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(huì)。☆合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書受到廣泛認(rèn)可。

• 第1章 初識(shí)機(jī)器學(xué)習(xí)
  在本章中將帶領(lǐng)大家概要了解什么是機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)在當(dāng)前有哪些典型應(yīng)用、機(jī)器學(xué)習(xí)的核心思想、常用的框架有哪些，該如何進(jìn)行選型等相關(guān)問題。
• 1-1 導(dǎo)學(xué)
  1-2 機(jī)器學(xué)習(xí)概述
  1-3 機(jī)器學(xué)習(xí)核心思想
  1-4 機(jī)器學(xué)習(xí)的框架與選型..
  第2章 初識(shí)MLlib
  本章中，將介紹Spark的機(jī)器學(xué)習(xí)庫(kù)，對(duì)比Spark當(dāng)前兩種機(jī)器學(xué)習(xí)庫(kù)（MLLib/ML）的區(qū)別，同時(shí)介紹Spark機(jī)器學(xué)習(xí)庫(kù)的應(yīng)用場(chǎng)景以及行業(yè)應(yīng)用優(yōu)勢(shì)。
• 2-1 MLlib概述
  2-2 MLlib的數(shù)據(jù)結(jié)構(gòu)
  2-3 MLlib與ml
  2-4 MLlib的應(yīng)用場(chǎng)景
  第3章 實(shí)戰(zhàn)環(huán)境搭建
  本章中，將介紹如何進(jìn)行實(shí)戰(zhàn)環(huán)境搭建。包括如何完成Spark環(huán)境安裝配置、如何通過Spark Shell進(jìn)行編程，并通過 Wordcount 入門程序，完成部署和測(cè)試。
• 3-1 Spark環(huán)境安裝
  3-2 Spark配置若干要點(diǎn)
  3-3 學(xué)習(xí)Spark shell
  3-4 實(shí)戰(zhàn)Wordcount
  第4章 數(shù)據(jù)可視化
  本章中，將對(duì)數(shù)據(jù)可視化進(jìn)行介紹，告訴大家什么是數(shù)據(jù)可視化，我們通過數(shù)據(jù)可視化能對(duì)大數(shù)據(jù)系統(tǒng)起到怎樣的作用，并結(jié)合 Echars 介紹了如何實(shí)現(xiàn)常見的數(shù)據(jù)可視化圖表（折線圖、柱狀圖、散點(diǎn)圖）。
• 4-1 數(shù)據(jù)可視化的作用及常用方法
  4-2 初識(shí)Echarts
  4-3 通過Echarts實(shí)現(xiàn)圖表化數(shù)據(jù)展示
  第5章 Spark的矩陣與向量
  本章中，將講解矩陣與向量的一些基本運(yùn)算，并介紹Spark的矩陣與向量的操作，幫助數(shù)據(jù)基礎(chǔ)薄弱的同學(xué)補(bǔ)齊短板。
• 5-1 矩陣與向量介紹
  5-2 Spark中實(shí)踐向量的使用
  5-3 Spark中實(shí)踐矩陣的使用
  第6章 Spark基礎(chǔ)統(tǒng)計(jì)模塊
  本章中，將概要介紹Spark的基礎(chǔ)統(tǒng)計(jì)模塊、簡(jiǎn)單的統(tǒng)計(jì)學(xué)知識(shí)、相關(guān)系數(shù)以及假設(shè)檢驗(yàn)的知識(shí)，拓展大家的技術(shù)視野。
• 6-1 基礎(chǔ)統(tǒng)計(jì)模塊及常用統(tǒng)計(jì)學(xué)知識(shí)介紹
  6-2 實(shí)戰(zhàn)統(tǒng)計(jì)匯總
  6-3 學(xué)習(xí)相關(guān)系數(shù)
  6-4 學(xué)習(xí)假設(shè)檢驗(yàn)
  第7章 Spark實(shí)現(xiàn)回歸算法
  本章中，將講解幾種常見的回歸算法，并以預(yù)測(cè)房?jī)r(jià)模型為例，教大家如何使用回歸算法來實(shí)現(xiàn)簡(jiǎn)單的預(yù)測(cè)。
• 7-1 回歸分析概述
  7-2 線性回歸算法概述
  7-3 線性回歸算法原理
  7-4 最小二乘法
  7-5 隨機(jī)梯度下降
