大數(shù)據(jù)時(shí)代關(guān)系數(shù)據(jù)庫(kù)的挑戰(zhàn)與應(yīng)對(duì)

1. 現(xiàn)代數(shù)據(jù)管理技術(shù)綜述
2. 關(guān)系數(shù)據(jù)庫(kù)技術(shù)的核心特征
3.主流關(guān)系數(shù)據(jù)庫(kù)的挑戰(zhàn)
4. 改進(jìn)型關(guān)系數(shù)據(jù)庫(kù)

大數(shù)據(jù)技術(shù)綜述

1. 大數(shù)據(jù)概念澄清
2. 大數(shù)據(jù)技術(shù)家族
3. NoSQL技術(shù)綜述
3.1最早的NoSQL---BDB
3.2 Hadoop之Hbase與Facebook之Cassandra
3.3 MongoDB與CouchDB
3.4Memcached與Redis
3.5圖形數(shù)據(jù)庫(kù)Neo4j
4. MapReduce
5.關(guān)系數(shù)據(jù)庫(kù)聯(lián)邦
6.海量分布式文件系統(tǒng)
7大數(shù)據(jù)技術(shù)理論基礎(chǔ)
CAP，BASE，ACID

Hadoop實(shí)用教程

1. Hadoop技術(shù)概論
1.1 Hadoop體系架構(gòu)總論
1.2 HDFS-工作原理與架構(gòu)
1.3 平民化的分布式計(jì)算MapReduce
1.4 MapReduce工作原理與架構(gòu)
1.5 Hadoop數(shù)據(jù)倉(cāng)庫(kù)-Hive
1.6 Hadoop NoSQL數(shù)據(jù)庫(kù)-HBase
1.7 工作流調(diào)度-Ooize
1.8 分布式協(xié)調(diào)系統(tǒng)--Zookeeper
2. Hadoop部署
2.1 Hadoop版本介紹與選擇
2.2 Hadoop部署實(shí)踐
2.3 Hadoop安裝文件構(gòu)成與配置體系
2.4 機(jī)器硬件建議配置
2.5 系統(tǒng)環(huán)境配置
2.6 基本參數(shù)配置與說(shuō)明
2.7 進(jìn)程分布規(guī)劃與啟動(dòng)
3. 分布式文件系統(tǒng)HDFS實(shí)用教程
3.1 HDFS操作
3.2 HDFS編程—文件讀寫(xiě)
3.3 HDFS數(shù)據(jù)壓縮
3.4 HDFS技術(shù)要點(diǎn)
4. MapReduce實(shí)用教程
4.1 MapReduce原理與架構(gòu)
4.2 MapReduce編程方法
4.3 MapReduce實(shí)用技術(shù)要點(diǎn)
4.4 MapReduce排序與關(guān)聯(lián)
4.5 MapReduce工作流
4.6 MapReduce調(diào)優(yōu)
5. MapReduce2.0-YARN
5.1 YARN的原理
5.2 YARN設(shè)計(jì)架構(gòu)
5.3 YARN工作流程
5.4 YARN與MapReduce1.0比較
6. MapReduce實(shí)例講解
6.1普通實(shí)例
6.2 高級(jí)實(shí)例
6.3 MapReduce高級(jí)數(shù)據(jù)分析（時(shí)間允許時(shí)）
7. Hadoop數(shù)據(jù)倉(cāng)庫(kù)Hive
7.1 Hive編程
7.2 Hive環(huán)境部署與搭建
7.3 Hive工作機(jī)制
7.4 Hive語(yǔ)法與實(shí)踐
8. 其它ZooKeeper，Sqoop，Chukwa，Avro……

Hadoop技術(shù)分析

1. Hadoop MapReduce技術(shù)解析
6.1關(guān)于效率
6.2關(guān)于擴(kuò)展性
6.3關(guān)于可靠性與可用性
6.4關(guān)于與關(guān)系數(shù)據(jù)庫(kù)
6.5關(guān)于適用的數(shù)據(jù)類(lèi)型
6.6關(guān)于數(shù)據(jù)存儲(chǔ)與管理
2. Hadoop與關(guān)系數(shù)據(jù)庫(kù)
2.1 MapReduce與關(guān)系數(shù)據(jù)庫(kù)
2.2 Hive與MPP關(guān)系數(shù)據(jù)庫(kù)

