什么是大数据
大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低的四大特征。
大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低的四大特征。
| Java核心 | |
| 课程大纲 | 课程内容 |
| Java基础入门 | 1.搭建Java开发环境， 2.变量的定义， 3.数据类型与运算符， |
| 4.循环结构与选择结构， 5.数组， 6.项目实战：吃货联盟订餐系统 | |
| Java面向对象 | 1.类和对象， 2.面向对象的三大特性：封装、继承、多态, 3.面向对象思想程序设计, 4.抽象类和抽象方法， |
| 5.接口， 6.异常， 7.项目实战：QuickHit， 8.正则表达式， 9.开发工具：Maven、Git、IDEA | |
| Java高级API | 1.集合， 2.实用类和泛型， 3.Java I/O与序列化 4.Java反射机制， 5.注解的原理， 6.多线程编程， 7.网络编程 |
| 8.XML、JSON解析的方法， 9.常用设计模式， 10.项目实战：超市会员管理系统， 11.项目实战：嗖嗖移动业务大厅 | |
| MySQ | 1.MySQL安装与SQLyog的使用， 2.DDL语句：建库、建表、改表、删除表， 3.DML语句：添加、删除、修改， 4.DQL语句：查询 |
| 5.MySQL高阶语法：连接查询、排序、分页、子查询、聚合函数、分组查询， 6.MySQL事务（ACID原则、事务实现） | |
| 7.MySQL视图， 8.MySQL索引， 9.MySQL数据导入导出， 10.MySQL进阶训练" | |
| Java Web | 1.HTML5基础， 2.JS基础， 3.Tomcat， 4.JSP， 5.JDBC编程， 6.Servlet， 7.项目实战：嗖嗖移动业务大厅" |
| Linux安全 | Firewalld防火墙， iptables防火墙（一）， iptables防火墙（二） |
| 项目实战 | Shell脚本一键完成初创公司小型项目 |
| Hadoop | |
| 课程大纲 | 课程内容 |
| Linux编程 | 1.Linux VM 环境搭建配置、 2.基本Linux命令、 3.SSH安装配置、 |
| 4.Linux环境安装JDK和MySQL、 5.Linux Shell编程 | |
| ELK | 1.ELK综述, 2.ELK安装与配置, 3.数据清洗、处理和导入– Logstash, 4.数据存储与管理 |
| 5.数据搜索与分析、 6.restful API调用ES、 7.项目实战：招聘信息全文检索平台 | |
| HBase | 1.NoSQL综述、 2.HBase的基本概念、 3.HBase架构、数据模型、 4.HBase数据导入、 5.HBase数据查询 |
| 6.使用Shell操作HBase、 7.HBase API与数据读取优化、 8.Phoenix的使用、 9.Hive操作HBase表、 10.HBase高级操作 | |
| Sqoop | 1.Sqoop介绍、 2.Sqoop常用命令使用、 3.使用Sqoop完成从RDB到HDFS的数据迁移 |
| 4.使用Sqoop完成从RDB到Hive的数据迁移、 5.使用Sqoop完成从Hive到RDB的数据迁移、 6.Sqoop全量数据及增量数据导入 | |
| 离线项目实战 | 项目实战：电子商务消费行为分析 |
| Spark | |
| 课程大纲 | 课程内容 |
| Scala编程 | 1.Scala开发环境设置、 2.变量与方法、 3.数据类型与集合、 4.Scala函数编写、 5.类和特征以及对象 |
| 6.Scala高级、 7.Scala(Regular Expression)正则表达式、 8.ScalaAPI及使用、 9.Scala中的Java集成使用、 10.Scala异常处理" | |
