收藏
课程目录
1.1 大数据时代
1.2 大数据概念和影响
1.3 大数据的应用
1.4 大数据的关键技术
1.5.1 大数据与云计算、物联网（一）
1.5.2 大数据与云计算、物联网（二）
2.1.1 大数据处理架构Hadoop简介
2.1.2 Hadoop不同版本
2.2 Hadoop项目结构
2.3.1 Hadoop安装之前的预备知识
2.3.2 Hadoop的安装和使用详解
2.4 Hadoop集群的部署和使用
3.1 分布式文件系统HDFS简介
3.2 HDFS相关概念
3.3 HDFS体系结构
3.4 HDFS存储原理
3.5.1 HDFS读数据过程（一）
3.5.2 HDFS写数据过程（二）
3.6 HDFS编程实践
4.1 HBase简介
4.2 HBase数据模型
4.3 HBase的实现原理
4.4 HBase运行机制
4.5 HBase应用方案
4.6 HBase安装配置和常用Shell命令
4.7 HBase常用Java API及应用实例
5.1 NoSQL概述
5.2 NoSQL与关系数据库的比较
5.3.1 键值数据库和列族数据库
5.3.2 文档数据库、图数据库以及不同数据库比较分析
5.4.1 CAP理论
5.4.2 BASE和最终一致性
5.5 从NoSQL到NewSQL数据库
5.6 文档数据库MongoDB
6.1 云数据库概述
6.2 云数据库产品
6.3.1 UMP系统概述
6.3.3 UMP系统功能
6.4.1 Amazon和云计算的渊源
6.4.2 Amazon AWS
6.4.3 Amazon AWS平台上的云数据库
6.5 微软云数据库SQL Azure
6.6 云数据库实践
7.1.1 分布式并行编程
7.1.2 MapReduce模型简介
7.2 MapReduce的体系结构
6.3.2 UMP系统架构
7.3 MapReduce工作流程
7.4 Shuffle过程原理
7.5 MapReduce应用程序执行过程
7.6 实例分析：WordCount
7.7 MapReduce的具体应用
7.8 MapReduce编程实践
8.2 Hive简介
8.3 SQL转换成MapReduce作业的原理
8.4.1 Impala简介
8.4.2 Impala系统架构
8.4.3 Impala查询执行过程
8.4.4 Impala与Hive的比较
8.5.1 Hive安装与基本操作
8.5.2 Hive应用实例:WordCount
8.1 数据仓库概念
9.1 Hadoop的优化与发展
9.2.1 HDFS HA
9.2.2 HDFS Federation
9.3.2 YARN设计思路
9.3.1 MapReduce1.0的缺陷
9.3.4 YARN工作流程
9.3.3 YARN体系结构
9.3.5 YARN框架与MapReduce1.0框架的对比分析
9.3.6 YARN的发展目标
9.4.3 Spark和Kafka
9.4.1 Pig
9.4.2 Tez
10.1.1 Spark简介
10.1.2 Spark与Hadoop的对比
10.2 Spark生态系统
10.3.4 RDD特性
10.3.5 RDD的依赖关系和运行过程
10.3.3 RDD概念
10.3.1 基本概念和架构设计
10.3.2 Spark运行基本流程
10.4 Spark SQL
10.5 Spark的部署和应用方式
10.6.3 Spark应用程序
10.6.1 Spark安装和启动Spark Shell
10.6.2 Spark RDD基本操作
11.1.2 流计算概念与典型框架
11.1.1 数据的处理模型
11.2 流计算处理流程
11.3 流计算的应用
11.4.1 Storm简介
11.4.3 Storm框架设计
11.4.2 Storm设计思想
11.5 Spark Streaming、Samza以及三种流计算框架的比较
11.6.1 编写Storm程序
11.6.2 安装Storm的基本过程和实例
12.1 图计算简介
12.2 Pregel简介
12.3.1 有向图和顶点
12.3.3 Pregel实例
12.3.2 Pregel的计算过程
12.4.2 消息传递机制和Combiner
12.4.3 Aggregator、拓扑改变和输入输出
12.4.1 定义Vertex基类
12.5.2 Worker、Master和Aggregator
12.5.1 Pregel的执行过程和容错性
12.6 Pregel的应用实例——单源最短路径
12.7 Hama的安装和使用
13.1 大数据应用概览
13.2.3 基于物品的协同过滤（ItemCF）
13.2.4 UserCF算法和ItemCF算法的对比
13.2.2 基于用户的协同过滤（UserCF）
13.2.1 推荐系统概述
13.3 大数据在智能医疗和智能物流领域运用
1.2 大数据概念和影响
1.3 大数据的应用
1.4 大数据的关键技术
1.5.1 大数据与云计算、物联网（一）
1.5.2 大数据与云计算、物联网（二）
2.1.1 大数据处理架构Hadoop简介
2.1.2 Hadoop不同版本
2.2 Hadoop项目结构
2.3.1 Hadoop安装之前的预备知识
2.3.2 Hadoop的安装和使用详解
2.4 Hadoop集群的部署和使用
3.1 分布式文件系统HDFS简介
3.2 HDFS相关概念
3.3 HDFS体系结构
3.4 HDFS存储原理
3.5.1 HDFS读数据过程（一）
3.5.2 HDFS写数据过程（二）
3.6 HDFS编程实践
4.1 HBase简介
