我要預訂

咨詢電話：027-5111 9925 , 027-5111 9926手機：18971071887郵箱：Service@mingketang.com

課程背景

Hadoop生態(tài)系統(tǒng)是大數(shù)據(jù)技術事實標準，是大數(shù)據(jù)思想、理念、機制的具體實現(xiàn)，是整個大數(shù)據(jù)技術中公認的核心框架和具有極強的使用價值與研究價值。Hadoop 系統(tǒng)是一款開源軟件，能夠處理海量的各種結構（包括結構化、非結構化、半結構化）的數(shù)據(jù)。

Yarn是基于Hadoop的分布式集群資源管理框架；隨著Hadoop集群應用的廣泛，以及集群的規(guī)模越來越大，人們發(fā)現(xiàn)Hadoop MRv1存在諸多問題，因此Hadoop MRv2誕生，即現(xiàn)在的YARN，解決了4000節(jié)點的上限問題。

基于 Hadoop 的解決方案能夠幫助企業(yè)應對多個大數(shù)據(jù)挑戰(zhàn)，包括：

1、分析海量（PB 級或者更多）的數(shù)據(jù)

Hadoop 能夠分析所有數(shù)據(jù)，使得分析更準確，預測更精確；

2、從多個數(shù)據(jù)類型的組合中獲得新的洞察力

將來自多個數(shù)據(jù)源的不同類型的數(shù)據(jù)進行結合分析，發(fā)現(xiàn)新的數(shù)據(jù)關系和洞察力；

3、存儲大量的數(shù)據(jù)

由于它不依賴于高端硬件，且是可擴展的，所以使存儲大量數(shù)據(jù)變得經(jīng)濟有效；

4、數(shù)據(jù)發(fā)現(xiàn)(data discovery)和研究的沙箱

Hadoop 提供了一個地方，數(shù)據(jù)科學家可在此發(fā)現(xiàn)新的數(shù)據(jù)關系和相互依賴性。

工業(yè)和信息化部電信研究院于2014年5月發(fā)布的“大數(shù)據(jù)白皮書”中指出：

“2012 年美國聯(lián)邦政府就在全球率先推出“大數(shù)據(jù)行動計劃（Big data initiative）”，重點在基礎技術研究和公共部門應用上加大投入。在該計劃支持下，加州大學伯克利分校開發(fā)了完整的大數(shù)據(jù)開源軟件平臺“伯克利數(shù)據(jù)分析軟件棧（Berkeley Data Analytics Stack），其中的內存計算軟件Spark的性能比Hadoop 提高近百倍，對產業(yè)界大數(shù)據(jù)技術走向產生巨大影響”

----來源：工業(yè)和信息化部電信研究院

Spark是成為替代MapReduce架構的大數(shù)據(jù)分析技術，Spark的大數(shù)據(jù)生態(tài)體系包括流處理、圖技術、機器學習等各個方面，并且已經(jīng)成為Apache頂級項目，可以預計的是2014年下半年到2015年在社區(qū)和商業(yè)應用上會有爆發(fā)式的增長。

國內外一些大型互聯(lián)網(wǎng)公司已經(jīng)部署了Spark，并且它的高性能已經(jīng)得到實踐的證明。國外Yahoo已在多個項目中部署Spark，尤其在信息推薦的項目中得到深入的應用；國內的淘寶、愛奇異、優(yōu)酷土豆、網(wǎng)易、baidu、騰訊等大型互聯(lián)網(wǎng)企業(yè)已經(jīng)將Spark應用于自己的生產系統(tǒng)中。國內外的應用開始越來越廣泛。Spark正在逐漸走向成熟，并在這個領域扮演更加重要的角色。

在2014 Spark Summit上，世界20家頂級公司聲明支持Spark，這些公司包括了最大的四個Hadoop發(fā)行商Cloudera, Pivotal, MapR, Hortonworks，都提供了對非常強有力的支持Spark的支持：

1、Hadoop的頭號發(fā)行商Cloudera，在2014年7月份宣布“Impala’s it for interactive SQL on Hadoop; everything else will move to Spark”；

2、2014年5月24日Pivotal宣布了會把整個Spark stack包裝在Pivotal HD Hadoop發(fā)行版里面；這標志著四個Hadoop發(fā)行商Cloudera、Pivotal、MapR、Hortonworks都提供了對Spark的支持；

