1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
       2、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
       3、培訓合格學員可享受免費推薦就業機會。☆合格學員免費頒發相關工程師等資格證書，提升職業資質。專注高端技術培訓15年，端海學員的能力得到大家的認同，受到用人單位的廣泛贊譽，端海的證書受到廣泛認可。

• 第一部份
  1、【1】：大數據技術基礎
  1.大數據的產生背景與發展歷程 2.大數據的4V特征，以及與云計算的關系 3.大數據應用需求以及潛在價值分析 4.業界最新的大數據技術發展態勢與應用趨勢 5.大數據思維的轉變 6.大數據項目的系統與技術選型，及落地實施的挑戰 “互聯網+”時代下的電子商務、制造業、交通行業、電信運營商、銀行金融業、電子政務、移動互聯網、教育信息化等行業應用實踐與應用案例介紹
  2、【1】：業界主流的大數據技術方案
  1.大數據軟硬件系統全棧與關鍵技術介紹 2.大數據生態系統全景圖 3.主流的大數據解決方案介紹 4.Apache大數據平臺方案剖析 5.CDH大數據平臺方案剖析 6.HDP大數據平臺方案剖析 7.基于云的大數據平臺方案剖析 8.大數據解決方案與傳統數據庫方案比較 國內外大數據平臺方案與廠商對比
  3、【1】：大數據計算模型（一）——批處理MapReduce
  1.MapReduce產生背景與適用場景 2.MapReduce計算模型的基本原理 3.MapReduce作業執行流程 4.MapReduce基本組件，JobTracker和TaskTracker 5.MapReduce高級編程應用，Combiner和Partitioner 6.MapReduce性能優化技巧 7.MapReduce案例分析與開發實踐操作
  4、【2】：大數據存儲系統與應用實踐
  1.分布式文件系統HDFS產生背景與適用場景 2.HDFS master-slave系統架構與讀寫工作原理 3.HDFS核心組件技術講解，NameNode與fsimage、editslog，DataNode與數據塊 4.HDFS Federation機制，viewfs機制，使用場景講解 5.HDFS高可用保證機制，SecondaryNameNode，NFS冷備份，基于zookeeper的HA方案
  5、【2】：大數據實戰練習一
  1. Hadoop平臺搭建、部署與應用實踐，包含HDFS分布式文件系統，YARN資源管理軟件，MapReduce計算框架軟件 2. HDFS shell命令操作 3. MapReduce程序在YARN上運行
  第二部份
  1、【1】：Hadoop框架與生態發展，以及應用實踐操作
  1.Hadoop的發展歷程 2.Hadoop 1.0的核心組件JobTracker，TaskTracker，以及適用范圍 3.Hadoop 2.0的核心組件YARN工作原理，以及與Hadoop 1.0的聯系與區別 4.Hadoop YARN的資源管理與作業調度機制 5.Hadoop 常用性能優化技術
  2、【1】：大數據計算模型（二）——實時處理/內存計算 Spark
  1.MapReduce計算模型的瓶頸 2.Spark產生動機、基本概念與適用場景 3.Spark編程模型與RDD彈性分布式數據集的工作原理與機制 4.Spark實時處理平臺運行架構與核心組件 5.Spark寬、窄依賴關系與DAG圖分析 6.Spark容錯機制 7.Spark作業調度機制 8.Spark standardalone，Spark on YARN運行模式 9.Scala開發介紹與Spark常用Transformation函數介紹
  3、【2】：大數據倉庫查詢技術Hive、SparkSQL、Impala，以及應用實踐
  1.基于MapReduce的大型分布式數據倉庫Hive基礎知識與應用場景 2.Hive數據倉庫的平臺架構與核心技術剖析 3.Hive metastore的工作機制與應用 4.Hive 分區、分桶機制，Hive行、列存儲格式 5.基于Spark的大型分布式數據倉庫SparkSQL基礎知識與應用場景 6.Spark SQL實時數據倉庫的實現原理與工作機制 7.SparkSQL程序開發與DataFrame機制介紹 8.基于MPP的大型分布式數據倉庫Impala基礎知識與應用場景 9.Impala實時查詢系統平臺架構、關鍵技術介紹，以及與Hive，SparkSQL的對比
  4、【2】：Hadoop集群運維監控工具
  1.Hadoop運維管理監控系統Ambari工具介紹 2. 第三方運維系統與工具Ganglia, Nagios
  5、【2】：大數據實戰練習二
  1.基于 Hadoop平臺搭建、部署與配置Spark集群，Spark shell環境實踐，Spark案例程序分析，Spark程序開發與運行 2. 基于MapReduce的Hive數據倉庫實踐，Hive集群安裝部署，基于文件的Hive數據倉庫表導入導出與分區操作，Hive SQL操作，Hive客戶端操作 3. 基于Hive的SparkSQL shell實踐操作
  第三部份
  1、【1】：大數據計算模型（三）——流處理Storm, SparkStreaming
  1.流數據處理應用場景與流數據處理的特點 2.流數據處理工具Storm的平臺架構與集群工作原理 3.Storm關鍵技術與并發機制 4.Storm編程模型與基本開發模式 5.Storm數據流分組 6.Storm可靠性保證與Acker機制 7.Storm應用案例分析 8.流數據處理工具Spark Streaming基本概念與數據模型 9.SparkStreaming工作機制 10.SparkStreaming程序開發介紹 11.Storm與SparkStreaming的對比
  2、【2】：大數據ETL操作工具，與大數據分布式采集系統
  1.Hadoop與DBMS之間數據交互工具的應用 2.Sqoop導入導出數據的工作原理 3.Flume-NG數據采集系統的數據流模型與系統架構 4.Kafka分布式消息訂閱系統的應用介紹與平臺架構，及其使用模式
  3、【2】：面向OLTP型應用的NoSQL數據庫及應用實踐
  1.關系型數據庫瓶頸，以及NoSQL數據庫的發展，概念，分類，及其在半結構化和非結構化數據場景下的適用范圍 2.列存儲NoSQL數據庫HBase簡介與數據模型剖析 3.HBase分布式集群系統架構與讀寫機制，ZooKeeper分布式協調服務系統的工作原理與應用 4.HBase表設計模式與primary key設計規范 5.文檔NoSQL數據庫MongoDB簡介與數據模型剖析 6.MongoDB集群模式、讀寫機制與常用API操作 8.鍵值型NoSQL數據庫Redis簡介與數據模型剖析 9.Redis多實例集群架構與關鍵技術 10.NewSQL數據庫技術簡介及其適用場景
  4、【2】：大數據實戰練習三
  1.Sqoop安裝、部署與配置，基于Sqoop、MySQL與Hive操作MySQL數據庫與Hive數據倉庫數據導入導出 2.Kafka安裝、部署與配置，基于Kafka創建和消費topic實踐操作 3.Flume+HDFS+MapReduce/Spark大數據采集、存儲與分析實踐操作
  5、【2】：大數據項目選型、實施、優化等問題交流討論
  大數據項目的需求分析、應用實施、系統優化，以及解決方案等咨詢與交流討論10053事件 9.CBO和RBO介紹 10.數據訪問方法
  2、【2】：Oracle數據庫調優（六）
  1.收集統計信息 2.SQL執行計劃 3.修改參數值影響CBO生成的執行計劃，通過hints直接強制執行計劃 4.使用Sql tunning advisor自動分析語句性能 5.使用Sql access advisor自動分析語句 6.SQL語句并行處理 7.穩定調整好的語句執行計劃 8.通過存儲概要確保執行計劃的穩定性 9.通過存儲計劃基線確保執行計劃的穩定性