班级规模及环境--热线:4008699035 手机:15921673576( 微信同号) |
每个班级的人数限3到5人,互动授课, 保障效果,小班授课。 |
上间和地点 |
上部份地点:【上海】同济大学(沪西)/新城金郡商务楼(11号线白银路站)【深圳分部】:电影大厦(地铁一号线大剧院站)/深圳大学成教院【北京分部】:北京中山学院/福鑫大楼【南京分部】:金港大厦(和燕路)【武汉分部】:佳源大厦(高新二路)【成都分部】:领馆区1号(中和大道)【沈阳分部】:沈阳理工大学/六宅臻品【郑州分部】:郑州大学/锦华大厦【石家庄分部】:河北科技大学/瑞景大厦 最近开间(周末班/连续班/晚班):请点击此处咨询在线客服 |
实验设备 |
◆小班教学,教学效果好 ☆注重质量☆边讲边练 ☆合格学员免费推荐工作 ★实验设备请点击这儿查看★ |
质量保障 |
1、培训过程中,如有部分内容理解不透或消化不好,可免费在以后培训班中重听; 2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供课后答疑。 3、培训合格学员可享受免费推荐就业机会。☆合格学员免费颁发相关工程师等资格证书,提升职业资质。专注高端技术培训15年,端海学员的能力得到大家的认同,受到用人单位的广泛赞誉,端海的证书受到广泛认可。 |
部份程大纲 |
|
第1部份 实时计算当前应用
1.1 何为实时计算系统?
1.2 实时计算与日常生活
1.3 实时计算在日常工作
1.4 当前主流实时计算框架
1.4.1 Storm/Jstorm
1.4.2 Spark Streaming
1.4.3 底层技术
1.5 当前实时计算在企业应用
1.5.1 实时计算在一线互联网企业
1.5.2 实时计算在传统企业与初创企业
第2部份 构建属于自己的轻量级实时计算框架
1.1 实时计算演变
1.1.1 简易版
1.1.2 升级版
1.1.3 升级版应用案例
1.2 构建个人终极实时计算框架
1.2.1 总体逻辑架构
1.2.2 总体物理架构
1.2.3 要点难点
第3部份 实时计算框架—数据流实时接收篇
3.1 当前主流MQ
3.1.1 RabbitMQ
3.1.2 Kafka
3.2 实时数据流处理方式
3.2.1 单条
3.2.2 Mini- Batch
3.3 应用实例
实时接收新闻APP的用户行为数据、入库并同时更新用户画像标签权重
第4部份 实时计算之底层服务通信
4.1 当然热门RPC
4.1.1 Thrift
架构、数据类型、传输协议及传输和服务方式
分词服务实例:Java-python
4.1.2 Avro
序列化/反序列化实例
RPC服务实例: java-2-java之helloworld
4.2 WebService
4.2.1 基于Jetty嵌入式的轻量级WebService实例
第5部份 实时计算框架——SpringBoot和资源管理Zookeeper
5.1 轻量级WebService: SpringBoot
简介
SpringBoot VS SpringMVC
快速开发(base on Version1.5.9)
SpringBoot vs Jetty嵌入式WebService
实际项目演练
5.2 资源管理—zookeeper
简介
Zk安装启动(base on Version3.4.11)
ZK之Web管理工具zkdash
客户端Curator:CRUD及监听
实际项目演练
第6部份 实时计算之任务调度及任务拆分独立计算
6.1 任务调度
Linux Crontab
Quartz
JDK自身Timer
实际项目演练
6.1 任务拆分独立计算
Map/Reduce
Fork/Join
Map/Reduce VS Fork/Join
实际项目演练
第7部份 实时计算框架之高可用及服务监控
7.1 服务高可用
7.1.1 QPS/TPS
7.1.2 异步并行执行
7.1.3 多级缓存
7.1.4 Shard/replica
7.2 服务监控
7.2.1 服务所在硬件监控
7.2.2 服务实时健康状况监控
7.2.3 服务降级
第8部份 实时计算框架之缓存篇
8.1 网络缓存:
8.1 Redis/ssdb/memcachedb
8.2 Redis4.0安装及新特性
8.3 Redis客户端使用
8.2 本地缓存:
8.2.1 GuavaCache
缓存清理策略
两种使用方式
8.2.2 MapDB简介及使用
第9部份 个性化推荐系统之常用算法
9.1 内容相似
9.1.1 常用分词器
9.1.2 内容相似算法
9.2 关联规则
9.3 协同过滤: UserCF和ItemCF
9.4 知识图谱
9.4.1 前世今生
9.4.2 Neo4J
9.4.3 OrientDB
9.5 主题模型
9.5.1 词义扩展:w2v、 d2v
9.5.2 层级聚类
第10部份 深度学习DLJ和用户画像
10.1 深度学习框架DL4J
10.1.1 简介及Java使用
10.1.2 模型训练:w2v和d2v
10.1.3 使用训练好的模型:w2v和d2v
10.2 用户画像组成
10.2.1 用户画像直观形象
10.2.2 不同维度看待
10.2.3 画像存储
第11部份 个性化推荐之用户画像实时更新
11.1 用户实时推荐服务
11.1.1 user-feature
11.1.2 doc-feature
11.1.3 二次排序
11.2 用户画像实时更新流程
11.2.1 正负反馈
11.2.2 时间衰减:牛顿冷却定理
11.2.2 实时兴趣标签权重更新
第12部份 高可用搜索服务系统之索引篇
12.1 ES vs Solr
12.1.1 DBEngines排名比较
12.1.2 综合比较
12.2 ES6.X介绍
xpack
head
bigdesk
new feature
12.2 海量索引拆分:背景及解决方案
12.3 多集群索引双写同步
第13部份 高可用搜索服务系统之查询篇
13.1 高可用搜索服务
ES集群健康状况监测
双ES集群互备
搜索服务之双读
索引拆分后高效使用
13.2 个性化搜索
条件过滤查询
关键词检索、结合知识图谱
个性化搜索:相同搜索条件,不同返回结果
实时计算用户画像
|