| Spark Core | 1.Spark概述及架构、 2.RDD 概述、 3.RDD Transformation&Action、 4.数据分区(Partition)与Shuffle、 5.RDD 缓存与检查点、 6.Spark Shell、 7.Spark RDD应用 |
| Spark SQL | 1.Spark SQL API介绍、 2.Spark SQL优化器、 3.DataFrame与DataSet、 4.Spark SQL集成Hive、 5.Spark SQL Shell编程 |
| Spark GraphX | 1、Spark GraphX 数据模型及API、 2、图形数据分析管道 - 案例介绍、 3、项目练习：航班飞行网图分析 |
| SparkStreaming实时处理 | 1.Flume日志收集工具、 2.Kafka消息平台、 3.Spark Streaming处理实时数据" |
| Kuebernetes网络管理， Kuebernetes资源控制管理， Kuebernetes+EFK日志收集 | |
| Kuebernetes高可用部署， Kuebernetes集群问题定位与分析， 云原生架构（K8S+Docker集群）， 大觅网之环境部署 | |
| Python | |
| 课程大纲 | 课程内容 |
| Python编程 | 1、Python环境搭建及Python数据类型、 2、Python基础及函数、 3、NumPy、Pandas及Matplotlib库 |
| Python数据爬取 | 1.Python实施Web数据爬取的基本原理和方法、 2.使用LXML Python库进行Web数据爬取、 3.Scrapy进行Web数据爬取、 4.项目实战：爬取招聘网站数据 |
| PySpark | 1.PySpark架构介绍、 2.Anaconda/Jupyter Notebook使用、 3.PySpark的集成及使用 |
| 构建离线数据平台 | |
| 课程大纲 | 课程内容 |
| 电商数仓项目实战 | 1.数据仓库项目分析、 2.数据仓库分层架构、 3.数据仓库设计规范、 4.数据仓库建模及常用模型、 5.数据仓库项目流程、 6.使用Hive构建电商数据仓库项目 |
| 用户兴趣取向分析 | 1.项目分析、 2.Kafka与Flume在项目中的使用、 3.使用Hive进行ETL处理、 4.SpringBoot框架打FatJar的方法，以及通过CommandLineRunner作为程序入口的方法 |
| 5.PySpark完成机器学习、 6.Oozie完成工作流调度、 7.Spark Streaming实现实时预测、 8.Tableau可视化开发 | |
| 9.Cassandra/Redis/MongoDB在项目中的应用、 10.NiFi的使用、 11.用户兴趣取向分析项目实战开发 | |
| 教育平台大数据分析 | 1.项目介绍及数据格式定义、 2.Apache Kafka开发、 3.Flume采集数据、 4.Hive数据分析及处理、 5.Spark Streaming实现数据处理" |
| 实时流处理平台 | |
| 课程大纲 | 课程内容 |
| 股票数据流实时分析 | 1.项目介绍及数据格式定义、2.Apache Kafka开发（连接器与流处理）、 3.基于Confluent的股票元数据管理及应用、 4.Flink流数据处理及实时分析。 |
| 5.Flink实施股票的实时分析、 6.Grafana/Zeppelin数据可视化、 7.股票数据扒取项目开发" | |
| 机器学习 | |
| 课程大纲 | 课程内容 |
| 机器学习算法 | 1.机器学习原理入门、 2.机器学习数据挖掘流程、 3.机器学习常用算法原理、 4.SVM分类算法、 5.K-Means聚类算法 |
| 6.逻辑回归算法 7.朴素贝叶斯算法 8.决策树算法 9.机器学习评价指标 | |
| Spark实现机器学习 | 1.机器学习原理入门、 2.机器学习数据挖掘流程、 3.机器学习常用算法原理、 4.SVM分类算法。 |
| 5.K-Means聚类算法、 6.逻辑回归算法、 7.朴素贝叶斯算法、 8.决策树算法、 9.机器学习评价指标。 | |
