ELK7 stack开发运维实战

课程主要就ELK、Logstash、Beats、Elasticsearch基础与集群、映射和类型、索引模板、基础查询、聚合查询、Kibana基础、集群故障诊断、ES集群规划、索引生命周期管理、冷热分离架构、集群调优策略、集群节点维护，配套实战案例与项目全部基于真实数据集与实际任务展开，结合企业级框架进行建模实战。由浅入深，每一个理论搭配一个实验，且侧重技能不同，学员的知识体系会更加全面。

PySpark机器学习从入门到精通

☆☆☆☆☆课程亮点： * 实战案例-网络故障分析之数据探索 * 实战案例-网络故障分析之算法建模 * 实战案例-垃圾短信分类 * 实战案例-电影推荐系统实战课程主要就RDD操作、使用Pair RDDs聚合数据、编写和部署Spark应用、Spark SQL和DataFrames、Spark Streaming基础、机器学习技术介绍、PySpark MLlib、特征抽取、转化和选择、算法、文本分析、神经网络、推荐系统等，配套实战案例与项目全部基于真实数据集与实际任务展开，结合企业级框架进行建模实战。由浅入深，每一个理论搭配一个实验，且侧重技能不同，学员的知识体系会更加全面。

AIOps智能运维实战

☆☆☆☆☆课程亮点： * 实战案例-时序预测 * 实战案例-时序数据异常点检测 * 实战案例-报警收敛之apriori * 实战案例-根因分析课程主要就AIOps、分布式日志采集、时序数据库、大数据平台、时序预测、数据异常检测、故障诊断和分析策略、根因分析等，配套实战案例与项目全部基于真实数据集与实际任务展开，结合企业级框架进行建模实战。由浅入深，每一个理论搭配一个实验，且侧重技能不同，学员的知识体系会更加全面。

ELK入门精讲

课程主要就ELK，Elasticsearch与Kibana，配套实战及案例展开。由浅入深，每一个理论搭配一个实验，引领学员浸泡逐步掌握ELK。

时序数据库实战之Influxdb 2.0

课程主要就时序数据库介绍，InfluxDB 2.0基础，Influxdb 2.0写入数据，Flux数据脚本语言，InfluxQL与InfluxDB可视化，配套实战及案例展开。由浅入深，每一个理论搭配一个实验，引领学员浸泡逐步掌握时序数据库和Influxdb 2.0的使用。

数据分析思维及方法

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。课程主要就认识数据分析，数据分析思维，数据分析方法，数据分析业务场景应用，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级数据分析的技巧。

企业级大数据管理员课程

本课程主要讲解在实际项目开发中，企业构建大数据平台的方案及实战。详细阐述企业级大数据平台的架构设计、机器选型、集群规划、技术选型、资源规划等技术方案。实战演练基于Cloudera Manager安装部署、监控管理、运营维护大数据平台的各个服务组件。从理论经验到实战演练，从设计思想到流程实施。

联邦学习

课程主要就联邦学习介绍，联邦学习算法原理，联邦学习算法分类，联邦学习算法实现与优化和联邦学习应用案例，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级智能的技巧。

机器学习实战

课程主要就机器学习基本流程，数据预处理和特征工程，机器学习算法和算法调优，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级智能的技巧。

运筹优化

课程主要就运筹优化介绍与约束规划，动态规划，分配问题，路由问题，调度问题和路径规划问题，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级智能的技巧。

数据治理

课程主要就数据治理，Atlas和Cloudera Navigator，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级智能的技巧。

数据湖和CDP

课程主要就大数据架构实现与应用场景，数据湖和CDP，配套企业项目案例展开。由浅入深，引领学员浸泡逐步掌握企业级智能的技巧。

大数据技术应用-企业级

数字化转型01-数字化转型的背景与三个层次 大数据关键技术02-大数据挑战与特征 03-大数据系统架构演进 04-Hadoop核心设计与大数据技术演进 05-大数据平台架构 06-大数据处理流程 07-Hadoop-主流厂家产品对比 企业建设大数据平台08-企业构建大数据体系 09-Cloudera企业级数据中心 10-企业数据应用过程中的难题 11-企业数据应用过程中的解决方案 12-大数据+MES与石化大数据平台应用架构  

