數(shù)據(jù)庫工程師
免費試聽
快速找課
tel:15830143330
tel:15830143330
您當前的位置： 首頁 > 北京培訓網(wǎng) > 北京中培IT培訓 > 北京數(shù)據(jù)庫工程師培訓 > 大數(shù)據(jù)平臺搭建與高性能計算實戰(zhàn)班
課程介紹Course Introduction
關于舉辦大數(shù)據(jù)平臺搭建與高性能計算更佳實戰(zhàn)
培訓班的通知
|
培訓地點 |
深圳 |
北京 |
廣州 |
杭州 |
北京 |
重慶 |
青島 |
大連 |
上海 |
福州 |
|
培訓時間 |
1月19-22 |
2月5-8 |
3月30-4月2 |
4月20-23 |
5月25-28 |
6月22-25 |
7月27-30 |
8月16-19 |
9月14-17 |
11月16-19 |
一、培訓收益
經(jīng)過此次課程培訓，可使學習者獲得如下收益：
1.深刻理解在“互聯(lián)網(wǎng) ”時代下大數(shù)據(jù)的產(chǎn)生背景、發(fā)展歷程和演化趨勢；
2.了解業(yè)界市場需求和國內(nèi)外新的大數(shù)據(jù)技術(shù)潮流，洞察大數(shù)據(jù)的潛在價值；
3.理解大數(shù)據(jù)項目解決方案及業(yè)界大數(shù)據(jù)應用案例，從而為企業(yè)在大數(shù)據(jù)項目中的技術(shù)選型及技術(shù)架構(gòu)設計提供決策參考；
4.掌握業(yè)界流行的Hadoop與Spark大數(shù)據(jù)技術(shù)體系；
5.掌握大數(shù)據(jù)采集技術(shù)；
6.掌握大數(shù)據(jù)分布式存儲技術(shù)；
7.掌握NoSQL與NewSQL分布式數(shù)據(jù)庫技術(shù)；
8.掌握大數(shù)據(jù)倉庫與統(tǒng)計機器學習技術(shù)；
9.掌握大數(shù)據(jù)分析挖掘與商業(yè)智能（BI）技術(shù)；
10.掌握大數(shù)據(jù)離線處理技術(shù)；
11.掌握Storm流式大數(shù)據(jù)處理技術(shù)；
12.掌握基于內(nèi)存計算的大數(shù)據(jù)實時處理技術(shù)；
13.掌握大數(shù)據(jù)管理技術(shù)的原理知識和應用實戰(zhàn)；
14.深入理解大數(shù)據(jù)平臺技術(shù)架構(gòu)和使用場景；
15.嫻熟運用Hadoop與Spark大數(shù)據(jù)技術(shù)體系規(guī)劃解決方案滿足實際項目需求；
16.熟練地掌握基于Hadoop與Spark大數(shù)據(jù)平臺進行應用程序開發(fā)、集群運維管理和性能調(diào)優(yōu)技巧。
二、培訓特色
1.課程培訓業(yè)界流行、應用廣泛的Hadoop與Spark大數(shù)據(jù)技術(shù)體系。強化大數(shù)據(jù)平臺的分布式集群架構(gòu)和核心關鍵技術(shù)實現(xiàn)、大數(shù)據(jù)應用項目開發(fā)和大數(shù)據(jù)集群運維實踐、以及Hadoop與Spark大數(shù)據(jù)項目應用開發(fā)與調(diào)優(yōu)的全過程沙盤模擬實戰(zhàn)。
2.經(jīng)過一個完整的大數(shù)據(jù)開發(fā)項目及一組實際項目訓練案例，完全覆蓋Hadoop與Spark生態(tài)系統(tǒng)平臺的應用開發(fā)與運維實踐。課堂實踐項目以項目小組的形式進行沙盤實操練習，重點強化理解Hadoop與Spark大數(shù)據(jù)項目各個階段的工作重點，同時掌握作為大數(shù)據(jù)項目管理者的基本技術(shù)與業(yè)務素養(yǎng)。
3.本課程的授課師資都是有著多年在一線從事Hadoop與Spark大數(shù)據(jù)項目的資深講師，采用原理技術(shù)剖析和實戰(zhàn)案例相結(jié)合的方式開展互動教學、強化以建立大數(shù)據(jù)項目解決方案為主體的應用開發(fā)、技術(shù)討論與交流咨詢，在學習的同時促進講師學員之間的交流，讓每個學員都能在課程培訓過程中學到實實在在的大數(shù)據(jù)技術(shù)知識體系，以及大數(shù)據(jù)技術(shù)應用實戰(zhàn)技能，具備實際大數(shù)據(jù)應用項目的動手開發(fā)實踐與運維管理部署能力。授課過程中，根據(jù)學員需求，增設交流環(huán)節(jié)，可將具體工作中遇到的實際問題展開討論，講師會根據(jù)學員的實際情況微調(diào)授課內(nèi)容，由講師帶著全部學員積極討論，并給出一定的時間讓學員上臺發(fā)言，現(xiàn)場剖析問題的癥結(jié)，規(guī)劃出可行的解決方案。
