宁波大数据工程师培训

链接:

信息平台在大数据领域应用实践综合分析的基础上，结合信息系统、决策支持等理论，从背景趋势、体系框架、理论方法、决策分析、应用现状等方面，全面、详细地对交通物流大数据决策分析体系进行了系统介绍。

目前大数据培训机构提供的课程大约有两种：一是大数据开发，二是数据分析与挖掘。大数据培训一般指大数据开发，不需要数学和统计学基础，学习的内容大概有：

0基础：

第一阶段： Java开发·

第二阶段： 大数据基础·

第三阶段： Hadoop生态体系·

第四阶段： Spark生态系统·

第五阶段： 项目实战

提高班：

第一阶段：大数据基础·

第二阶段：Hadoop生态体系·

第三阶段：Spark生态系统·

第四阶段：项目实战

浙江工商职业技术学院地址在浙江省宁波市机场路1988号，该校是浙江省人民政府首批批准成立的四所全日制公办普通高等职业院校之一，是浙江省示范性高等职业院校。

浙江工商职业技术学院是浙江省人民政府首批批准成立的四所全日制公办普通高等职业院校之一，前身为创建于1914年的“宁波公立甲种商业学校”。 百年来，学校秉承“厚德、进业、明智、笃行”的校训，坚持“质量立校、服务兴校、管理促校、特色强校”的办学思想和“教师为基、学生为本”的办学理念，传承和发扬百年商贸教育和宁波商帮的优良传统，逐步形成了“传承宁波商帮精神，培育现代商帮人才”的办学特色。学校坚持以适应区域经济社会发展为导向，适时调整和优化专业结构，成为了一所“工、商”并重，对接地方经济和产业发展需求的现代化高等职业技术学院，被誉为“宁波商帮文化的摇篮”。 学校主校区位于中国商业名城、现代化的国际港口城市——宁波，现有占地面积551亩（其中位于宁海的产学研基地150亩），建筑面积24万平方米，教学仪器设备总值亿元，图书馆藏书170万余册（其中纸质90万册）。全日制在校生9000多人，成教学生8000余人。现有教职员工700余人，专任教师400余人，其中副高及以上职称教师140余人，硕士及以上学位教师200余人，专业基础课和专业课教师中“双师素质”教师270余人。 学校现为全国高职专科人才培养工作水平评估优秀学校、浙江省示范性高等职业院校，设有商学院、电子与信息工程学院、建筑与艺术学院、国际交流学院、宁海学院、电子商务学院等6个二级分院，以及公共课教学部和成人与继续教育学院，宁波市电子商务学院也落户我校。共拥有35个专业，其中4个国家级重点专业、14个省级重点专业、7个市级重点专业；5门国家级精品课程、19门省级精品课程；3个中央财政支持的实训基地、3个省级示范性实训基地，宁海产学研基地荣获“中国模具产学研合作创新示范基地”；3个省级高校教学团队、14名省级专业带头人、2名省教学名师、1名省新世纪“151”人才、1名宁波市有突出贡献专家、7名宁波市领军和拔尖人才。已获得国家级教学成果二等奖1项，省科技进步三等奖1项，省级教学成果一等奖3项、二等奖4项，市级教学成果一等奖6项。同时，学校是浙江省首批国家级职业技能鉴定所之一，为浙江省首批国家级电子信息产业人才培训基地。2008年荣获宁波市教育服务经济贡献奖二等奖，2011年、2013年、2014年、2015年连续四年荣获“中国产学研合作促进奖”。在中国统计信息服务中心联合曲阜师范大学成立的中国教育大数据研究院发布的我国首份基于大数据、算法模型的《中国普通高等院校2015年声誉指数研究报告》数据显示，在2015年度普通高等专科院校声誉指数排名中，我校位居全省第一，全国第39名。另外，在2015年全省高校毕业生职业发展与人才培养质量调查中荣获高职专科综合排名第六。 在办学过程中，学校利用良好的国际国内环境，加强与国内外企业、学校和政府的合作交流，探索实践“总部—基地”办学的县校合作模式、“点、线、面”结合的校企合作模式和“四个结合”的人才培养模式，教育教学改革和内涵建设成效显著，人才培养质量稳步提升。 学校以产学研合作教育为突破口，不断推进多层次、多渠道合作办学。以订单培养、进厂建室、引厂入校等方式，与龙头和骨干企业开展“点对点”合作，如与美国GE公司合作，在校内建成了省内第一个自动化系统集成工程师培训中心和技能认证中心；以引协会（学会）入校、校会深度合作等方式，与行业协会（学会）开展“点对线”合作，已有宁波市工业设计学会等4家协会、学会落户学校，并与宁波市模具行业协会等多家协会、行业指导委员会建立了深度合作关系，宁波市电子商务职业教育行业指导委员会和宁波市影视动画职业教育行业指导委员会也落户我校；与宁海、慈溪、鄞州等地开展“县（市区）校合作”，先后建成宁海和慈溪两个产学研基地，形成了“一体两翼”的办学格局。其中依托宁海产学研基地形成的“总部—基地”办学的县校合作模式，创造性地将产学研合作的内涵扩展到了人才培养、技术升级、服务社会、文化引领，走出了一条政、产、学、研相结合的协同发展道路，实现了校、企、政、区多方共赢，被《中国青年报》、《光明日报》等媒体评价为“中国高职教育的‘宁海模式’”和“成为专家学者解读高职院校县校合作模式的范本”。