3、2014年4月，Mahout表示將不再接受任何形式的以MapReduce形式實現(xiàn)的算法，機器學習宣布新的算法基于Spark；

4、Cloudera的機器學習框架Oryx的執(zhí)行引擎也將由Hadoop的MapReduce替換成Spark；

SparkML是Hadoop家族中與眾不同的一個成員，是一個基于Hadoop的機器學習和數(shù)據(jù)挖掘的分布式計算框架。SparkML是一個跨學科產品，同時也是Hadoop家族中最有競爭力、最難掌握、最值得學習的一個項目。SparkML為數(shù)據(jù)分析人員，降低了大數(shù)據(jù)的門檻；為算法工程師，提供基礎的算法庫；為Hadoop開發(fā)人員，提供了數(shù)據(jù)建模的標準；為運維人員，打通了和Hadoop連接。

培訓目標

1、深入理解分布式原理與實現(xiàn)技術；

2、分布式文件系統(tǒng)操作能力，以HDFS為例講解；

3、從代碼的角度深入剖析MapReduce執(zhí)行的具體過程；

4、培養(yǎng)學員具有分布式批處理計算框架的開發(fā)MapReduce代碼的能力；

5、使學員掌握MapReduce內部運行和實現(xiàn)細節(jié)并改造MapReduce的能力；

6、使學員掌握分布式并行計算引擎的使用能力，如Spark、Impala等；

7、使學員掌握分布式數(shù)據(jù)庫的使用能力，如HBase、MySQL Cluster、Redis等；

8、具備分布式流計算的開發(fā)能力，如SparkStreaming、Storm等；

培訓對象

1、對大數(shù)據(jù)、分布式存儲、分布式計算等感興趣的朋友；

2、Java、PHP、C等任意一門編程語言的開發(fā)者；

3、大型網(wǎng)站、電商網(wǎng)站等運維人員；

4、云計算、大數(shù)據(jù)從業(yè)者；

5、熟悉Hadoop生態(tài)體系，想了解和學習Hadoop與Spark整合在企業(yè)應用實戰(zhàn)案例的朋友；

6、系統(tǒng)架構師、系統(tǒng)分析師、高級程序員、資深開發(fā)人員；

7、牽涉到大數(shù)據(jù)處理的數(shù)據(jù)中心運行、規(guī)劃、設計負責人；

8、政府機關，金融保險、移動互聯(lián)網(wǎng)等大數(shù)據(jù)單位的負責人；

9、高校、科研院所大數(shù)據(jù)研究人員，涉及到大數(shù)據(jù)與分布式數(shù)據(jù)處理的人員；

10、數(shù)據(jù)倉庫管理人員、建模人員，分析和開發(fā)人員、系統(tǒng)管理人員、數(shù)據(jù)庫管理人員以及對數(shù)據(jù)倉庫感興趣的其他人員；

以課堂講解、演示、案例分析為主，輔以互動研討、現(xiàn)場答疑、學以致用。

課程內容：

第一天

第1個主題：分布式基礎理論知識（深入剖析分布式原理與理論，并為分布式學習奠定基礎）（60分鐘）

1、大數(shù)據(jù)技術

2、分布式技術

3、CAP理

4、BASE思想

5、消息機制

6、分布式協(xié)調器

7、心跳機制

8、日志結構文件系統(tǒng)