三、日程安排
|
日程 |
培訓模塊 |
培訓內(nèi)容 |
|
第 一天 上午 |
大數(shù)據(jù)技術(shù)基礎 |
1. 大數(shù)據(jù)的產(chǎn)生背景與發(fā)展歷程 2. 大數(shù)據(jù)的4V特征，以及與云計算的關系 3. 大數(shù)據(jù)應用需求以及潛在價值分析 4. 業(yè)界新的大數(shù)據(jù)技術(shù)發(fā)展態(tài)勢與應用趨勢 5. 大數(shù)據(jù)思維的轉(zhuǎn)變 6. 大數(shù)據(jù)項目的系統(tǒng)與技術(shù)選型，及落地實施的挑戰(zhàn) 7. “互聯(lián)網(wǎng) ”時代下的電子商務、制造業(yè)、交通行業(yè)、電信運營商、銀行金融業(yè)、電子政務、移動互聯(lián)網(wǎng)、教育信息化等行業(yè)應用實踐與應用案例介紹 |
|
業(yè)界主流的大數(shù)據(jù)技術(shù)方案 |
1. 大數(shù)據(jù)軟硬件系統(tǒng)全棧與關鍵技術(shù)介紹 2. 大數(shù)據(jù)生態(tài)系統(tǒng)全景圖 3. 主流的大數(shù)據(jù)解決方案介紹 4. Apache大數(shù)據(jù)平臺方案剖析 5. CDH大數(shù)據(jù)平臺方案剖析 6. HDP大數(shù)據(jù)平臺方案剖析 7. 基于云的大數(shù)據(jù)平臺方案剖析 8. 大數(shù)據(jù)解決方案與傳統(tǒng)數(shù)據(jù)庫方案比較 9. 國內(nèi)外大數(shù)據(jù)平臺方案與廠商對比 |
|
|
大數(shù)據(jù)計算模型（一）——批處理MapReduce |
1. MapReduce產(chǎn)生背景與適用場景 2. MapReduce計算模型的基本原理 3. MapReduce作業(yè)執(zhí)行流程 4. MapReduce基本組件，JobTracker和TaskTracker 5. MapReduce高級編程應用，Combiner和Partitioner 6. MapReduce性能優(yōu)化技巧 7. MapReduce案例分析與開發(fā)實踐操作 |
|
|
第 一天 下午 |
大數(shù)據(jù)存儲系統(tǒng)與應用實踐 |
1. 分布式文件系統(tǒng)HDFS產(chǎn)生背景與適用場景 2. HDFS master-slave系統(tǒng)架構(gòu)與讀寫工作原理 3. HDFS核心組件技術(shù)講解，NameNode與fsimage、editslog，DataNode與數(shù)據(jù)塊 4. HDFS Federation機制，viewfs機制，使用場景講解 5. HDFS高可用保證機制，SecondaryNameNode，NFS冷備份，基于zookeeper的HA方案 |
|
大數(shù)據(jù)實戰(zhàn)練習一 |
1. Hadoop平臺搭建、部署與應用實踐，包含HDFS分布式文件系統(tǒng)，YARN資源管理軟件，MapReduce計算框架軟件 2. HDFS shell命令操作 3. MapReduce程序在YARN上運行 |
|
|
第二天 上午 |
Hadoop框架與生態(tài)發(fā)展，以及應用實踐操作 |
1. Hadoop的發(fā)展歷程 2. Hadoop 1.0的核心組件JobTracker，TaskTracker，以及適用范圍 3. Hadoop 2.0的核心組件YARN工作原理，以及與Hadoop 1.0的聯(lián)系與區(qū)別 4. Hadoop YARN的資源管理與作業(yè)調(diào)度機制 5. Hadoop 常用性能優(yōu)化技術(shù) |
|
大數(shù)據(jù)計算模型（二）——實時處理/內(nèi)存計算 Spark
|
1. MapReduce計算模型的瓶頸 2. Spark產(chǎn)生動機、基本概念與適用場景 3. Spark編程模型與RDD彈性分布式數(shù)據(jù)集的工作原理與機制 4. Spark實時處理平臺運行架構(gòu)與核心組件 5. Spark寬、窄依賴關系與DAG圖分析 6. Spark容錯機制 7. Spark作業(yè)調(diào)度機制 8. Spark standardalone，Spark on YARN運行模式 9. Scala開發(fā)介紹與Spark常用Transformation函數(shù)介紹 |
