|
简介 随着互联网和移动智能设备的快速普及，人和物可以随时随地接入互联网，再互联网上产生海量的数据，这些数据隐藏着巨大的商业价值，这些数据的收集与采集，隐藏价值的挖掘都存在巨大的困难。但是大数据所隐藏的价值远远大于它所带来的困难，因此，近些年大数据如火如荼的发展，成为企业掌握市场脉搏、增加企业销售额的法宝，现实已经证明对大数据投入大的企业都获得了巨大的成功，如Google、阿里巴巴等。本课程结合物流与供应链管理等业务，采用以课堂讲解、演示、案例分析为主，辅以互动研讨、现场答疑、学以致用。的培训方式，分析大数据的应用案例，实现企业的精细化管理、仓储的精准预测、物流信息的快速处理、供应链的低成本调配。 目标 1、全面介绍大数据体系，使学员初步了解大数据有什么？能做什么？不能做什么？ 2、大数据与普通数据的区别； 3、结合物流、供应链讲解大数据的应用案例； 4、依据物流、供应链业务，分析大数据使用场景以及技术点，包括仓储预测、物流到达时间、使用的技术、算法等； 5、海量数据的采集、存储、计算采用的技术架构和对应的使用场景； 课程时长 2天（12H） 受众人群 1、对大数据、分布式存储、分析等感兴趣的朋友； 2、大型网站、电商网站等运维人员； 3、云计算、大数据从业者； 4、系统架构师、系统分析师、高级程序员、资深开发人员； 5、牵涉到大数据处理的数据中心运行、规划、设计负责人； 6、政府机关，金融保险、移动互联网、能源行业等人工智能相关人员； 7、高校、科研院所统计分析研究员，涉及到人工智能的人员； 8、政府机关，金融保险、移动互联网等大数据单位的负责人； 9、高校、科研院所大数据研究人员，涉及到大数据与分布式数据处理的人员； 10、数据仓库管理人员、建模人员，分析和开发人员、系统管理人员、数据库管理人员以及对数据仓库感兴趣的其他人员； 分享提纲
| 时间 | 主题 | 内容 | | 第一天 | 第1个主题： 大数据基础知识（深入理解大数据基本概念）（90分钟） | 1、 什么是大数据 2、 大数据的特征 3、 大数据应用现状 4、 大数据发展趋势 5、 大数据生态体系介绍 6、 大数据优势 7、 大数据的核心技术 8、 Hadoop是大数据架构的事实标准 9、 什么是Hadoop 10、 Hadoop由来介绍 11、 Google四篇论文的剖析 a) GFS、MapReduce、BigTable、Chubby 12、 Hadoop的四大核心组件 13、 Hadoop相关概念 a) 块、副本 14、 大数据能什么？不能什么？ 15、 大数据与普通数据的区别 16、 案例分享：大数据与供应商剖析 17、 案例分享：大数据与成本投入的关系剖析 18、 案例分享：大数据与云计算之间的关系剖析 19、 案例分享：大数据与虚拟化之间的关系剖析 20、 案例剖析：Hadoop与RAID之间的关系 21、 案例分享：基于共享存储的Hadoop集群部署案例分享 | | 第2个主题： 大数据的核心技术（介绍大数据包括的核心技术，并剖析如何做大数据能成功，如何做是失败的）（60分钟） | 1、 大数据的数据中心 2、 大数据基础设施 3、 海量的数据 4、 分布式技术 5、 数据挖掘算法 6、 创新应用 7、 行业知识 8、 实例分享：马云预测经济危机案例剖析 | | 第3个主题： 数据挖掘基础（介绍数据挖掘基础知识）（60分钟） | 1、 数据挖掘的基本任务 2、 数据挖掘建模过程 a) 定义挖掘目标 b) 数据取样 c) 数据探索 d) 数据预处理 e) 数据质量与元数据管理 f) 挖掘建模 g) 模型评价 3、 实例分享：大型企业数据挖掘存在的问题剖析 | | 第4个主题： 