項目案例庫需求說明序號具體技術(shù)(參數(shù))要求1一、手機評論數(shù)據(jù)采集與分析【Requests】1、本案例通過爬蟲技術(shù)采集電商網(wǎng)站的手機評論數(shù)據(jù)，基于爬取后的數(shù)據(jù)進行處理和可視化分析，了解用戶對該商品的主要評價和用戶的喜好。通過學習本案例，可掌握使用爬蟲技術(shù)采集數(shù)據(jù)的方法，熟悉數(shù)據(jù)類型轉(zhuǎn)換、文本分詞等數(shù)據(jù)處理方法，能夠挖掘數(shù)據(jù)中的潛在價值，并基于處理后的數(shù)據(jù)繪制可視化圖形進行分析。

2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥3份、案例視頻數(shù)量≥17個、案例PPT數(shù)量≥1份、代碼數(shù)量≥3份、數(shù)據(jù)數(shù)量≥3份。4、案例內(nèi)容：包括但不限于背景與目標；數(shù)據(jù)采集流程介紹；獲取評論數(shù)據(jù)地URL；抓取第一個json文件；拆解網(wǎng)址及爬取函數(shù)封裝；將數(shù)據(jù)轉(zhuǎn)為字典格式；將數(shù)據(jù)轉(zhuǎn)為數(shù)據(jù)框并保存；翻頁爬取及數(shù)據(jù)保存；數(shù)據(jù)預(yù)處理介紹；數(shù)據(jù)讀取及類型轉(zhuǎn)換；對評論文本內(nèi)容分詞；去除停用詞及統(tǒng)計詞頻；繪制詞云圖及函數(shù)封裝；可視化分析主題介紹；好評中評及差評詞云圖繪制；其它可視化分析；小結(jié)。二、基于數(shù)據(jù)挖掘的上市公司高送轉(zhuǎn)預(yù)測【Lasso回歸/隨機森林】1、本案例基于已有的相關(guān)數(shù)據(jù)進行分析處理，建立相應(yīng)的模型對上市公司實施高送轉(zhuǎn)的情況進行預(yù)測。通過學習本案例，可掌握使用pandas模塊進行數(shù)據(jù)轉(zhuǎn)換、缺失值填充和數(shù)據(jù)合并等數(shù)據(jù)處理的主要技能和應(yīng)用，掌握模型構(gòu)建和模型分析的主要方法。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥6個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于案例背景；基礎(chǔ)數(shù)據(jù)和年數(shù)據(jù)的預(yù)處理；日數(shù)據(jù)的預(yù)處理；數(shù)據(jù)合并；特征選擇；模型的搭建及預(yù)測。三、基于決策樹的地質(zhì)災(zāi)害易發(fā)性預(yù)測模型【決策樹】1、本案例以我國西北某地區(qū)為數(shù)據(jù)源，通過對獲取的數(shù)據(jù)進行預(yù)處理，分析目標地區(qū)的自然地理狀況，剖析地質(zhì)災(zāi)害的影響因子，并構(gòu)建相應(yīng)的算法模型進行地質(zhì)災(zāi)害易發(fā)性預(yù)測。通過學習本案例，可掌握對獲取的原始數(shù)據(jù)進行預(yù)處理、構(gòu)建預(yù)測模型和模型可視化的主要方法和技能。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含案例視頻、案例PPT、實訓(xùn)指導(dǎo)書、代碼、數(shù)據(jù)。4、案例內(nèi)容：包括但不限于案例背景與挖掘目標；影響因子的選取；嫡的概念；信息增益的概念；蘋果與信息嫡；計算易發(fā)性數(shù)據(jù)集的嫡；計算信息增益；重復(fù)計算信息增益并構(gòu)建決策樹；建立決策樹模型；決策樹可視化。四、教育平臺的線上課程智能推薦【Apriori】1、本案例根據(jù)用戶在某教育平臺的登錄和學習情況，通過不同維度分析平臺用戶、課程的情況，為平臺管理決策提供建議，為教育平臺的線上推薦服務(wù)提供策略。通過學習本案例，可掌握數(shù)據(jù)預(yù)處理的主要方法和技能，熟悉數(shù)據(jù)統(tǒng)計和可視化分析的相關(guān)實現(xiàn)，掌握智能推薦算法。