|
|
第二天 下午 |
大數(shù)據(jù)倉庫查詢技術(shù)Hive、SparkSQL、Impala，以及應用實踐 |
1. 基于MapReduce的大型分布式數(shù)據(jù)倉庫Hive基礎知識與應用場景 2. Hive數(shù)據(jù)倉庫的平臺架構(gòu)與核心技術(shù)剖析 3. Hive metastore的工作機制與應用 4. Hive 分區(qū)、分桶機制，Hive行、列存儲格式 5. 基于Spark的大型分布式數(shù)據(jù)倉庫SparkSQL基礎知識與應用場景 6. Spark SQL實時數(shù)據(jù)倉庫的實現(xiàn)原理與工作機制 7. SparkSQL程序開發(fā)與DataFrame機制介紹 8. 基于MPP的大型分布式數(shù)據(jù)倉庫Impala基礎知識與應用場景 9. Impala實時查詢系統(tǒng)平臺架構(gòu)、關鍵技術(shù)介紹，以及與Hive，SparkSQL的對比 |
|
Hadoop集群運維監(jiān)控工具 |
1. Hadoop運維管理監(jiān)控系統(tǒng)Ambari工具介紹 2. 第三方運維系統(tǒng)與工具Ganglia, Nagios |
|
|
大數(shù)據(jù)實戰(zhàn)練習二 |
1.基于 Hadoop平臺搭建、部署與配置Spark集群，Spark shell環(huán)境實踐，Spark案例程序分析，Spark程序開發(fā)與運行 2. 基于MapReduce的Hive數(shù)據(jù)倉庫實踐，Hive集群安裝部署，基于文件的Hive數(shù)據(jù)倉庫表導入導出與分區(qū)操作，Hive SQL操作，Hive客戶端操作 3. 基于Hive的SparkSQL shell實踐操作 |
|
|
第三天 上午 |
大數(shù)據(jù)計算模型（三）——流處理Storm, SparkStreaming
|
1. 流數(shù)據(jù)處理應用場景與流數(shù)據(jù)處理的特點 2. 流數(shù)據(jù)處理工具Storm的平臺架構(gòu)與集群工作原理 3. Storm關鍵技術(shù)與并發(fā)機制 4. Storm編程模型與基本開發(fā)模式 5. Storm數(shù)據(jù)流分組 6. Storm可靠性保證與Acker機制 7. Storm應用案例分析 8. 流數(shù)據(jù)處理工具Spark Streaming基本概念與數(shù)據(jù)模型 9. SparkStreaming工作機制 10. SparkStreaming程序開發(fā)介紹 11. Storm與SparkStreaming的對比 |
|
第三天 下午 |
大數(shù)據(jù)ETL操作工具，與大數(shù)據(jù)分布式采集系統(tǒng) |
1. Hadoop與DBMS之間數(shù)據(jù)交互工具的應用 2. Sqoop導入導出數(shù)據(jù)的工作原理 3. Flume-NG數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)流模型與系統(tǒng)架構(gòu) 4. Kafka分布式消息訂閱系統(tǒng)的應用介紹與平臺架構(gòu)，及其使用模式 |
|
面向OLTP型應用的NoSQL數(shù)據(jù)庫及應用實踐 |
1. 關系型數(shù)據(jù)庫瓶頸，以及NoSQL數(shù)據(jù)庫的發(fā)展，概念，分類，及其在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)場景下的適用范圍 2. 列存儲NoSQL數(shù)據(jù)庫HBase簡介與數(shù)據(jù)模型剖析 3. HBase分布式集群系統(tǒng)架構(gòu)與讀寫機制，ZooKeeper分布式協(xié)調(diào)服務系統(tǒng)的工作原理與應用 4. HBase表設計模式與primary key設計規(guī)范 5. 文檔NoSQL數(shù)據(jù)庫MongoDB簡介與數(shù)據(jù)模型剖析 6. MongoDB集群模式、讀寫機制與常用API操作 8.鍵值型NoSQL數(shù)據(jù)庫Redis簡介與數(shù)據(jù)模型剖析 9.Redis多實例集群架構(gòu)與關鍵技術(shù) 10.NewSQL數(shù)據(jù)庫技術(shù)簡介及其適用場景 |
