1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會。

模塊一?Spark ML基礎(chǔ)入門
1.1 Spark介紹
1.2 Spark ML介紹
1.3 課程的基礎(chǔ)環(huán)境
1.4 Spark SparkSession
1.5 Spark Datasets操作
1.6 Datasets操作的代碼實操

模塊二?Spark ML
Pipelines（ML管道）
2.1 Pipelines的主要概念
2.2 Pipelines實例講解
2.3 ML操作的代碼實操
2.4 使用 ML Pipeline 構(gòu)建機(jī)器學(xué)習(xí)工作流案例展示
2.5 實例的代碼實操聲

模塊三?Spark ML數(shù)學(xué)基礎(chǔ)
3.1 ML矩陣向量計算
3.2 分類效果評估指標(biāo)及ML實現(xiàn)詳解
3.3 交叉-驗證方法及ML實現(xiàn)詳解
3.4 實例的代碼實操
3.5 特征的提取及ML實現(xiàn)詳解
3.6特征的轉(zhuǎn)換及ML實現(xiàn)詳解
3.7 特征的選擇及ML實現(xiàn)詳解
3.8 實例的代碼實操?

模塊四?Spark ML特征的提取、轉(zhuǎn)換和選擇
4.1 線性回歸算法
4.2 邏輯回歸算法
4.3 ML回歸算法參數(shù)詳解
4.4 ML實例
4.5 實例的代碼實操

模塊五?Spark ML線性回歸/邏輯回歸算法
5.1 決策樹算法
5.2 隨機(jī)森林算法
5.3 GDBT算法
5.4 ML樹模型參數(shù)詳解
5.5 ML實例
5.6 實例的代碼實操

模塊六?Spark ML決策樹/隨機(jī)森林/GBDT算法
6.1 KMeans聚類算法
6.2 ML KMeans模型參數(shù)詳解
6.3 ML實例
6.4 實例的代碼實操
模塊七?Spark ML KMeans聚類算法?7.1 LDA主題聚類算法
7.2 ML LDA主題聚類模型參數(shù)詳解
7.3 ML實例
7.4 實例的代碼實操

模塊八?Spark ML LDA主題聚類算法
8.1 協(xié)同過濾推薦算法
8.2 ML協(xié)同過濾分布式實現(xiàn)邏輯
8.3 ML協(xié)同過濾源碼開發(fā)
8.4 實現(xiàn)實例
8.5 實例的代碼實操

模塊九?Spark ML協(xié)同過濾推薦算法
9.1 案例背景
9.2 架構(gòu)設(shè)計
9.3 數(shù)據(jù)準(zhǔn)備
9.4 模型訓(xùn)練
9.5 模型預(yù)測
9.6 腳本封裝

模塊十?項目實踐
大型案例：基于Spark的推薦模型開發(fā)