以下介绍的课程主要针对零基础大数据工程师每个阶段进行通俗易懂简易介绍，方面大家更好的了解大数据学习课程。课程框架是科多大数据的零基础大数据工程师课程。一、 第一阶段：静态网页基础(HTML+CSS)1. 难易程度：一颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：html常用标签、CSS常见布局、样式、定位等、静态页面的设计制作方式等4. 描述如下：从技术层面来说，该阶段使用的技术代码很简单、易于学习、方便理解。从后期课程层来说，因为我们重点是大数据，但前期需要锻炼编程技术与思维。经过我们多年开发和授课的项目经理分析，满足这两点，目前市场上最好理解和掌握的技术是J2EE，但J2EE又离不开页面技术。所以第一阶段我们的重点是页面技术。采用市场上主流的HTMl+CSS。二、 第二阶段：JavaSE+JavaWeb1. 难易程度：两颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：java基础语法、java面向对象(类、对象、封装、继承、多态、抽象类、接口、常见类、内部类、常见修饰符等)、异常、集合、文件、IO、MYSQL(基本SQL语句操作、多表查询、子查询、存储过程、事务、分布式事务)JDBC、线程、反射、Socket编程、枚举、泛型、设计模式4. 描述如下：称为Java基础，由浅入深的技术点、真实商业项目模块分析、多种存储方式的设计与实现。该阶段是前四个阶段最最重要的阶段，因为后面所有阶段的都要基于此阶段，也是学习大数据紧密度最高的阶段。本阶段将第一次接触团队开发、产出具有前后台(第一阶段技术+第二阶段的技术综合应用)的真实项目。三、 第三阶段：前端框架1. 难易程序：两星2. 课时量(技术知识点+阶段项目任务+综合能力)：64课时3. 主要技术包括：Java、Jquery、注解反射一起使用，XML以及XML解析、解析dom4j、jxab、新特性、SVN、Maven、easyui4. 描述如下：前两个阶段的基础上化静为动，可以实现让我们网页内容更加的丰富，当然如果从市场人员层面来说，有专业的前端设计人员，我们设计本阶段的目标在于前端的技术可以更直观的锻炼人的思维和设计能力。同时我们也将第二阶段的高级特性融入到本阶段。使学习者更上一层楼。四、 第四阶段：企业级开发框架1. 难易程序：三颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：Hibernate、Spring、SpringMVC、log4j slf4j 整合、myBatis、struts2、Shiro、redis、流程引擎activity， 爬虫技术nutch,lucene，webServiceCXF、Tomcat集群和热备、MySQL读写分离4. 描述如下：如果将整个JAVA课程比作一个糕点店，那前面三个阶段可以做出一个武大郎烧饼(因为是纯手工-太麻烦)，而学习框架是可以开一个星巴克(高科技设备-省时省力)。从J2EE开发工程师的任职要求来说，该阶段所用到的技术是必须掌握，而我们所授的课程是高于市场(市场上主流三大框架，我们进行七大框架技术传授)、而且有真实的商业项目驱动。需求文档、概要设计、详细设计、源码测试、部署、安装手册等都会进行讲解。五、 第五阶段： 初识大数据1. 