9、RWN理論

10、跨操作系統(tǒng)調度資源

第2個主題：Hadoop大數(shù)據(jù)分布式平臺概述（系統(tǒng)性介紹Hadoop大數(shù)據(jù)分布式平臺）（30分鐘）

1、Hadoop是大數(shù)據(jù)架構的事實標準

2、Hadoop工作原理及架構

3、Hadoop生態(tài)體系介紹

4、Hadoop應用現(xiàn)狀

5、Hadoop發(fā)展趨勢

6、Hadoop優(yōu)勢

7、實例分享：雙十一億背后的開源技術

第3個主題：Hadoop分布式集群部署與運維（動手搭建Hadoop集群及運維）（30分鐘）

1、SaltStack

2、Maven

3、禁用IPV6

4、SSH無密碼登錄

5、Hadoop HA部署介紹

6、Hadoop集群部署

7、Hadoop集群的監(jiān)控

8、Hadoop集群的運維

第4個主題：分布式文件操作和存儲（深入理解大數(shù)據(jù)分布式文件系統(tǒng)的原理與機制）（120分鐘）

1、HDFS架構剖析

2、NameNode、DataNode、SecondaryNameNode介紹

3、NodeName高可靠性最佳實踐

4、DataNode中Block劃分的原理和具體存儲方式

5、修改Namenode、DataNode數(shù)據(jù)存儲位置

6、CLI操作HDFS

7、Java操作HDFS

8、RESTful操作HDFS

9、動態(tài)修改Hadoop的Replication數(shù)目

10、Hadoop序列化

11、Hadoop流壓縮

12、Hadoop RPC

13、SequenceFile與MapFile

14、Hadoop Avro

第5個主題：分布式資源調度框架剖析（深入剖析和使用分布式資源調度框架的能力）（30分鐘）

1、YARN介紹

2、YARN的設計思想

3、YARN的核心組件

4、YARN為核心的生態(tài)系統(tǒng)

5、Yarn的 HA機制

6、YARN應用程序編寫

7、ResourceManager深入剖析

8、ClientRMService與AdminService

9、NodeManager深入剖析

10、Container

第6個主題：分布式批處理計算模型MapReduce（深入剖析MapReduce原理及開發(fā)MapReduce程序能力思維方法論）（120分鐘）

1、MapReduce算法剖析

2、MapReduce編程思想

3、MapReduce常用算法

4、MapReduce命令操作

5、wordcount運行過程解析

6、MapReduce如何將HDFS文件轉化為Key-Value供Map解析與處理

7、Hadoop的調度器介紹

8、Combiner的使用原則

9、Partitioner的使用最佳實踐

10、MapReduce排序算法剖析

11、自定義排序算法

12、Hadoop內置的分組算法

13、自定義分組算法

14、MapReduce常見場景和算法實現(xiàn)

15、MapReduce新舊API的區(qū)別以及如何使用API

16、MapReduce程序打包并在命令行運行

17、Hadoop Streaming

18、動態(tài)增加Hadoop的Slave節(jié)點

19、學員動手編寫MapReduce程序

第7個主題：分布式內存數(shù)據(jù)庫（介紹當前主流的分布式內存數(shù)據(jù)庫，深入剖析分布式內存庫系統(tǒng)的原理與機制）（30分鐘）

1、業(yè)界主要應用的分布式內存庫有哪些

2、分布式內存庫的應用情況

a)大數(shù)據(jù)非結構化數(shù)據(jù)的應用場景（TFS）

b)大數(shù)據(jù)歷史明細查詢的應用場景

c)秒殺高并發(fā)的應用場景

d)實時高并發(fā)業(yè)務的應用場景

e)在線實時統(tǒng)計分析的應用場景

3、應用的具體案例

a)分布式內存庫在運營商話單詳單查詢系統(tǒng)中的應用

b)分布式內存庫在金融行業(yè)流水業(yè)務查詢系統(tǒng)中的應用

c)分布式內存庫在微博自媒體業(yè)務中應用

4、分布式內存庫的特性

5、CAP理論

6、BASE思想

7、RWN理論

8、分布式關系型內存庫

a)MySQL Cluster

9、分布式NoSQL列式內存庫

a)HBase

b)Cassandra

c)GemFire

10、分布式文檔內存庫

a)MongoDB

11、案例：GemFire在實時交易系統(tǒng)12306的使用案例分享

第8個主題：分布式協(xié)調器（深入剖析分布式協(xié)調器技術原理和實現(xiàn)技術）（30分鐘）

1、Zookeeper介紹

2、Paxos算法

3、Paxos 算法應用場景

4、Zookeeper的數(shù)據(jù)模型

5、Zookeeper的節(jié)點

6、Zookeeper的角色

7、Zookeeper工作原理

8、Leader選舉

9、部署ZooKeeper

10、Shell操作Zookeeper

11、Java程序操作Zookeeper

12、Zookeeper典型使用場景

第二天

第9個主題：分布式數(shù)據(jù)庫NoSQL技術（深入剖析分布式NoSQL技術及原理并實操）（30分鐘）

1、分布式數(shù)據(jù)庫概述

2、HBase介紹

3、HBase的特點

4、HBase邏輯模型

5、HBase列族與列

6、HBase時間戳

7、行式數(shù)據(jù)庫 vs 列式數(shù)據(jù)庫

8、HBase物理模型

9、數(shù)據(jù)存儲結構:LSM

10、HBase的REST接口

11、HBase安裝部署

12、HBase Shell

13、倒排索引

14、開發(fā)實踐分享：微博

15、HBase應用

16、HBase Filter

17、HBase Coprocessor

第10個主題：分布式NoSQL數(shù)據(jù)庫編程思維訓練（老師帶領學員用HBase在課上親自動手完成微博項目的開發(fā)過程，使學員掌握分布式NoSQL編程思維方法）（90分鐘）