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥2份、案例視頻數(shù)量≥13個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥3份。4、案例內(nèi)容：包括但不限于背景與挖掘目標；缺失值處理；重復(fù)和異常處理；各省份登錄學習情況分析；用戶活躍分析；流失用戶與未流失用戶的課程學習數(shù)量分析；課程受歡迎程度分析；課程收費與學習進度的關(guān)系；分析結(jié)果建議；Apriori算法；關(guān)聯(lián)規(guī)則數(shù)據(jù)整理；關(guān)聯(lián)規(guī)則實現(xiàn)；小結(jié)。五、基于遙感的露天礦區(qū)土地復(fù)墾效益評價【GDAL】1、本案例根據(jù)露天礦區(qū)的特點選取多個評價指標，除了代表自然因素外，在某種程度上表征人為開采活動對礦區(qū)地形條件和水熱條件的影響，以期用于礦區(qū)土地復(fù)墾效益的評價參考。通過學習本案例，可掌握柵格數(shù)據(jù)處理的主要方法和技能，熟悉區(qū)域裁剪和輻射定標的相關(guān)實現(xiàn)，掌握指標計算方法。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥3份、案例視頻數(shù)量≥6個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥5份。4、案例內(nèi)容：包括但不限于案例背景與挖掘目標；區(qū)域裁剪；輻射定標；植被指數(shù)和地表溫度指標；土壤濕度和地形高程指標；效益評價。六、上市公司財務(wù)數(shù)據(jù)分析【決策樹/隨機森林】1、本案例基于已有的相關(guān)數(shù)據(jù)進行分析處理，篩選數(shù)據(jù)指標進行跟蹤分析和研究，建立模型進行造假公司預(yù)測。通過學習本案例，可掌握使用pandas模塊進行數(shù)據(jù)合并、缺失值處理和異常值處理等數(shù)據(jù)處理的主要技能和應(yīng)用，掌握模型構(gòu)建和模型分析的主要方法。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥6個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥3份。4、案例內(nèi)容：包括但不限于背景與目標；數(shù)據(jù)合并與缺失值處理；異常值處理；數(shù)據(jù)不平衡處理與造假指標分析；制造業(yè)造假公司預(yù)測；除制造業(yè)外的其他行業(yè)預(yù)測及小結(jié)。七、網(wǎng)絡(luò)問政平臺數(shù)據(jù)爬蟲【Requests】1、本案例以某問政平臺為例，爬取群眾的留言數(shù)據(jù)。通過學習本案例，可掌握requests進行網(wǎng)頁數(shù)據(jù)的HTML代碼獲取、多線程爬取數(shù)據(jù)的主要技能和方法。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥2份、案例視頻數(shù)量≥7個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份。4、案例內(nèi)容：包括但不限于背景與目標；網(wǎng)址分析；留言id獲?。涣粞栽斍楂@??；留言詳情回復(fù)獲取；函數(shù)整合；多線程爬取。八、智慧政務(wù)下的問政數(shù)據(jù)分析【SVM/TF-IDF】1、本案例以某市問政部門積極響應(yīng)打造“智慧服務(wù)”平臺的愿景，根據(jù)群眾留言數(shù)據(jù)，構(gòu)建關(guān)于問政留言記錄的一級標簽分類模型。通過學習本案例，可掌握pandas進行數(shù)據(jù)預(yù)處理、TF-IDF詞向量的主要方法和技能，同時掌握模型的構(gòu)建和評估的方法。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于4學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥16個、案例PPT數(shù)量≥1份、代碼數(shù)量≥2份、數(shù)據(jù)數(shù)量≥3份。