  7-6 實(shí)戰(zhàn)Spark預(yù)測(cè)房?jī)r(jià)---項(xiàng)目展示及代碼概覽
  7-7 實(shí)戰(zhàn)Spark預(yù)測(cè)房?jī)r(jià)---數(shù)據(jù)加載及轉(zhuǎn)換
  7-8 實(shí)戰(zhàn)Spark預(yù)測(cè)房?jī)r(jià)--訓(xùn)練與預(yù)測(cè)
  7-9 邏輯回歸算法及原理概述
  7-10 正則化原理
  7-11 實(shí)戰(zhàn)Spark邏輯回歸
  7-12 保序回歸算法概述
  7-13 保序回歸算法原理
  7-14 實(shí)戰(zhàn)一個(gè)保序回歸數(shù)據(jù)分析
  第8章 Spark實(shí)現(xiàn)分類算法
  本章中，將幾種常見的分類算法，并結(jié)合鳶尾花數(shù)據(jù)集為例，講解分類算法在Spark上的實(shí)踐。同時(shí)，比較各種分類算法的區(qū)別，使大家能夠合理選擇應(yīng)該使用的算法。
• 8-1 樸素貝葉斯算法及原理概述
  8-2 實(shí)戰(zhàn)樸素貝葉斯的分類
  8-3 支持向量機(jī)概述
  8-4 實(shí)戰(zhàn)基于SVM的分類
  8-5 決策樹算法及原理概述
  8-6 實(shí)戰(zhàn)基于決策樹的分類--案例1
  8-7 實(shí)戰(zhàn)基于決策樹的分類--案例2
  8-8 本章小結(jié)
  8-9 關(guān)于數(shù)據(jù)歸一化的介紹
  第9章 Spark實(shí)現(xiàn)聚類算法
  本章中，將介紹聚類算法，并通過比較聚類算法與分類算法的區(qū)別，幫助大家了解聚類算法的內(nèi)在含義。此處，仍然使用鳶尾花數(shù)據(jù)集應(yīng)用聚類算法進(jìn)行分析，便于大家對(duì)比發(fā)現(xiàn)聚類算法與分類算法的區(qū)別與聯(lián)系，以便于后期靈活運(yùn)用。...
• 9-1 Kmeans算法概述
  9-2 Kmeans算法原理
  9-3 Kmeans算法實(shí)戰(zhàn)
  9-4 LDA算法概述
  9-5 LDA算法原理
  9-6 LDA算法實(shí)踐
  9-7 本章小結(jié)
  第10章 Spark實(shí)現(xiàn)降維
  本章中，將通過講解PCA算法的原理，使大家明白降維算法的大致原理，以及能夠?qū)崿F(xiàn)怎么樣的功能。結(jié)合應(yīng)用降維算法在分類算法使用之前進(jìn)行預(yù)處理的實(shí)踐，幫助大家體會(huì)算法的作用。
• 10-1 PCA算法及原理概述
  10-2 實(shí)戰(zhàn)PCA算法實(shí)現(xiàn)降維
  10-3 本章小結(jié)
  第11章 Spark實(shí)踐文本情感分類
  本章中，將結(jié)合前述知識(shí)進(jìn)行綜合實(shí)戰(zhàn)，以達(dá)到所學(xué)即所用。文本情感分類這個(gè)項(xiàng)目會(huì)將分類算法、文本特征提取算法等進(jìn)行關(guān)聯(lián)，使大家能夠?qū)park的具體應(yīng)用有一個(gè)整體的感知與了解。
• 11-1 項(xiàng)目總體概況
  11-2 數(shù)據(jù)集概述
  11-3 數(shù)據(jù)預(yù)處理
  11-4 文本特征提取
  11-5 訓(xùn)練分類模型
  11-6 本章小結(jié)
  第12章 Spark實(shí)踐推薦系統(tǒng)
  本章中，將結(jié)合前述知識(shí)進(jìn)行綜合實(shí)戰(zhàn)，以達(dá)到所學(xué)即所用。在推薦系統(tǒng)項(xiàng)目中，講解了推薦系統(tǒng)基本原理以及實(shí)現(xiàn)推薦系統(tǒng)的架構(gòu)思路，有其他相關(guān)研發(fā)經(jīng)驗(yàn)基礎(chǔ)的同學(xué)可以結(jié)合以往的經(jīng)驗(yàn)，實(shí)現(xiàn)自己的推薦系統(tǒng)。
• 12-1 推薦系統(tǒng)簡(jiǎn)介
  12-2 推薦系統(tǒng)原理
  12-3 推薦系統(tǒng)實(shí)戰(zhàn)(上)
  12-4 推薦系統(tǒng)實(shí)戰(zhàn)(下)