1、HBase開發(fā)環(huán)境搭建過程介紹

2、倒排索引

3、案例實戰(zhàn)：微博項目

4、微博業(yè)務概述

5、微博業(yè)務功能說明

6、微博邏輯架構設計

7、微博開發(fā)使用的組件

8、HBase表結構設計

9、基于HBase的微博表結構設計

10、基于HBase的微博項目代碼開發(fā)

11、基于HBase的微博項目的總結

12、HBase API剖析

13、HBase研發(fā)案例分享

14、HBase應用

15、基于HTable的MapReduce分析

16、HBase Filter

17、HBase Filters

18、SingleColumnValueFilter示例

第11個主題：分布式內存數(shù)據(jù)庫庫Redis（深入剖析Redis的技術原理）（60分鐘）

1、Redis數(shù)據(jù)庫原理

2、Redis數(shù)據(jù)庫應用

3、Redis開發(fā)實踐（倒排索引）

4、Redis開發(fā)調試

5、Redis優(yōu)化

6、Redis發(fā)布訂閱機制剖析

7、Redis集群搭建

8、Codis介紹

9、Codis整體設計

10、Codis架構

11、Codis組件介紹

第12個主題：分布式文檔內存庫MongoDB（深入剖析分布式內存庫MongoDB文檔數(shù)據(jù)庫功能與項目應用案例）（60分鐘）

1、什么是MongoDB

2、MongoDB發(fā)展現(xiàn)狀與趨勢

3、介紹MongoDB基礎概念

4、MongoDB架構剖析

5、MongoDB文檔與集合

6、MongoDB集群搭建

7、MongoDB狀態(tài)監(jiān)控

8、MongoDB安全認證

9、MongoDB備份和恢復

10、MongoDB Shell操作

11、MongoDB數(shù)據(jù)類型

12、文檔的增加、修改與刪除

13、Java訪問MongoDB文檔的調試

14、MongoDB查詢介紹

15、MongoDB MapReduce統(tǒng)計分析

16、MongoDB索引

17、MongoDB性能優(yōu)化

18、MongoDB主從復制

19、MongoDB Sharding分片

20、MongoDB項目案例：運營商話務數(shù)據(jù)分析案例剖析

第13個主題：關系型分布式內存庫MySQL Cluster（深入剖析關系型分布式內存庫MySQL Cluster數(shù)據(jù)庫功能與實現(xiàn)原理）（60分鐘）

1、什么是MySQL Cluster

2、MySQL Cluster發(fā)展現(xiàn)狀與趨勢

3、介紹MySQL Cluster基礎概念

4、MySQL Cluster架構剖析

5、NDB Cluster存儲引擎

6、無共享體系結構

7、管理(MGM)節(jié)點

8、數(shù)據(jù)節(jié)點

9、SQL節(jié)點

10、標準MySQL客戶端

11、MySQL Cluster應用場景

12、案例分享：MySQL Cluster在電商平臺中的應用

第14個主題：分布式并行計算引擎（深入剖析分布式并行計算引擎實現(xiàn)原理）（60分鐘）

1、分布式并行計算引擎概述

2、分布式并行計算引擎原理

3、Spark介紹

4、Spark架構剖析

5、Spark RDD計算模型解析

6、Spark開發(fā)分析

7、Spark的執(zhí)行機制解析

8、Spark的調試與任務分配

9、Spark與MapReduce對比分析

10、Spark的容錯機制剖析

11、Spark集群部署

12、Spark Shell

13、構建與運行Spark應用

14、Spark RDD操作剖析

15、Shark基于Spark的綜合應用

16、Spark作業(yè)測試解析

17、Spark的性能調優(yōu)