难易程度：三颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：大数据前篇(什么是大数据，应用场景，如何学习大数据库，虚拟机概念和安装等)、Linux常见命令(文件管理、系统管理、磁盘管理)、Linux Shell编程(SHELL变量、循环控制、应用)、Hadoop入门(Hadoop组成、单机版环境、目录结构、HDFS界面、MR界面、简单的SHELL、java访问hadoop)、HDFS(简介、SHELL、IDEA开发工具使用、全分布式集群搭建)、MapReduce应用(中间计算过程、Java操作MapReduce、程序运行、日志监控)、Hadoop高级应用(YARN框架介绍、配置项与优化、CDH简介、环境搭建)、扩展(MAP 端优化，COMBINER 使用方法见,TOP K,SQOOP导出,其它虚拟机VM的快照,权限管理命令,AWK 与 SED命令)4. 描述如下：该阶段设计是为了让新人能够对大数据有一个相对的大概念怎么相对呢?在前置课程JAVA的学习过后能够理解程序在单机的电脑上是如何运行的。现在，大数据呢?大数据是将程序运行在大规模机器的集群中处理。大数据当然是要处理数据，所以同样，数据的存储从单机存储变为多机器大规模的集群存储。(你问我什么是集群?好，我有一大锅饭，我一个人可以吃完，但是要很久，现在我叫大家一起吃。一个人的时候叫人，人多了呢? 是不是叫人群啊!)那么大数据可以初略的分为： 大数据存储和大数据处理所以在这个阶段中呢，我们课程设计了大数据的标准：HADOOP大数据的运行呢并不是在咋们经常使用的WINDOWS 7或者W10上面，而是现在使用最广泛的系统：LINUX。六、 第六阶段：大数据数据库1. 难易程度：四颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：Hive入门(Hive简介、Hive使用场景、环境搭建、架构说明、工作机制)、Hive Shell编程(建表、查询语句、分区与分桶、索引管理和视图)、Hive高级应用(DISTINCT实现、groupby、join、sql转化原理、java编程、配置和优化)、hbase入门、Hbase SHELL编程(DDL、DML、Java操作建表、查询、压缩、过滤器)、细说Hbase模块(REGION、HREGION SERVER、HMASTER、ZOOKEEPER简介、ZOOKEEPER配置、Hbase与Zookeeper集成)、HBASE高级特性(读写流程、数据模型、模式设计读写热点、优化与配置)4. 描述如下：该阶段设计是为了让大家在理解大数据如何处理大规模的数据的同时。简化咋们的编写程序时间，同时提高读取速度。怎么简化呢?在第一阶段中，如果需要进行复杂的业务关联与数据挖掘，自行编写MR程序是非常繁杂的。所以在这一阶段中我们引入了HIVE，大数据中的数据仓库。这里有一个关键字，数据仓库。我知道你要问我，所以我先说，数据仓库呢用来做数据挖掘分析的，通常是一个超大的数据中心，存储这些数据的呢，一般为ORACLE,DB2,等大型数据库，这些数据库通常用作实时的在线业务。总之，要基于数据仓库分析数据呢速度是相对较慢的。但是方便在于只要熟悉SQL，学习起来相对简单，而HIVE呢就是这样一种工具，基于大数据的SQL查询工具，这一阶段呢还包括HBASE，它为大数据里面的数据库。纳闷了，不是学了一种叫做HIVE的数据“仓库”了么?HIVE是基于MR的所以查询起来相当慢，HBASE呢基于大数据可以做到实时的数据查询。一个主分析，另一个主查询七、 第七阶段：实时数据采集1. 