小SAO货边洗澡边CAO你动漫,24小时日本在线观看免费高清 ,色欲综合视频天天天综合网站,精品亚洲卡一卡2卡三卡乱码

（一）統(tǒng)計分析、數(shù)據(jù)倉庫與可視化表達
1、    綜述（大數(shù)據(jù)、人工智能、數(shù)據(jù)挖掘、機器學習：這些詞的確切含義）
2、    假設(shè)檢驗：“小數(shù)據(jù)”時代是怎么玩的？
3、    “回歸”是數(shù)據(jù)挖掘算法嗎？
4、    度量、指標與維度
5、    星型模型與雪花模型
6、    下鉆與上卷
7、    數(shù)據(jù)倉庫的應(yīng)用案例
8、    圖表該怎么畫才對？
（二）大數(shù)據(jù)相關(guān)技術(shù)綜述
1、    hadoop：HDFS、Map-Reduce、Hbase、Hive、sqoop、pig、oozie等
2、    spark：scala、spark-SQL、spark-Streaming等
3、    搜索引擎：lucene（solr）、ES
4、    并發(fā)的機器學習工具：R-hadoop、spark-MLLIB、 spark-R、pyspark
（三）存儲在hbase中的數(shù)據(jù)
1、    NoSQL（key-value）
2、    Hbase：安裝
3、    行鍵與列簇
4、    如何利用Hbase的特點存儲行業(yè)數(shù)據(jù)
5、    應(yīng)用程序如何訪問Hbase中的數(shù)據(jù)
6、    數(shù)據(jù)遷移工具：sqoop
7、    Hbase的應(yīng)用場景
（四）Hive：為SQL開發(fā)者留的活路
1、    Hive：安裝（單用戶與多用戶）
2、    Hive：基本操作
3、    Hive：與典型的關(guān)系型數(shù)據(jù)庫的區(qū)別
4、    存儲業(yè)務(wù)數(shù)據(jù)時的注意點
5、    如果“想慢”，你還可以這樣…（不恰當使用hive的案例介紹）
6、    Hive的應(yīng)用場景
（六）Spark各組件的應(yīng)用
1、    Hadoop*的特點是什么？
2、    Spark概述與安裝
3、    Scala：你可以一直“點”下去
4、    RDD：“映射”、“轉(zhuǎn)換”解決一切
5、    spark-SQL
6、    spark-streaming
7、    spark-graphX
8、    spark-MLLIB
9、    應(yīng)用場景
（七）機器學習-1
1、    數(shù)據(jù)挖掘、知識發(fā)現(xiàn)與機器學習
2、    工具：（早期）SPSS、SAS；
3、    目前流行的工具R、Python等
4、    決策樹（熵、貪心法、連續(xù)的和離散的）
5、    聚類（k-means、k-medoid）
6、    監(jiān)督學習、無監(jiān)督學習的差異
7、    機器學習性能評價指標
（八）機器學習-2
1、    KNN
2、    關(guān)聯(lián)規(guī)則（頻繁項集、Apriori、支持度、置信度、提升度）
3、    神經(jīng)網(wǎng)絡(luò)（神經(jīng)元、激勵函數(shù)、前饋神經(jīng)網(wǎng)絡(luò)的BP算法）
4、    SVM（*間隔、核函數(shù)、多分類的支持向量機）
（九）機器學習-3
1、     “概率派”與“貝葉斯派”
2、    樸素貝葉斯模型（皮馬印第安人患糖尿病風險預測）
3、    極大似然估計與EM算法
4、    HMM（三個基本問題：評估、解碼、學習）
（十）機器學習-4
1、    遺傳算法 （交叉、選擇、變異，“同宿舍”問題）
2、    無監(jiān)督學習
3、    集成學習（adaboost、RF）
4、    強化學習
（十一）深度學習-1
1、    連接主義的興衰
2、    地形要更陡：改進的目標函數(shù)
3、    0.9的100次方等于幾？克服梯度消散的方法（改進的激勵函數(shù)、BN）
4、    利用“慣性”下山：改進的優(yōu)化算法（Adagrad、RMSprop、Adam）
5、    防止“大鍋飯”：dropout
6、    記憶的關(guān)鍵是“合理的忘記”：weight decay
（十二）深度學習-2
1、    讓AI理解圖像：典型CNN
2、    各種CNN
3、    讓AI理解語言：RNN與LSTM、GRU
4、    左右互搏術(shù)：GAN
5、    電子游戲的新玩法：DQN