18、Spark生態(tài)體系剖析

19、Spark應用現(xiàn)狀

20、Spark應用優(yōu)勢

21、Spark應用案例

22、Spark案例解析

第15個主題：分布式流計算模型（深入剖析分布式流計算模型的實現(xiàn)原理及開發(fā)實戰(zhàn)）（120分鐘）

1、Spark Streaming概述

2、Spark Streaming原理剖析

3、Spark Streaming流數(shù)據(jù)處理框架介紹

4、Spark Streaming編程剖析

5、初始化StreamingContext

6、Discretized Streams (DStreams)

7、輸入DStreams與Receivers

8、基于DStreams的Transformations

9、基于DStreams的輸出操作

10、Accumulators和Broadcast Variables

11、DataFrame和SQL操作

12、MLlib操作

13、Caching與Persistence

14、Checkpointing

15、運行Spark Streaming程序

16、性能調優(yōu)：減少批處理時間

17、性能調優(yōu)：設置正確的批處理間隔時間

18、內存調優(yōu)

19、容錯元語

20、實戰(zhàn)案例：Spark Streaming與Kafka整合實現(xiàn)數(shù)據(jù)實時數(shù)據(jù)分析處理設計與分析

第三天

第16個主題：分布式流計算模型（深入剖析分布式流計算模型的實現(xiàn)原理）（30分鐘）

1、Storm基礎知識

2、Storm集群安裝

3、Storm打包運行測試

4、Storm基本api介紹

5、Storm Topology的并發(fā)度

6、Storm消息機制原理講解

7、Storm DRPC實戰(zhàn)講解

8、Storm Transaction原理

9、Strom Trident編程

10、Storm案例實戰(zhàn)

第17個主題：Storm架構原理剖析與開發(fā)實戰(zhàn)（深入剖析Storm架構原理與實現(xiàn)技術）（60分鐘）

1、Storm基本概念

2、Storm邏輯架構

3、Storm Topology的并發(fā)度

4、進程拓撲關系

5、Storm序列化

6、Storm Topology并發(fā)度配置

7、Storm核心API介紹

8、Storm核心API編程

9、Storm的Ack框架

10、Storm消息機制原理講解

11、Spout的Tail特性

12、Stream Groupings策略

13、實例講解Grouping策略及并發(fā)

14、Storm在高壓力場景下高可靠性實現(xiàn)

15、Storm記錄級容錯的基本原理

16、Storm DRPC整體工作流程

17、DRPC實現(xiàn)框架

18、Storm DRPC實戰(zhàn)講解

19、Storm Windowing原理與實現(xiàn)

20、滑動Windowing

21、滾動Windowing

22、Join Streams

23、Storm RESTful API

24、Storm多語言支持

25、Storm Transaction原理

26、Transactional Topology框架功能

27、Storm事務API及案例分析

28、Storm事務案例實戰(zhàn)

第18個主題：Strom Trident剖析與開發(fā)實戰(zhàn)（深入剖析Storm Trident實現(xiàn)原理及開發(fā)方法）（60分鐘）

1、Strom Trident介紹

2、Trident API介紹

3、Strom Trident消息

4、Strom TridentTopology的構建器

5、Strom Trident的SpoutNode

6、Trident Spout類型

7、Strom Trident的容錯Spout

8、Strom Trident操作與處理節(jié)點

9、Strom Trident中的Bolt

10、Strom Trident的存儲

11、Strom Trident流的基本操作

12、Strom Trident中流的交互操作

13、Strom Trident的執(zhí)行優(yōu)化

14、Strom Trident與DRPC

15、Strom Trident編程實戰(zhàn)

第19個主題：分布式并行計算引擎Impala（分布式計算引擎Impala的工作原理）（120分鐘）

1、分布式并行計算引擎概述

2、Impala介紹

3、Impala是什么

4、Impala與Hive、Pig有何不同

5、Impala與關系數(shù)據(jù)庫有何不同

6、Impala的限制和未來發(fā)展方向

7、運用 Impala Shell

8、Impala分布式集群部署

9、Impala分布式架構原理

10、Impala數(shù)據(jù)模型

11、Impala作業(yè)基本運行原理

12、Impala使用注意事項

13、Impala DDL、DML、SQL、函數(shù)

14、Impala作業(yè)資源占用

15、案例：銀行在線支付統(tǒng)計的案例

16、Impala調優(yōu)可概述

17、Impala參數(shù)調優(yōu)

18、Impala SQL調優(yōu)

19、Impala分區(qū)調優(yōu)

