| 大数据挖掘与分析介绍（全面理解大数据挖掘概念与分析技术） | - 数据分析基本概念
- 数据分析算法
- 数据分析工具
- 数据分析流程
- 数据分析范畴
- 数据挖掘基本概念
- 数据挖掘模型
- 数据挖掘目标
- 数据挖掘数据质量
- 数据挖掘的9大定律
- 数据挖掘发展趋势
|
| R语言概要（R语言精讲） | - 什么是R语言，R语言的特点
- R语言主要的模块、语言包
- R语言安装环境
- R语言与与Hadoop、Hive的对接
|
| Spark大数据平台概述（彻底理解Spark） | - Spark的速度为什么如此的快？
- Spark 生态系统
- Spark的架构设计剖析
- RDD计算流程解析
- Spark的出色容错机制
- Spark分布式架构与单机多核架构的异同
- Spark的企业级应用
|
| Spark的机器学习 | - 机器学习基础知识
- 图计算基础知识
- Spark，MLlib，以及GraphX的操作示
- 广义线性模型
- SVM
- 聚类算法
- 图计算模型
- 决策树与组合学习
- 器学习算法评测
- 评测方法
- Cross validation与Grid Search
- MLlib中的实现
- 在线、离线测评方法
|
| SparkR初见 | - SparkR 项目介绍
- SparkR HelloWord
- SparkR API 介绍
- SparkR与DataFrame的架构分析
- SparkR软件栈
- SparkR编程指南
|
| 使用SparkR 构建Logistic回归与商业大数据建模 | - Logistic回归是商业建模的常用重要数据挖掘方法，本讲要讲清楚Logistic回归的建模原理、与多元线性模型的区别、R语言实现过程及回归诊断注意事项、预测方法和结果解释，让学员彻底地掌握Logistic回归解决问题的R语言方法。
- 主要案例：
- 案例1：利用Logistic回归帮助公司分析客户流失的原因并做好预测。
|
| 使用SparkR 构建关联规则 | - 关联规则（著名的“啤酒和尿布”）是数据挖掘的基础和核心技术之一，本讲将着重围绕经典的Apriori算法和eclat算法，阐明关联规则的支持、置信和提升程度与控制，使用R语言快速完成关联规则分析。
- 主要案例：
- 案例1：使用R语言关联规则方法帮助各个超市实现商品的最佳捆绑销售方案（即“购物篮”分析）；
|
| 使用SparkR 构建决策树（回归树）分析 | - 决策树是数据挖掘的经典方法，其原理容易被理解。本讲主要讲授两种最为普遍的决策树算法：CART和C4.5算法，使用rpart和J48函数进行R语言分析。
- 主要案例：
- 案例2：使用决策树帮助电信局判断和预测客户办理宽带业务。
|
| 使用SparkR 构建随机森林（RandomForest）算法 | - 在机器学习中，随机森林是一个包含多个决策树的分类器，本讲讲清随机森林方法的原理，以致在实际中帮助学员判断适合进行随机森林分析的情况，最终熟练掌握R语言随机森林分析的方法。
- 主要案例：
- 案例1：对皮肤病进行随机森林的分类和预测；
- 案例2：对酒的品质和种类进行分类和评价。
|
| 使用SparkR 构建支持向量机 | - 本讲将分析支持向量机的结构风险最小原理、间隔和核函数，从而帮助学员深刻理解支持向量机的思想和算法，以及使用中注意的问题，从而帮助学员灵活地应用于各个领域。
- 主要案例：
- 案例1：使用支持向量机进行股票指数预测。
|
| 使用SparkR 构建神经网络 | - 神经网络由大量的节点和输出函数构成逻辑策略，本讲介绍其原理，主要通过案例的方式讲解R语言实现神经网络算法的过程和注意的事项。
- 主要案例：
- 案例1：酒的品质和种类的神经网络的分析和预测；
- 案例2：公司财务预警建模。
|
| 使用SparkR 构建言结合KNN算法进行文本挖掘 | - 文本挖掘，特别是对中文的文本挖掘日趋重要。本讲介绍文本挖掘的原理和方法，帮助大家使用R语言在大量的非结构化的数据中发现有价值的信息，抽取潜在有用的数据，发现适合模式，实现可视化结果展示。
- 主要案例：
- 案例：使用R语言结合KNN算法对网页（Web）进行文本挖掘（含分词、分类、可视化等）
|
