一、大数据分析挖掘技术介绍
|
1、map/reduce
2、mahout数据挖掘
3、sql on hadoop
4、spark生态体系
5、R语言
6、MPI并行计算
7、GPU并行计算（深度学习）
8、java并行计算框架 |
| 二、常用机器学习算法原理 |
1、决策树
2、随机森林
3、协同过滤推荐算法(余弦相似、修正余弦)
4、Jaccard算法
5、朴素贝叶斯算法
6、k-means聚类算法
7、pagerank算法
8、逻辑回归
9、图计算 |
| 三、大数据挖掘业务场景和生产平台 |
1、互联网金融业务—如何构建阿里金融系统
2、银行客户需求业务
3、大数据分析生产平台
4、推荐/广告系统的原理、架构、模型、验证等。
5、基于GBDT的组合模型架构 |
| 四、编程实践（动手） |
1、迭代类机器学习编程入门-求圆周率
2、pagerank的并行化实现（*）
3、逻辑回归算法的java实现
4、决策树c45,id3的java实现
5、随机森林和全树并行化实现
6、训练数据和结果模拟器
7、模型结果规则化处理
8、协同过滤java实现
9、基于图计算的推荐java实现
|
| 五、神经网络及深度学习 |
1、什么是神经网络算法
2、多层神经网络程序如何实现（java程序）
3、神经网络数学原理（误差函数、梯度下降求最小值、更新权重和截距）
4、推导需要的最小化数学知识（导数和偏导数、导数运算、梯度下降原理）
5、数学推导过程
6、什么是深度学习
7、深度学习的计算过程
8、深度学习如何训练
9、深度学习和神经网络的关系是什么
10、图像识别原理 |