| Python实现机器学习 | 1.Python机器学习数据结构及流程、 2.分类（Classification）算法模型实现、 3.聚类（Clustering）算法模型实现 |
| 4.推荐（Recommendation）模型实现、 5.sklearn库的使用、 6.机器学习项目实战之图像分析、 7.机器学习项目实战之房价预测 | |
| 机器学习项目实战云音乐推荐系统 | 1.推荐系统项目整体介绍、 2.使用机器学习实现推荐系统、 3.协同过滤算法、 4.逻辑回归算法在推荐系统中的应用 |
| 5.关联规则算法、 6.推荐系统项目流程详解及实现、 7.Redis基础及使用、 8.使用Redis实现项目数据查询接口 | |
| 大数据系统管理优化 | |
| 课程大纲 | 课程内容 |
| 提升系统的高可靠性 (High Availability) | 1.安装Ambari Server/Agent， 2.HDFS HA高可用原理及实现， 3.YRAN HA高可用原理及实现， 4.Hive HA高可用原理及实现， |
| 提升系统的安全性 - 认证(Authentication) | 1.规则用户管理 ， 2.Kerberos认证， 3.用户名(User Name)及密码(Password)认证， 4.认证密匙（Tokens）， 5.身份扮演（Impersonation）， |
| 授权（Authorization）及审计(Auditing) | 1.HDFS授权， 2.HDFS扩展使用控制（Extended ACL）， 3.Apache Ranger介绍和使用， |
| 4.HDFS，YARN及MapReduce审计日志（logs）， 5.Hive审计日志（logs）， 6.Apache Ranger审计框架（Framework）介绍， 7.日志分析， | |
| 数据保护 | 1.数据加密（Data Encryption）， 2.加密（Encryption）及钥匙管理（Key Management)， 3.HDFS数据加密， 4.Apache Ranger KMS介绍和使用。 |
| 阿里云平台 | |
| 课程大纲 | 课程内容 |
| 阿里云平台 | 1.阿里云平台概述， 2.使用阿里云平台 |
| 实验环境搭建 | 1.使用阿里云平台进行实验环境搭建， 2.实验环境的使用流程" |
| 阿里云项目训练 | 1.阿里云平台项目讲解， 2.阿里云平台项目训练 |
| 阿里云认证指导 | 阿里云认证课程ACA指导， 阿里云认证课程ACP指导 |
| 就业项目 | |
| 课程大纲 | 课程内容 |
| 就业项目 | 1.Spark试题推荐系统， 2.物流数据仓库平台， 3.银行账户实时风控系统 ...... |
| CC服务 | |
| 课程大纲 | 课程内容 |
| CC服务专题 | 机器学习进阶专题， 大数据可视化专题， 人工智能专题， 数据挖掘算法专题， |
| 大数据前沿技术应用专题， 面试与工作经验指导， 试用期/跳槽期技术支持， 实际工作问题解决方案， 职业发展规划 | |
icon
工作1-3年后，可以胜任大数据开发师，年薪18W+左右
icon
工作2-3年，可以胜任高级大数据开发工程师，年薪28W+左右
icon
工作5-8年，可以胜任高级大数据开发工程师，年薪40W+左右
icon
工作8-10年，可以胜任高级大数据开发工程师，年薪55W+左右
其实笼统地说大数据原理和基础都在数学这边，当然有很多偏应用和软件使用的技术，例如“深度学习调参”等，这些报个培训速成班就能学会的技术含量不那么高的东西，不在讨论范围内。
中国拥有世界上五分之一的人口，未来中国必然成为大数据重要市场，且中国正处于快速发展的上升期，产生的数据将是巨大的，巨大的数据推动大数据的发展，必然增加对大数据人才的需求。
能不能学好大数据主要看个人兴趣爱好。与其说女生适不适合学大数据，还不如说女生到底想不想学大数据，光想不付出行动，也学不好大数据技术，所以女生能不能学好大数据，当然得因人而言。
学大数据对于英语能力要求不是太高，有一定英语水平当然好。对于没有英语基础的人也不用担心，虽然编程用的语言虽然是英语，但只是特定的单词，并没有语法，代码写多了也就熟悉了。