您现在的位置:首页 > 企业内训 > 云计算和大数据分析应用实践培训方案(4天)

云计算和大数据分析应用实践培训方案(4天)

2022/8/4 10:28:43 | 来源:中培IT学院

一、 课程简介

近年来,“云计算”“大数据”已经深入人心,社会各个行业的企业都沉淀了大量的数据,如何把数据利用起来,创造价值,业务数据增值等命题已经成为业界的热门话题。自2010年以来,大数据技术已经成功地应用到新兴互联网企业(如电商企业、搜索引擎、社交网站、互联网广告服务提供商等)、金融企业(银行、保险、证券公司、互联网金融借贷公司等)、通信运营商(电信、移动、联通)等行业的企业。这些国内外的先驱企业通过对自身积累的数据进行分析挖掘利用,在不同程度上获得了数据分析带来的收益,带来了很大的数据价值增值作用,并从一定程度上拉开了与没有利用数据创造价值的企业之间的领先优势,提升了企业的竞争力。


云计算的发展,促进了大型企业如阿里巴巴、京东、金山、小米、腾讯等企业的飞速发展,应用加速了大数据时代的到来,一方面为企业带来了巨大的发展机遇,能有效推动企业的数据加工和信息化转型升级,促进企业实施数据化运营分析和科学决策战略;另一方面,由于大部分公司缺乏能够驾驭大数据的专门技术人才,现有技术人员对大数据项目的实施经验不足,大数据技术人才的缺乏对企业实行大数据智能分析决策的发展战略也带来了较大的挑战。

本课程针对基于大数据应用的互联网推广案例解读,大数据建模思路,大数据分析应用案例等进行讲解。


二、 培训目标与收益

1. 理解云计算的基础知识。

2. 掌握云计算的应用,云化架构,超融合架构,云上应用等。

3. 掌握大数据的基本流程,大数据分析的全过程,包括数据存储,数据抽取,数据建模分析及数据应用。

4. 让学员掌握大数据建模方法、思路,以及利用大数据思维解决运营中的问题,大数据分析挖掘与机器学习模型的应用实践。

5. 让学员全方位地掌握大数据分析模型在互联网领域中的应用,以及电信客户运营分析案例。

6. 掌握常见的数据挖掘算法思路及应用场景。

7. 本课程采用技术原理与项目实战相结合的方式进行教学,在讲授原理的过程中,穿插实际的系统操作,本课程讲师也精心准备的实际的应用案例供学员动手训练。

 

三、 培训人群

1. 运营工程师

2. 开发工程师

3. 运维工程师

4. 项目咨询工程师

5. 其他技术人员


四、 培训特色


定制授课+ 案例分析讲解 + 实战操作,4


五、 详细大纲与培训内容

时间

主要内容

详细内容

第一天上午

云计算基础及应用

1. 云计算对企业信息化带来了哪些模式

2. 云计算时代的企业信息化何去何从

3. 云化应用

4. 云计算案例:阿里云、腾讯云、金山云、电信云、电力云

第一天下午

云计算架构、应用案例和关键技术

5. 云计算架构

6. 云计算应用案例

7. 云计算关键技术

8. 云服务(IaaS,PaaS,SaaS,DaaS

9. 虚拟化关键技术

10. 公有云、私有云、混合云、制造云、行业云案例实践

第二天上午

云计算管理平台

11. VMware云计算平台

12. OpenStack开源云计算管理平台

13. Docker容器云管理平台

第二天下午

基于云平台的应用开发

14. 基于容器云开发PAAS应用

15. 基于虚拟机开发IAAS应用

16. 基于云开发SAAS云服务应用

17. 电力云计算架构

第三天上午

大数据行业、架构和应用趋势

18. 大数据在电力行业中的应用发展与趋势

19. 大数据在互联网分析中的应用发展与趋势

20. 大数据平台架构

21. 大数据应用趋势

大数据技术

22. 大数据技术架构

23. 大数据解决方案

24. 大数据的电力行业应用架构和设计

第三天下午

大数据分析建模应用案例

25. 业务模型与适用的分析挖掘模型

26. 大数据分析挖掘建模工具

27. 客户行为分析

28. 日志分析

29. 推荐营销分析

30. 电商数据分析

31. 预测分析

数据分析建模挖掘项目的实施步骤 

32. 大数据分析挖掘解决方案与传统分析方案的剖析比较

33. 数据分析问题定义、数据整理、数据分析方法选择、数据提取整理、分析结果及结论、实施及建议措施、实施效果评估、项目报告整理与撰写

34. 异构、多源数据融合模型

35. 数据挖掘过程模型

36. SEMMA挖掘模型

37. 5A挖掘模型

38. CRISP-DM挖掘模型(重点)

39. 数据挖掘过程中的:商业理解、数据理解、数据准备、模型建立、模型评估、模型发布

第四天上午

大数据分析建模在电力和互联网领域中的应用

40. 从海量非结构化的日志数据集中提取出结构化数据集,为数据挖掘项目做准备

41. 大数据的分析挖掘

a) 选择数据挖掘模型

b) 数据挖掘模型训练

c) 调整算法模型

d) 数据分析模型评估

42. 决策树分析挖掘算法在客户分类分析中的应用实施步骤

43. 关联分析挖掘算法在电商(虚拟商品)推荐中的应用实施步骤

44. 从海量文本数据集中挖掘出跟产品业务相关的主题并分类

第四天下午

大数据分析平台解决方案

45. Hadoop大数据平台解决方案

46. Spark大数据分析解决方案

47. Flink大数据分析解决方案

SPSS大数据挖掘和建模实践

48. SPSS数据挖掘建模工具应用

49. SPSS构建决策树模型

50. SPSS构建RFM客户分析模型

51. SPSS构建电商购物篮分析模型

操作实践讨论

52. 电商推荐系统分析任务案例

53. 金融征信大数据应用案例

54. 项目训练与交流讨论



相关阅读

近期开班