难易程序：四颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：Flume日志采集，KAFKA入门(消息队列、应用场景、集群搭建)、KAFKA详解(分区、主题、接受者、发送者、与ZOOKEEPER集成、Shell开发、Shell调试)、KAFKA高级使用(java开发、主要配置、优化项目)、数据可视化(图形与图表介绍、CHARTS工具分类、柱状图与饼图、3D图与地图)、STORM入门(设计思想、应用场景、处理过程、集群安装)、STROM开发(STROM MVN开发、编写STORM本地程序)、STORM进阶(java开发、主要配置、优化项目)、KAFKA异步发送与批量发送时效，KAFKA全局消息有序，STORM多并发优化4. 描述如下：前面的阶段数据来源是基于已经存在的大规模数据集来做的，数据处理与分析过后的结果是存在一定延时的，通常处理的数据为前一天的数据。举例场景：网站防盗链，客户账户异常，实时征信，遇到这些场景基于前一天的数据分析出来过后呢?是否太晚了。所以在本阶段中我们引入了实时的数据采集与分析。主要包括了：FLUME实时数据采集，采集的来源支持非常广泛，KAFKA数据数据接收与发送，STORM实时数据处理，数据处理秒级别八、 第八阶段：SPARK数据分析1. 难易程序：五颗星2. 课时量(技术知识点+阶段项目任务+综合能力)3. 主要技术包括：SCALA入门(数据类型、运算符、控制语句、基础函数)、SCALA进阶(数据结构、类、对象、特质、模式匹配、正则表达式)、SCALA高级使用(高阶函数、科里函数、偏函数、尾迭代、自带高阶函数等)、SPARK入门(环境搭建、基础结构、运行模式)、Spark数据集与编程模型、SPARK SQL、SPARK 进阶(DATA FRAME、DATASET、SPARK STREAMING原理、SPARK STREAMING支持源、集成KAFKA与SOCKET、编程模型)、SPARK高级编程(Spark-GraphX、Spark-Mllib机器学习)、SPARK高级应用(系统架构、主要配置和性能优化、故障与阶段恢复)、SPARK ML KMEANS算法，SCALA 隐式转化高级特性4. 描述如下：同样先说前面的阶段，主要是第一阶段。HADOOP呢在分析速度上基于MR的大规模数据集相对来说还是挺慢的，包括机器学习，人工智能等。而且不适合做迭代计算。SPARK呢在分析上是作为MR的替代产品，怎么替代呢? 先说他们的运行机制，HADOOP基于磁盘存储分析，而SPARK基于内存分析。我这么说你可能不懂，再形象一点，就像你要坐火车从北京到上海，MR就是绿皮火车，而SPARK是高铁或者磁悬浮。而SPARK呢是基于SCALA语言开发的，当然对SCALA支持最好，所以课程中先学习SCALA开发语言。在科多大数据课程的设计方面，市面上的职位要求技术，基本全覆盖。而且并不是单纯的为了覆盖职位要求，而是本身课程从前到后就是一个完整的大数据项目流程，一环扣一环。比如从历史数据的存储，分析(HADOOP,HIVE,HBASE)，到实时的数据存储(FLUME,KAFKA)，分析(STORM,SPARK)，这些在真实的项目中都是相互依赖存在的。

我觉得选择机构，在脏乱差的环境，心情都不好，学习就更不用说了。除了保证基本的学习条件，学习的氛围也很重要。上课有没有打瞌睡的，后排有没有玩游戏的，甚至晚自习是不是都在认真自习，都可见一斑。“百闻不如一见”，如果是真有心求学的同学，相信一定会到现场仔细甄别。所以择校时候可以参考这边，31年的互联网it学校的