人工智能：深度学习入门到精通实战

                《人工智能：深度学习入门到精通实战》课程主要就人工智能领域相关的深度学习基础、深度学习计算、卷积神经网络+经典网络、循环神经网络+RNN进阶、优化算法、计算机视觉和自然语言处理等，配套实战案例与项目全部基于真实数据集与实际任务展开，结合深度学习框架进行建模实战。                 由浅入深，每一个理论搭配一个实验，引领学员浸泡式逐步掌握各项技能和实战项目，且侧重技能不同，学员的知识体系会更加全面 课程大纲： 第一章：深度学习基础-深度学习简介 01.1-前置知识 01.2-传统编程与数据编程 01.3-深度学习起源 01.4-深度学习崛起与发展 01.5-深度学习成功案例 01.6-深度学习特点   第二章：深度学习基础-Python基础 02.1-PyTorch介绍与环境配置 02.2-数据操作与创建Tensor 02.3-算术操作、索引与改变形状 02.4-线性代数、广播机制与内存开销 02.5-Tensor和NumPy相互转换与Tensor on GPU 02.6-实验01-创建和使用Tensor-1 02.7-实验01-创建和使用Tensor-2 02.8-梯度下降 02.9-实验02-梯度下降-1 02.10-实验02-梯度下降-2 02.11-自动求梯度概念 02.12-自动求梯度实例 02.13-实验03-自动求梯度-1 02.14-实验03-自动求梯度-2   第三章：深度学习基础-线性回归 03.1-线性回归讲解 03.2-线性回归实例 03.3-实验04-从零实现线性回归-1 03.4-实验04-从零实现线性回归-2 03.5-实验05-线性回归的简洁实现-1 03.6-实验05-线性回归的简洁实现-2   第四章：深度学习基础-softmax回归 04.1-softmax回归 04.2-实验06-FashionMNIST 04.3-实验07-从零实现Softmax回归-1 04.4-实验07-从零实现Softmax回归-2 04.5-实验08-softmax回归的简洁实现   第五章：深度学习基础-多层感知机 05.1-感知机 05.2-多层感知机 05.3-多层感知机与神经网络 05.4-激活函数 05.5-正向传播 05.6-反向传播 05.7-正向传播和反向传播 05.8-批大小 05.9-实验09-从零实现MLP 05.10-实验10-MLP的简洁实现   第六章：深度学习基础-模型选择、欠拟合和过拟合 06.1-训练误差和泛化误差 06.2-模型选择 06.3-欠拟合和过拟合 06.4-权重衰减 06.5-丢弃法 06.6-实验11-多项式函数拟合实验 06.7-实验12-高维线性回归实验-1 06.8-实验12-高维线性回归实验-2 06.9-实验13-Dropout   第七章：深度学习基础-数值稳定性和模型初始化 07.1-数值稳定性和模型初始化-1 07.2-数值稳定性和模型初始化-2 07.3-实验14-房价预测案例-1 07.4-实验14-房价预测案例-2 07.5-实验14-房价预测案例-3   第八章：深度学习计算-模型构造 08.1-模型构造-1 08.2-模型构造-2 08.3-模型构造-3 08.4-实验15-模型构造-1 08.5-实验15-模型构造-2   第九章：深度学习计算-模型参数的访问、初始化和共享 09.1-模型参数的访问 09.2-模型参数初始化和共享 09.3-实验16-模型参数-1 09.4-实验16-模型参数-2   第十章：深度学习计算-自定义层与读取和储存 10.1-不含模型参数的自定义层 10.2-含模型参数的自定义层 10.3-实验17-自定义层 10.4-读取和储存 10.5-GPU计算 10.6-实验18-读取和储存     第十一章：卷积神经网络 11.01-卷积神经网络 11.02-卷积神经网络的组成层 11.03-图像分类的局限性 11.04-二维卷积层与卷积层 11.05-卷积在图像中的直观作用 11.06-实验19-二维卷积层 11.07-填充与步幅 11.08-卷积过程 11.09-卷积层参数-1 11.10-卷积层参数-2 11.11-实验20-Pad和Stride 11.12-多输入和输出通道 11.13-实验21-多通道 11.14-池化层 11.15-实验22-池化层   第十二章：经典网络 12.01-卷积神经网络 12.02-实验23-LeNet模型 12.03-深度卷积神经网络 12.04-实验24-AlexNet模型 12.05-使用重复元素的网络 12.06-实验25-VGG模型 12.07-网络中的网络 12.08-实验26-NiN模型 12.09-含并行连接的网络 12.10-实验27-GoogLeNet模型 12.11-批量归一化-1 12.12-批量归一化-2 12.13-实验28-批量归一化 12.14-残差网络 12.15-实验29-残差网络 12.16-稠密连接网络 