase
（3）完成互聯(lián)網(wǎng)用戶流量指標(biāo)體系的開發(fā)
（4）實時計算作業(yè)上線運(yùn)維：部署、代碼升級以及監(jiān)控
（5）對Spark Streaming作業(yè)進(jìn)行初步的性能優(yōu)化
（6）基于前端展示用戶流量分析大盤
第四部份：廣告系統(tǒng)實時數(shù)據(jù)平臺架構(gòu)實戰(zhàn)（上）
（1）廣告系統(tǒng)實時數(shù)據(jù)平臺的業(yè)務(wù)介紹以及架構(gòu)設(shè)計
（2）完成廣告用戶與客戶價值的實時數(shù)據(jù)指標(biāo)體系開發(fā)
（3）完成廣告運(yùn)營與營銷活動的實時數(shù)據(jù)指標(biāo)體系開發(fā)
（4）基于廣告實時數(shù)據(jù)支持的點擊率預(yù)測
（5）基于廣告實時數(shù)據(jù)支持的精準(zhǔn)廣告營銷
第五部份：廣告系統(tǒng)實時數(shù)據(jù)平臺架構(gòu)實戰(zhàn)（下）
（1）廣告系統(tǒng)實時數(shù)據(jù)平臺架構(gòu)優(yōu)化設(shè)計
（2）基于Spark Streaming checkpoint實現(xiàn)全流程的容錯機(jī)制
（3）基于Spark Streaming實現(xiàn)全流程的exatcly once語義
（4）基于Kafka實現(xiàn)數(shù)據(jù)不丟失的技術(shù)方案
（5）基于前端頁面展示廣告數(shù)據(jù)分析
第六部份：微博熱點話題實時探測系統(tǒng)架構(gòu)實戰(zhàn)（上）
（1）微博熱點話題探測業(yè)務(wù)介紹
（2）微博熱點話題探測系統(tǒng)架構(gòu)設(shè)計
（3）基于Flume+Kafka完成實時微博數(shù)據(jù)的接入
（4）自己動手改進(jìn)FP-Growth頻繁集挖掘算法
（5）基于改進(jìn)后的繁集挖掘算法完成熱點話題的實時探測
第七部份：微博熱點話題實時探測系統(tǒng)架構(gòu)實戰(zhàn)（下）
（1）基于Spark自己動手實現(xiàn)word2vec算法
（2）基于自己實現(xiàn)的Spark word2vec算法實現(xiàn)關(guān)聯(lián)熱點話題挖掘
（3）基于Spark Streaming完成實時計算作業(yè)開發(fā)
（4）基于前端頁面展示微博熱點話題
第八部份：微博社交關(guān)系實時挖掘平臺實戰(zhàn)（上）
（1）微博社交關(guān)系實時數(shù)據(jù)分析平臺業(yè)務(wù)介紹以及架構(gòu)設(shè)計
（2）Titan分布式圖數(shù)據(jù)庫介紹
（3）Cassandra分布式NoSQL數(shù)據(jù)庫介紹
（4）Elasticsearch分布式搜索引擎介紹
（5）基于Spark Streaming+GraphX+Titan完成微博社交關(guān)系挖掘
第九部份：微博社交關(guān)系實時挖掘平臺實戰(zhàn)（下）
（1）基于Spark Streaming+文本挖掘完成微博用戶的情感分析
（2）基于Spark Streaming完成微博用戶群分析
（3）基于Spark Streaming完成用戶城市地圖分析
（4）基于Spark Streaming完成熱門話題趨勢分析
（5）基于前端頁面展示微博社交數(shù)據(jù)
第十部份：股票交易分析實時大盤系統(tǒng)實戰(zhàn)
（1）股票分析業(yè)務(wù)介紹
（2）實時股票分析大盤系統(tǒng)架構(gòu)設(shè)計
（3）Druid分布式OLAP引擎介紹
（4）結(jié)合Spark Streaming + Druid完成股票數(shù)據(jù)實時分析
（5）結(jié)合Spark Streaming完成實時熱門股票排行
（6）結(jié)合Spark Streaming完成實時股票走勢預(yù)測
（7）基于前端頁面展示股票分析數(shù)據(jù)
第十一部份：實時用戶畫像系統(tǒng)架構(gòu)實戰(zhàn)
（1）實時用戶畫像組成分析
（2）實時用戶畫像的標(biāo)簽數(shù)據(jù)字典
（3）實時用戶畫像的興趣度模型
（4）基于Spark Streaming實現(xiàn)一套實時用戶畫像系統(tǒng)
（5）基于ElasticSearch對實時用戶畫像數(shù)據(jù)進(jìn)行分析
第十二部份：實時個性化推薦系統(tǒng)架構(gòu)實戰(zhàn)（上）
（1）基于Flume+Kafka實現(xiàn)用戶行為的實時采集與清洗
（2）基于實時用戶畫像構(gòu)建數(shù)據(jù)倉庫
（3）針對元數(shù)據(jù)庫構(gòu)建實時索引
（4）基于Spark Streaming完成第一個版實時個性化推薦系統(tǒng)
第十三部份：實時個性化推薦系統(tǒng)架構(gòu)實戰(zhàn)（下）
（1）基于頻繁模式的選擇性集成分類算法
（2）基于選擇性集成分類算法和網(wǎng)頁對用戶進(jìn)行分類以及興趣組構(gòu)建
（3）基于Spark Streaming+協(xié)同過濾算法實現(xiàn)的實時推薦系統(tǒng)
（4）基于相關(guān)性算法實現(xiàn)的實時個性化推薦冷啟動優(yōu)化方案
|
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業(yè)