20、其他常用調優(yōu)方法

21、數(shù)據(jù)傾斜處理方法

22、Impala與Shark、Hive、Pig區(qū)別剖析

23、案例：Impala調優(yōu)案例

第20個主題：如何研發(fā)分布式系統(tǒng)？（本主題強調一個好的分布式系統(tǒng)離不開真實的業(yè)務需求）（60分鐘）

1、深入分析企業(yè)業(yè)務數(shù)據(jù)特點

2、TFS思想的應用

3、事務剖析

4、分布式事務剖析

5、分布式系統(tǒng)的職責分離思想

6、大數(shù)據(jù)+簡單算法

7、精準小數(shù)據(jù)+復雜算法

第21個主題：分布式系統(tǒng)架構設計（介紹分布式系統(tǒng)架構設計需要遵循原則與設計技巧）（60分鐘）

1、CAP理論

2、BASE思想

3、日志結構文件系統(tǒng)

4、RWN理論

5、分布式系統(tǒng)遷移策略

a)數(shù)據(jù)遷移

b)計算遷移

6、冷熱分離原則

7、算法優(yōu)化策略

a)讀取+計算+顯示

b)讀取+顯示

8、數(shù)據(jù)序列化

9、RESTful架構剖析

尹老師

多年從事人工智能、深度學習、大數(shù)據(jù)、區(qū)塊鏈、云計算、物聯(lián)網(wǎng)研發(fā)工作經(jīng)驗，資深軟件架構師，數(shù)學博士，北航移動云計算碩士，Cloudera大數(shù)據(jù)認證（圖1），項目管理師（PMP）認證（圖2），移動云計算專家，主要研究方向包括人工智能、深度學習、機器學習、數(shù)據(jù)挖掘、數(shù)據(jù)分析、大數(shù)據(jù)、云計算、移動開發(fā)、互聯(lián)網(wǎng)營銷、電子商務、項目管理等；曾就職于阿里等互聯(lián)網(wǎng)企業(yè)，IBM、華為等知名大型企業(yè)，現(xiàn)任某大型知名互聯(lián)網(wǎng)企業(yè)首席架構，負責人工智能、深度學習、機器學習、數(shù)據(jù)挖掘、數(shù)據(jù)分析、大數(shù)據(jù)、區(qū)塊鏈、云計算、PaaS平臺研發(fā)工作。

IT從業(yè)近二十年，秉承理論與實踐相結合，在學習中實踐，在實踐中學習，積累了豐富的理論與實踐經(jīng)驗，并且樂于將自己的經(jīng)驗分享。尹老師具有敏銳的目光與頭腦，發(fā)現(xiàn)并集成整合社會資源，為企業(yè)節(jié)省資源并創(chuàng)造價值，達到為合作伙伴創(chuàng)收的目的。曾為多家國內知名企業(yè)提供培訓與咨詢，包含阿里集團、華為、中國移動、中國電信、中國聯(lián)通、當當網(wǎng)、中石油、中石化、中國電網(wǎng)、中國銀行、中國工商銀行、浦發(fā)銀行、阿爾卡特朗訊、中航國際等。擁有人工智能、深度學習、機器學習、數(shù)據(jù)挖掘、數(shù)據(jù)分析、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、大流量、高并發(fā)、分布式的大型網(wǎng)站架構和設計經(jīng)驗。曾主導過多個人工智能、深度學習、機器學習、數(shù)據(jù)挖掘、數(shù)據(jù)分析、區(qū)塊鏈、物聯(lián)網(wǎng)、私有云、公有云建設項目，早些年也主導過ERP、CMS等軟件項目，積累了豐富的實踐經(jīng)驗，這些項目中包含多個數(shù)百萬、上千萬的大型項目。項目經(jīng)歷：呼叫中心人工智能客服研發(fā)項目、貴州省政府云呼叫中心建設項目、廣東發(fā)展銀行電營、運維大數(shù)據(jù)分析項目、中石油工程設計西南分公司云計算項目評審委員、中石油大數(shù)據(jù)挖掘項目，電商庫存預測大數(shù)據(jù)分析項目、大型ERP、電子商務、CRM、電子政務等多個項目。