12.17-实验30-稠密连接网络   第十三章：循环神经网络 13.01-语言模型和计算 13.02-n元语法 13.03-RNN和RNNs 13.04-标准RNN向前输出流程和语言模型应用 13.05-vector-to-sequence结构 13.06-实验31-语言模型数据集-1 13.07-实验31-语言模型数据集-2 13.08-实验32-从零实现循环神经网络-1 13.09-实验32-从零实现循环神经网络-2 13.10-实验32-从零实现循环神经网络-3 13.11-实验32-从零实现循环神经网络-4 13.12-实验33-简洁实现循环神经网络-1 13.13-实验33-简洁实现循环神经网络-2   第十四章：RNN进阶 14.01-通过时间反向传播-1 14.02-通过时间反向传播-2 14.03-长短期记忆-1 14.04-长短期记忆-2 14.05-实验34-长短期记忆网络-1 14.06-实验34-长短期记忆网络-2 14.07-门控循环单元 14.08-RNN扩展模型 14.09-实验35-门控循环单元   第十五章：优化算法 15.01-优化与深度学习 15.02-局部最小值和鞍点 15.03-提高深度学习的泛化能力 15.04-实验36-小批量梯度下降-1 15.05-实验36-小批量梯度下降-2 15.06-动量法-1 15.07-动量法-2 15.08-实验37-动量法 15.09-AdaGrad算法与特点 15.10-实验38-AdaGrad算法 15.11-RMSrop算法 15.12-实验39-RMSProp算法 15.13-AdaDelta算法 15.14-实验40-AdaDelta算法 15.15-Adam算法 15.16-实验41-Adam算法 15.17-不用二阶优化讲解与超参数   第十六章：计算机视觉 16.01-图像增广与挑战 16.02-翻转、裁剪、变化颜色与叠加 16.03-实验42-图像增广-1 16.04-实验42-图像增广-2 16.05-微调 16.06-迁移学习 16.07-实验43-微调-1 16.08-实验43-微调-2 16.09-目标检测 16.10-边界框 16.11-实验44-边界框 16.12-锚框与生成多个锚框 16.13-交并比 16.14-实验45-生成锚框-1 16.15-实验45-生成锚框-2 16.17-标注训练集的锚框-1 16.18-标注训练集的锚框-2 16.19-实验46-标注训练集的锚框-1 16.20-实验46-标注训练集的锚框-2 16.21-实验46-标注训练集的锚框-3 16.22-输出预测边界框 16.23-实验47-输出预测边界框-1 16.24-实验47-输出预测边界框-2 16.25-多尺度目标检测 16.26-实验48-多尺度目标检测 16.27-目标检测算法分类 16.28-SSD与模型设计 16.29-预测层 16.30-损失函数 16.31-SSD预测 16.32-实验49-目标检测数据集 16.33-实验50-SSD目标检测-1 16.34-实验50-SSD目标检测-2 16.35-实验50-SSD目标检测-3 16.36-实验50-SSD目标检测-4 16.37-实验50-SSD目标检测-5 16.38-实验50-SSD目标检测-6   第十七章：自然语言处理 17.01-词嵌入和词向量 17.02-神经网络模型 17.03-跳字模型 17.04-训练跳字模型 17.05-连续词袋模型 17.06-负采样 17.07-层序softmax 17.08-子词嵌入 17.09-Fasttext模型 17.10-全局向量的词嵌入 17.11-实验51-word2vec之数据预处理-1 17.12-实验51-word2vec之数据预处理-2 17.13-实验52-word2vec之负采样-1 17.14-实验52-word2vec之负采样-2 17.15-实验53-word2vec之模型构建-1 17.16-实验53-word2vec之模型构建-2 17.17-实验54-求近义词和类比词-1 17.18-实验54-求近义词和类比词-2 17.19-实验55-文本情感分类RNN-1 17.20-实验55-文本情感分类RNN-2 17.21-实验55-文本情感分类RNN-3 17.22-实验55-文本情感分类RNN-4 17.23-TextCNN 17.24-TextCNN流程 17.25-实验56-文本情感分类textCNN-1 17.26-实验56-文本情感分类textCNN-2 17.27-Seq2Seq的历史与网络架构 17.28-Seq2Seq的应用与存在的问题 17.29-Attention机制与Bucket机制 17.30-实验57-机器翻译之模型构建-1 17.31-实验57-机器翻译之模型构建-2 17.32-实验57-机器翻译之模型构建-3 17.33-实验58-机器翻译之训练评估-1 17.34-实验58-机器翻译之训练评估-2 17.35-实验58-机器翻译之训练评估-3