|
|
大數(shù)據(jù)實戰(zhàn)練習三 |
1.Sqoop安裝、部署與配置，基于Sqoop、MySQL與Hive操作MySQL數(shù)據(jù)庫與Hive數(shù)據(jù)倉庫數(shù)據(jù)導入導出 2.Kafka安裝、部署與配置，基于Kafka創(chuàng)建和消費topic實踐操作 3.Flume HDFS MapReduce/Spark大數(shù)據(jù)采集、存儲與分析實踐操作 |
|
|
大數(shù)據(jù)項目選型、實施、優(yōu)化等問題交流討論 |
大數(shù)據(jù)項目的需求分析、應用實施、系統(tǒng)優(yōu)化，以及解決方案等咨詢與交流討論 |
|
|
第四天 |
學習考核與業(yè)內(nèi)經(jīng)驗交流 |
|
四、授課專家
蔣老師 清華大學博士，云計算專家 熟悉主流的云計算平臺，并有商業(yè)與開源云計算平臺的實踐經(jīng)驗,對云計算關鍵技術(shù)有深刻了解和實踐經(jīng)驗，如分布式系統(tǒng)、虛擬化、分布式文件系統(tǒng)、云存儲等，參與并領導多個大型云計算項目。對大數(shù)據(jù)關鍵技術(shù)有深刻了解和實踐經(jīng)驗，如NoSQL數(shù)據(jù)庫、大數(shù)據(jù)處理、Hadoop、Hive、HBase、Spark等。
趙老師 清華大學計算機雙學士，甲骨文(中國)軟件系統(tǒng)有限公司高級技術(shù)顧問，大數(shù)據(jù)、數(shù)據(jù)庫、中間件技術(shù)和Java專家。15年IT行業(yè)從業(yè)經(jīng)歷，10年培訓授課經(jīng)驗。具有豐富的大數(shù)據(jù)方法論、數(shù)據(jù)科學、大數(shù)據(jù)生態(tài)圈技術(shù)知識和大數(shù)據(jù)規(guī)劃建設、應用實施和客戶培訓經(jīng)驗。
五、培訓費用
培訓費5800元/人（含培訓費、場地費、資料費、學習期間午餐），食宿可統(tǒng)一安排，費用自理。請學員帶二寸彩照1張（背面注明姓名），身份證復印件一張。
本課程由中國信息化培訓中心頒發(fā)《大數(shù)據(jù)平臺搭建與高性能計算高級工程師》證書，證書可作為專業(yè)技術(shù)人員職業(yè)能力考核的證明，以及專業(yè)技術(shù)人員崗位聘用、任職、定級和晉升職務的重要依據(jù)。
學校介紹University Profile
北京中培偉業(yè)管理咨詢有限公司（以下簡稱“中培”）成立于2006年，其主營業(yè)務面向大中型企業(yè)的IT規(guī)劃咨詢業(yè)務和面向高端IT人才的培訓類業(yè)務，其中咨詢業(yè)務涉及大型集團化企業(yè)的IT戰(zhàn)略規(guī)劃、IT架構(gòu)規(guī)劃、IT綜合管控等領域，培訓業(yè)務涉及線上線下各種高級IT技術(shù)和管理類課程體系。
與此同時，中培以“為國家培養(yǎng)高階信息化管理人才”的價值觀為使命，以“專業(yè)、真誠、執(zhí)著、創(chuàng)新”的服務理念為指引，不斷朝著促進中國企業(yè)的信息化綜合競爭力與國際影響力提升的目標而前行。
借助于其優(yōu)質(zhì)的專家資源池和互聯(lián)網(wǎng)平臺，中培已經(jīng)為眾多的世界500強企業(yè)、國有大中型集團化企業(yè)、國際知名互聯(lián)網(wǎng)企業(yè)提供過高質(zhì)量的信息化戰(zhàn)略規(guī)劃、組織架構(gòu)規(guī)劃、科技人才管理、信息技術(shù)架構(gòu)規(guī)劃、信息系統(tǒng)開發(fā)和運維管理、信息化能力評測的相關咨詢與培訓服務。
企業(yè)內(nèi)訓與咨詢：針對不同的企業(yè)需求，每年至少100次以上。
中培使命——助力中國CIO與培訓IT精英群體
中培宗旨——以需求為導向、以質(zhì)量促發(fā)展
中培目標——打造中國權(quán) 威的IT咨詢與培訓機構(gòu)
中培優(yōu)勢——權(quán) 威的專家團隊；專業(yè)的服務理念；領 先的行業(yè)優(yōu)勢；前沿的技術(shù);強大的政府支撐。
關于我們 | 版權(quán)聲明 |網(wǎng)站地圖 | 友情鏈接 | 教育聯(lián)展網(wǎng)移動版|合作聯(lián)系
版權(quán)所有 深圳諾達信息科技股份有限公司 © k67r.cn All Rights Reserved 粵ICP備10032899號