NoSQL實(shí)用教程

1.NoSQL理論基礎(chǔ)---CAP與BASE深入分析
2.NoSQL實(shí)用教程
2.1 HBase實(shí)用教程
2.1.1 HBase原理
2.1.2 HBase實(shí)用安裝部署要點(diǎn)
2.1.3 HBase數(shù)據(jù)模型
2.1.4 HBase索引與關(guān)聯(lián)的實(shí)現(xiàn)
2.1.5 HBase使用
2.1.6HBase性能調(diào)優(yōu)
2.1.7 HBase高級(jí)設(shè)計(jì)教程---如何真正用好HBase
2.1.8 HBase與關(guān)系數(shù)據(jù)庫(kù)結(jié)合
3. NoSQL設(shè)計(jì)實(shí)例
3.1 HBase實(shí)現(xiàn)全屬性查詢(xún)
3.2 HBase實(shí)現(xiàn)時(shí)間序列數(shù)據(jù)管理
3.3 HBase與MapReduce結(jié)合示例
4. Facebook Cassandra介紹
5.MongoDB介紹
6.圖數(shù)據(jù)庫(kù)Neo4J介紹

NoSQL技術(shù)分析

1. NoSQL技術(shù)手段總結(jié)
1.1 水平分割
1.2 數(shù)據(jù)副本與讀寫(xiě)一致性
1.3 In-Memory架構(gòu)
1.4 MVCC
1.5列存儲(chǔ)
1.6 COW
2. NoSQL技術(shù)解析
2.1 關(guān)于水平擴(kuò)展性
2.2關(guān)于模式自由
3. NoSQL與關(guān)系數(shù)據(jù)庫(kù)
3.1 理論原則分析
3.2 邏輯模型分析
3.3 物理模型分析
3.4 索引、事務(wù)與關(guān)聯(lián)
3.5 使用場(chǎng)景定位
3.6 企業(yè)數(shù)據(jù)體系定位

Spark教程

1. Spark組成與體系架構(gòu)
2. Spark原理
3. Spark與Hadoop
4. Scala簡(jiǎn)介
5. Spark技術(shù)流程

超越Hadoop

1. Hadoop技術(shù)體系的不足與尷尬
2. 新技術(shù)介紹
3. 互聯(lián)網(wǎng)技術(shù)體系介紹
4. 數(shù)據(jù)管理技術(shù)發(fā)展趨勢(shì)分析

大數(shù)據(jù)技術(shù)實(shí)踐分享

1. 海量數(shù)據(jù)處理架構(gòu)設(shè)計(jì)
2. 大數(shù)據(jù)驅(qū)動(dòng)與企業(yè)業(yè)務(wù)/運(yùn)營(yíng)
3. 實(shí)踐中的企業(yè)大數(shù)據(jù)分析技術(shù)流程
3.1采集---各種方法的比較
3.2存儲(chǔ)---原始數(shù)據(jù)與業(yè)務(wù)數(shù)據(jù)提取
3.3模型---Web分析指標(biāo)體系
3.4分析---大數(shù)據(jù)分析方法
3.5 行動(dòng)---個(gè)性化推薦
4. 大數(shù)據(jù)與企業(yè)交易
5. 大數(shù)據(jù)與企業(yè)交互
5. 自已設(shè)計(jì)大數(shù)據(jù)技術(shù)體系

大數(shù)據(jù)與企業(yè)新一代數(shù)據(jù)體系建設(shè)

1.傳統(tǒng)的以關(guān)系數(shù)據(jù)庫(kù)為主的企業(yè)數(shù)據(jù)架構(gòu)
2.大數(shù)據(jù)時(shí)代的新一代企業(yè)數(shù)據(jù)邏輯架構(gòu)
2.1 數(shù)據(jù)分類(lèi)
2.2 數(shù)據(jù)分布
2.3 數(shù)據(jù)流轉(zhuǎn)
2.4 數(shù)據(jù)集成
2.5 數(shù)據(jù)交換
2.6 數(shù)據(jù)分析
2.7 應(yīng)用展示
3. 新一代企業(yè)數(shù)據(jù)技術(shù)架構(gòu)
3.1邏輯架構(gòu)
3.2技術(shù)方法
3.3物理平臺(tái)
4. 新一代企業(yè)數(shù)據(jù)架構(gòu)中Hadoop/NoSQL與關(guān)系數(shù)據(jù)庫(kù)的相互配合
5. 典型場(chǎng)景示例