vue项目开发实战

课程介绍：          《Vue项目开发实战》Vue.js是一套构建用户界面的渐进式框架。与其他重量级框架不同的是，Vue 采用自底向上增量开发的设计。            Vue 的核心库只关注视图层，并且非常容易学习，非常容易与其它库或已有项目整合。另一方面，Vue 完全有能力驱动采用单文件组件和Vue生态系统支持的库开发的复杂单页应用。Vue.js 的目标是通过尽可能简单的 API 实现响应的数据绑定和组合的视图组件。             本课程从构建一个Vue开发项目到部署应用实践，由浅入深，引领学员逐步掌握各项技能，实战项目，且侧重技能不同，学员的知识体系会更加全面课程内容涵盖：                Vue入门                显示todo列表/添加todo                删除/编辑todo                自定义指令实现自动聚焦                筛选                本地存储                组件化todo应用                Vue-cli

Django REST framework 项目开发实战

课程介绍：          《Django REST framework项目开发实战》从构建一个Django REST framework开发项目到部署应用实践，由浅入深，引领学员逐步掌握各项技能，实战项目，且侧重技能不同，学员的知识体系会更加全面课程内容涵盖：                Django REST framework 介绍                Django REST framework API                分页                详情接口                加缓存为接口提速                API版本管理                限制接口访问频率学习基础：         Python基础                                      熟练Django： https://edu.csdn.net/course/detail/30834 

Django项目开发实战

课程介绍：          《Django项目开发实战》从构建一个Django开发项目到部署应用实践，由浅入深，引领学员逐步掌握各项技能          课程内容涵盖                Django项目环境和模型准备                Django主页和后台实现                Blog项目详情页实现                页面优化                项目部署课程特点：          1、实战项目，且侧重技能不同，学员的知识体系会更加全面          2、从基础的构建一个Django开发项目到Nginx+Gunicorn+supervisor部署应用，帮助学员理解技术深层次的本质关系

python基础及自动化运维

课程介绍：     《python基础及自动化运维》从Python语言讲解到Python自动化运维应用实践，由浅入深，引领学员逐步掌握自动化运维的各项技能课程特点：       1、课程理论+实战项目，且侧重技能不同，学员的知识体系会更加全面       2、从基础的Python语言到Python自动化运维技术，帮助学员理解技术深层次的本质关系

自然语言处理

大数据平台运维实战案例分享 第一季

1.HDFS运维思路和技巧 2.HDFS运维实战案例分析 3.集群资源管理 4.CDH集群hdfs运维实战经验分享 5.HBase运维思路和技巧 6.HBase运维实战案例分析 7.YARN运维实战技巧 8.CDH集群yarn运维实战经验分享 9.CDH版本对比 10.CDP新特性演示 11.CM和CDH的升级 12.添加节点和卸载CDH 13.CDP安装 14.HBASE运维案例分享 15.Hive运维思路和技巧 16.Hive运维实战案例分析 17.CDH集群hive运维实战经验分享 18.Kerberos认证配置 19.CM迁移