尹老師在工作中研究新技術、新框架、及時更新知識體系，并長期堅持編寫架構核心代碼。在技術平臺方面，善于TensorFlow、Keras、Hadoop、Spark、Docker、Kubernetes、OpenStack、Storm等技術平臺的應用與運維。深入理解TensorFlow、Keras、Hadoop、HDFS、HBase、MapReduce、Zookeeper、Hive、Sqoop、BigTable 等人工智能、大數(shù)據(jù)技術和開源框架理論。對于云計算體系有深刻認識，及獨到的見解，如OpenStack的技術架構、安裝部署、運維等。在移動云計算方面，善于設計與建設云計算體系；也善于移動云計算相關的咨詢與培訓。在項目管理方面，善于使用敏捷項目管理方法，把客戶的需求變更作為常態(tài)，作為軟件架構設計的一部分，減少需求變更帶來的返工；善于捕捉、挖掘、分析客戶需求，為用戶提供滿意的產品。

講師經(jīng)驗

1、阿里巴巴集團云計算、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)咨詢師

2、百度云計算、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)咨詢師及講師

3、中國移動多省人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、云計算特聘講師

4、中國移動多省Docker特聘講師

5、中國移動研究院微特聘講師

6、中國聯(lián)通總部人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、云計算特聘講師

7、中國電信人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、云計算、虛擬化特約講師

8、中國人民銀行人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)特聘講師

9、中國工商銀行人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)講師

10、花旗銀行人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)講師

11、招商銀行人工智能、大數(shù)據(jù)調優(yōu)、區(qū)塊鏈、物聯(lián)網(wǎng)講師

12、中信銀行人工智能、分布式數(shù)據(jù)庫、區(qū)塊鏈、物聯(lián)網(wǎng)講師

13、中國航天三院人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)咨詢師

14、中國石油人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)、云計算特聘講師

15、中國石化人工智能、大數(shù)據(jù)、云計算特聘講師

16、中國電力科學研究院流計算特聘講師

17、西安電信十所人工智能、大數(shù)據(jù)架構設計、區(qū)塊鏈、物聯(lián)網(wǎng)講師

18、RedHat（中國）大數(shù)據(jù)咨詢師

19、中電28所人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)特聘講師

20、北京中電普華人工智能、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)特聘講師

21、中國石油東方地球物理公司大數(shù)據(jù)咨詢師

22、當當網(wǎng)人工智能、云計算、大數(shù)據(jù)咨詢師

23、北航人工智能、云計算、大數(shù)據(jù)、區(qū)塊鏈、物聯(lián)網(wǎng)特聘企業(yè)講師

24、阿爾卡特-朗訊（Alcatel-Lucent）虛擬化與OpenStack培訓特約講師

25、中石油工程設計西南分公司云計算數(shù)據(jù)中心建設項目

26、廣東發(fā)展信用卡精準營銷項目

27、廣東發(fā)展銀行電營、運維大數(shù)據(jù)分析項目

28、電商庫存預測大數(shù)據(jù)分析項目

29、中航國際大綜貿易云計算規(guī)劃項目咨詢、培訓講師

30、北京民生軟件SaaS平臺研發(fā)咨詢師

31、北京立達資本項目管理信息系統(tǒng)解決方案咨詢師

32、曾任大型ERP、電子商務、CRM、電子政務等項目經(jīng)理

項目經(jīng)驗

1、云呼叫中心人工智能客服項目研發(fā)

2、云呼叫中心PaaS平臺首席架構師

3、貴州省政府云呼叫中心建設項目

4、廣東發(fā)展信用卡智能精準營銷項目

5、廣東發(fā)展銀行電營、運維大數(shù)據(jù)分析、區(qū)塊鏈、物聯(lián)網(wǎng)項目

6、中石油工程設計西南分公司云計算項目評審委員、培訓講師

7、中石油人工智能、大數(shù)據(jù)挖掘、區(qū)塊鏈、物聯(lián)網(wǎng)項目，項目經(jīng)理

8、電商庫存預測大數(shù)據(jù)分析項目

9、智能物流、智能供應鏈管理項目

10、中航國際大綜貿易云計算規(guī)劃項目咨詢、培訓講師

11、北京民生軟件SaaS平臺研發(fā)咨詢師

12、北京立達資本項目管理信息系統(tǒng)解決方案咨詢師

13、曾任大型ERP、電子商務、CRM、電子政務等多個項目的項目經(jīng)理

我要預訂

咨詢電話：027-5111 9925 , 027-5111 9926手機：18971071887郵箱：Service@mingketang.com