致力于提升研发企业的持续创新能力

主要讲解大数据存储的技术架构原理和实践：聚焦业界，并重点剖析分布式缓存、分布式文件存储、k/v存储，一般互联网企业的分布式存储系统都是个大平台，系统复杂、代码庞大，而且只适合公司的业务，工程师很难下载安装到自己的电脑里学习和吃透。本课程从作者多年实战经验出发，对分布式存储技术进行了大量归纳和总结，并动手搭建分布式存储环境，用最基本的程序实现分布式存储功能，你会感慨原来分布式存储可以如此简单的实现，如此轻松的上手。

数据挖掘和机器学习是属于大数据的核心技术之一，以科学严谨的数据依据帮助企业做分析决策，同时其高深的理论门槛也阻挡了广大工程师的学习上手，在大数据时代，如何进行基于海量数据在成百上千的机器进行分布式数据挖掘更是需要解决的难题，本课程从实战角度出发，基于企业实际需求，深入浅出的讲解数据挖掘最常用的算法和企业场景，让工程师通俗易懂的掌握，并且进行编程落地实践培训，让抽象的算法公式完全落地为工程化的程序为企业所用,特别是当前最火热的神经网络深度学习算法，落地到一个单机程序是如何的过程。

大数据计算的技术架构原理和实践：分布式计算是大数据分析应用最广泛最基础的核心技术，本课程聚焦分布式并行计算（map/reduce）、实时流计算、内存计算、BSP计算等架构和落地实现，动手掌握分布式计算设计思想，并穿插金融行业应用案例。

大数据分析和挖掘在互联网公司中已经得到实质性的推进和应用，典型的应用场景包括搜索引擎的搜索结果和搜索广告排序、电商网站的商品推荐和虚假信息检测、电子邮件服务中垃圾邮件检测、互联网安全公司的病毒和木马检测、视频和新闻分享网站中视频和新闻推荐、互联网金融服务中的用户信誉评估等。

通过该课程学习，洞悉Hadoop，NoSQL与Spark等技术的原理、架构与技术手段。

当下是大数据时代，为构建大数据平台，技术人员需要对分布式计算平台有一定深入的理解和应用。MapReduce作为一个经典的分布式计算框架，已经广为人知，且得到了广泛的应用，但MapReduce自身存在很多问题，包括迭代式计算和DAG计算等类型的数据挖掘与机器学习算法性能低下，不能很好地利用内存资源，编程复杂度较高等。为了克服MapReduce的众多问题，新型计算框架出现了。

课程信息 随着移动互联大时代的到来，每天产生的各种数据，将超过过去任何时代，这些数据意义非常重点，海量的数据我们如何存储？你一定会想到使用分布式系统存储。我们如何架构与设计大规模分布式存储系统满足海量数据的存储需求？如何保证海量数据的一致性？如何保证海量数据的高可靠性？如何保证数据高安全性？如何保证分布式存储系统的高扩展性？如何保证分布式存储系统的负载均衡？！如何保证分布式存储系统的高稳定性？！

数据挖掘和机器学习是属于大数据的核心技术之一，以科学严谨的数据依据帮助企业做分析决策，同时其高深的理论门槛也阻挡了广大工程师的学习上手，在大数据时代，如何进行基于海量数据在成百上千的机器进行分布式数据挖掘更是需要解决的难题，本课程从实战角度出发，基于企业实际需求，深入浅出的讲解数据挖掘最常用的算法和企业场景，让工程师通俗易懂的掌握，并且进行编程落地实践培训，让抽象的算法公式完全落地为工程化的程序为企业所用。

本课程通过大数据分析的案例分享，探讨数字化营销、精准营销、企业内部管理的所需要的数据分析技能和方法论，以及对数据仓库建设所提出的要求。

本课程从自己在腾讯、百度多年工作经验出发，为大家展现一个运维的高层视图。将以质量、效率、成本为核心，从运营规划、管理、流程/规范、系统/平台，监控、告警、安全、优化、考核等几个维度结合案例来与大家分享自己多年实践。