【課程背景】
互聯網點擊數據、傳感數據、日志文件、具有豐富地理空間信息的移動數據和涉及網絡的各類評論，成為了海量信息的多種形式。當數據以成百上千TB不斷增長的時候，我們在內部交易系統的歷史信息之外，需要一種基于大數據分析的決策模型和技術支持。
大數據通常具有：數據體量(Volume)巨大,數據類型(Variety)繁多,價值(Value)密度低,處理速度(Velocity)快等四大特征。如何有效管理和高效處理這些大數據已成為當前亟待解決的問題。大數據處理意味著更嚴峻的挑戰，更好地管理和處理這些數據也將會獲得意想不到的收獲。
Google發布的GFS和MapReduce等高可擴展、高性能的分布式大數據處理框架，證明了在處理海量網頁數據時該框架的優越性。GFS/MapReduce框架實現了更高應用層次的抽象，使用戶無需關注復雜的內部工作機制，無需具備豐富的分布式系統知識及開發經驗，即可實現大規模分布式系統的部署與大數據的并行處理。
Apache Hadoop開源項目開發團隊。他們克隆了GFS/MapReduce框架，推出了Hadoop系統。該系統已受到學術界和工業界的廣泛認可和采納，并孵化出眾多子項目(如Pig，Zookeeper和Hive等)，日益形成一個易部署、易開發、功能齊全、性能優良的系統。
本課程從大數據技術以及Hadoop實戰的角度，結合理論和實踐，全方位地介紹Hadoop這一高性能處理大數據工具的開發技巧。本課程涉及的主題包括：Hadoop分布式文件系統及Hadoop的I/O;MapReduce的的工作機制、類型和格式;如何構建和管理Hadoop集群;Pig Latin語言的使用技巧;Hive數據倉庫工具介紹;HBase和Zookeeper工具的使用和管理;開源數據采集工具sqoop。
教學過程中還提供了案例分析來幫助學員了解如何用Hadoop系列工具來解決具體的問題，并介紹了從大數據中挖掘出有價值的信息的關鍵。本課程不是一個泛泛的理論性、概念性的介紹課程，而是針對問題討論解決方案的深入課程。教師對于上述領域有深入的理論研究與實踐經驗，在課程中將會針對這些問題與學員一起進行研究，在關鍵點上還會搭建實驗環境進行實踐研究，以加深對于這些解決方案的理解。
【課程目標】
本課程從大數據技術以及Hadoop實戰的角度，結合理論和實踐，全方位地介紹Hadoop這一高性能處理大數據工具的開發技巧。
【學習對象】
1，系統架構師、系統分析師、高級程序員、資深開發人員。
2，牽涉到大數據處理的數據中心運行、規劃、設計負責人。
3，政府機關，金融保險、移動和互聯網等大數據來源單位的負責人。
4，高校、科研院所牽涉到大數據與分布式數據處理的項目負責人。
【課程內容】
第一講 云計算及大數據處理技術介紹
1)云計算的概念
2)云計算發展現狀
3)大數據的概念
4)大數據的應用
5)大數據關鍵技術
第二講 Google中的關鍵技術
1)GFS文件系統
2)Chubby中的Paxos算法
3)MapReduce技術機制
4)Bigtable表管理技術
第三講 Hadoop文件系統HDFS及其文件結構
1) Hadoop項目簡介
2) HDFS體系結構
3) HDFS關鍵運行機制
4) Hadoop vs Google
5) Hadoop API
第四講 MapReduce編程模型及其應用開發
1)　MapReduce產生背景
2)　MapReduce編程模型
3)　MapReduce實現機制
4)　MapReduce案例分析
第五講 Pig Latin及其使用
1)Pig 設計的目標
2)Pig Latine介紹
3)Pig關鍵性技術
4)Pig的實用案例
第六講 數據倉庫Hive使用
1) Hive設計目標
2) Hive數據模型
3) Hive關鍵性技術
4) Hive的使用案例
第七講 HBase和ZooKeeper使用
1) Hbase運行機制簡介
2) HBase與 HDFS
3) HBase的對外接口
4) ZooKeeper的數據模型
5) ZooKeeper的讀寫機制
6) ZooKeeper的使用方法
第八講 數據抽取工具Sqoop使用
1)數據抽取技術介紹
2)Sqoop中的關鍵技術
3)Sqoop數據抽取策略
4)數據挖掘及分析
第九講 當前數據中心的改造和轉換分析
1)主流商業大數據解決方案比較
2)主流開源云計算系統比較
3)國內代表性大數據平臺比較
第十講各廠商最新的大數據產品介紹
1)IBM的大數據技術
2)HP的大數據技術
3)Teradata的大數據技術
4)其它廠商的大數據處理
六、培訓目標
1, 全面了解大數據處理技術的相關知識。
2，學習Hadoop的核心技術方法以及應用特征。
3，深入使用Hadoop相關工具在大數據中的使用。
4，掌握傳統數據中心向云計算中心轉換的關鍵技術。
【