物流仓库选址大数据应用（剖析物流中仓库选址）（60分钟） | 1、 仓库选址的重要性剖析 2、 节约成本 3、 提升服务质量与效率 4、 收集客户地址数据 5、 仓库选址建模 6、 地址数据转化为经纬度 7、 数据探知 8、 聚类客户群体 9、 选址方案 10、 选址方案优化 11、 数据可视化 12、 案例分享：物流行业仓库选址 | | 第5个主题： 大数据实现仓储精准预测（介绍大数据在仓储管理中的应用案例）（60分钟） | 1、 精准仓储的价值剖析 2、 避免仓储货物积压 3、 避免缺货 4、 提升服务质量与效率 5、 数据收集与清洗 6、 仓库覆盖范围聚类 7、 回归分析销售趋势 8、 预测客户将来购买需求 9、 仓储精准配货方案 10、 案例分享：京东物流仓储预测 | | 第二天 | 第6个主题： 大数据实现物流运输到达时间精准预测（剖析大数据实现物流运输到达时间精准预测）（60分钟） | 1、 物流运输到达时间问题分析 2、 不可控因素分析 3、 到达时间对客户的重要性 4、 提升服务质量与效率 5、 数据的收集与清洗、转换 6、 数据探知与模型选择 7、 回归分析与建模 8、 模型实施与预测 | | 第7个主题： 大数据实现供应链管理与优化（介绍大数据实现供应链管理与优化）（60分钟） | 1、 供应链管理的重要性剖析 2、 节约成本 3、 提升服务质量与效率 4、 数据的收集与清洗、转换 5、 数据探知与模型选择 6、 决策树与建模 7、 模型训练 8、 模型实施与预测 | | 第8个主题： 机器学习算法介绍（典型的大数据机器学习算法介绍）（60分钟） | 1、 监督式学习 2、 非监督式学习 3、 半监督式学习 4、 回归（预测）与分类 5、 决策树与随机森林 6、 聚类分析 7、 关联规则 8、 协同过滤算法解析 9、 关联规则算法 10、 人工智能 11、 神经网络 12、 深度学习 | | 第9个主题： 海量数据的采集、存储、计算采用的分布式技术架构和对应的使用场景（海量数据的采集、存储、计算采用的分布式技术架构和对应的使用场景）（60分钟） | 1、 海量数据特征剖析 2、 海量数据采集 3、 海量数据存储 4、 实时流式数据采集 5、 网络数据爬取 6、 HDFS分布式文件系统 7、 HDFS架构剖析 8、 磁盘顺序读写优化 9、 MapReduce分布式批处理计算框架 10、 MapReduce的使用场景 11、 Spark分布式内存计算框架 12、 Spark的使用场景 13、 Storm分布式实时计算框架 14、 Storm的使用场景 | | 第10个主题： 大数据推荐实战（深入理解大数据推荐技术以及推荐技术编程）（60分钟） | 1、 个性化推荐的理论依据 2、 个性化推荐的价值 3、 个性化推荐能达到的目的 4、 个性化推荐的原则 5、 个性化推荐技术发展史 6、 个性化推荐的相关技术 7、 协同过滤 8、 显式与隐式反馈 9、 正则化参数的尺度 10、 基于用户的常用推荐算法 a) 欧几里德距离（Euclidean Distance） b) 皮尔逊相关系数（Pearson Correlation Coefficient） c) Cosine 相似度（Cosine Similarity） d) Tanimoto 系数（Tanimoto Coefficient） 11、 基于用户的协同过滤推荐 | | 第11个主题： 大数据物流及供应链管理课堂实战演练（使学员深入理解大数据的应用）（120分钟） | 1、 学员分组、选择课题 2、 数据收集与整理 3、 大数据应用思路 4、 算法使用等 5、 讲师点评与指导 |
|