4.2 HBase数据模型
4.3 HBase的实现原理
4.4 HBase运行机制
4.5 HBase应用方案
4.6 HBase安装配置和常用Shell命令
4.7 HBase常用Java API及应用实例
5.1 NoSQL概述
5.2 NoSQL与关系数据库的比较
5.3.1 键值数据库和列族数据库
5.3.2 文档数据库、图数据库以及不同数据库比较分析
5.4.1 CAP理论
5.4.2 BASE和最终一致性
5.5 从NoSQL到NewSQL数据库
5.6 文档数据库MongoDB
6.1 云数据库概述
6.2 云数据库产品
6.3.1 UMP系统概述
6.3.3 UMP系统功能
6.4.1 Amazon和云计算的渊源
6.4.2 Amazon AWS
6.4.3 Amazon AWS平台上的云数据库
6.5 微软云数据库SQL Azure
6.6 云数据库实践
7.1.1 分布式并行编程
7.1.2 MapReduce模型简介
7.2 MapReduce的体系结构
6.3.2 UMP系统架构
7.3 MapReduce工作流程
7.4 Shuffle过程原理
7.5 MapReduce应用程序执行过程
7.6 实例分析：WordCount
7.7 MapReduce的具体应用
7.8 MapReduce编程实践
8.2 Hive简介
8.3 SQL转换成MapReduce作业的原理
8.4.1 Impala简介
8.4.2 Impala系统架构
8.4.3 Impala查询执行过程
8.4.4 Impala与Hive的比较
8.5.1 Hive安装与基本操作
8.5.2 Hive应用实例:WordCount
8.1 数据仓库概念
9.1 Hadoop的优化与发展
9.2.1 HDFS HA
9.2.2 HDFS Federation
9.3.2 YARN设计思路
9.3.1 MapReduce1.0的缺陷
9.3.4 YARN工作流程
9.3.3 YARN体系结构
9.3.5 YARN框架与MapReduce1.0框架的对比分析
9.3.6 YARN的发展目标
9.4.3 Spark和Kafka
9.4.1 Pig
9.4.2 Tez
10.1.1 Spark简介
10.1.2 Spark与Hadoop的对比
10.2 Spark生态系统
10.3.4 RDD特性
10.3.5 RDD的依赖关系和运行过程
10.3.3 RDD概念
10.3.1 基本概念和架构设计
10.3.2 Spark运行基本流程
10.4 Spark SQL
10.5 Spark的部署和应用方式
10.6.3 Spark应用程序
10.6.1 Spark安装和启动Spark Shell
10.6.2 Spark RDD基本操作
11.1.2 流计算概念与典型框架
11.1.1 数据的处理模型
11.2 流计算处理流程
11.3 流计算的应用
11.4.1 Storm简介
11.4.3 Storm框架设计
11.4.2 Storm设计思想
11.5 Spark Streaming、Samza以及三种流计算框架的比较
11.6.1 编写Storm程序
11.6.2 安装Storm的基本过程和实例
12.1 图计算简介
12.2 Pregel简介
12.3.1 有向图和顶点
12.3.3 Pregel实例
12.3.2 Pregel的计算过程
12.4.2 消息传递机制和Combiner
12.4.3 Aggregator、拓扑改变和输入输出
12.4.1 定义Vertex基类
12.5.2 Worker、Master和Aggregator
12.5.1 Pregel的执行过程和容错性
12.6 Pregel的应用实例——单源最短路径
12.7 Hama的安装和使用
13.1 大数据应用概览
13.2.3 基于物品的协同过滤（ItemCF）
13.2.4 UserCF算法和ItemCF算法的对比
13.2.2 基于用户的协同过滤（UserCF）
13.2.1 推荐系统概述
13.3 大数据在智能医疗和智能物流领域运用
课程详情
《大数据技术原理与应用》为入门级大数据课程，适合初学者实现“零基础”学习大数据课程。课程采用厦门大学林子雨老师编著的国内高校第一本系统性介绍大数据知识专业教材《大数据技术原理与应用》，紧紧围绕“构建知识体系、阐明基本原理、引导初级实践、了解相关应用”的指导思想，对大数据知识体系进行系统梳理，做到“有序组织、去粗取精、由浅入深、渐次展开”。本课程由知名大数据教师厦门大学林子雨助理教授主讲。（厦门大学）
《大数据技术原理与应用》为入门级大数据课程，适合初学者实现“零基础”学习大数据课程。课程采用厦门大学林子雨老师编著的国内高校第一本系统性介绍大数据知识专业教材《大数据技术原理与应用》，紧紧围绕“构建知识体系、阐明基本原理、引导初级实践、了解相关应用”的指导思想，对大数据知识体系进行系统梳理，做到“有序组织、去粗取精、由浅入深、渐次展开”。本课程由知名大数据教师厦门大学林子雨助理教授主讲。（厦门大学）
《大数据技术原理与应用》为入门级大数据课程，适合初学者实现“零基础”学习大数据课程。课程采用厦门大学林子雨老师编著的国内高校第一本系统性介绍大数据知识专业教材《大数据技术原理与应用》，紧紧围绕“构建知识体系、阐明基本原理、引导初级实践、了解相关应用”的指导思想，对大数据知识体系进行系统梳理，做到“有序组织、去粗取精、由浅入深、渐次展开”。本课程由知名大数据教师厦门大学林子雨助理教授主讲。（厦门大学）
上一篇：大数据与物联网
下一篇：学会了Python，我找到了工作