4、案例內(nèi)容：包括但不限于背景與目標分析；樣本量分析；重復(fù)數(shù)據(jù)處理；文本預(yù)處理；分詞和去停用詞；詞云圖分詞；詞向量獲??；SVM文本分類；模型應(yīng)用；熱點數(shù)據(jù)預(yù)處理；熱點數(shù)據(jù)轉(zhuǎn)化；密度聚類簡介；熱點聚類；超參數(shù)選擇；熱度排序；小結(jié)。九、基于樸素貝葉斯的新聞文本數(shù)據(jù)分類【樸素貝葉斯】1、本案例通過分析新聞文本數(shù)據(jù)，使用樸素貝葉斯模型實現(xiàn)新聞文本數(shù)據(jù)分類。通過學習本案例，可掌握對獲取的文本數(shù)據(jù)進行預(yù)處理、構(gòu)建預(yù)測模型和模型可視化的主要方法和技能。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于4學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥3份、案例視頻數(shù)量≥6個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于實驗背景與原理；文本處理；詞頻統(tǒng)計；互信息計算與特征選取；樸素貝葉斯模型搭建；模型評估與小結(jié)。十、基于大數(shù)據(jù)技術(shù)的產(chǎn)品良率分析【相關(guān)性分析】1、本案例以工業(yè)產(chǎn)品?產(chǎn)的設(shè)備記錄數(shù)據(jù)進?分析，主要針對工業(yè)生產(chǎn)產(chǎn)品進行分析，著重分析不同因素與產(chǎn)品合格率的相關(guān)性，基于人員操作設(shè)備和產(chǎn)品的記錄從設(shè)備、人員和產(chǎn)品多方面對產(chǎn)品良率進行影響分析。通過學習本案例，可掌握常規(guī)的數(shù)據(jù)探索方法，能夠基于原始數(shù)據(jù)處理得到有價值的信息，掌握特征構(gòu)造的方法，掌握可視化圖標的繪制和分析。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥18個、案例PPT數(shù)量≥1份、代碼數(shù)量≥4份、數(shù)據(jù)數(shù)量≥2份。4、案例內(nèi)容：包括但不限于背景與挖掘目標；設(shè)備與數(shù)據(jù)說明；數(shù)據(jù)加載和探索；瓶蓋松緊、顆粒數(shù)、檢測數(shù)特征構(gòu)造；日期特征構(gòu)造；瓶蓋顏色特征構(gòu)造；特征數(shù)據(jù)整理；良品率計算；故障頻數(shù)指標構(gòu)造；瓶蓋松緊、顆粒數(shù)、瓶蓋顏色、分揀數(shù)指標構(gòu)造；溫度指標構(gòu)造；檢測合格占比可視化分析；瓶蓋松緊、顆粒數(shù)、瓶蓋顏色、分揀數(shù)指標可視化分析；每天的設(shè)備合格數(shù)和良品率變化可視化分析；故障頻數(shù)與良品率關(guān)系、溫度變化可視化分析；相關(guān)性分析；故障分析；結(jié)果分析與小結(jié)。十一、游客目的地印象分析【LDA/TF-IDF】1、本案例主要是挖掘景區(qū)及酒店目的地游客滿意度的影響因素，進一步建設(shè)方案促進提高游客滿意度、最終提升目的地美譽度。通過學習本案例，可掌握對獲取的文本數(shù)據(jù)進行預(yù)處理、文本分析、文本相似度計算以及可視化的主要方法和技能。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于4學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥9個、案例PPT數(shù)量≥1份、代碼數(shù)量≥4份、數(shù)據(jù)數(shù)量≥2份。4、案例內(nèi)容：包括但不限于背景與挖掘目標；景區(qū)的印象分析；酒店的印象分析；景區(qū)的綜合評價；酒店的綜合評價；景區(qū)網(wǎng)評文本有效性分析；酒店網(wǎng)評文本有效性分析；景區(qū)特色分析；酒店的特色分析。十二、產(chǎn)線工作行為數(shù)據(jù)分析與可視化【指標計算/K-Means聚類】1、本案例以大數(shù)據(jù)挖掘建模平臺為實現(xiàn)工具，主要基于工作人員在生產(chǎn)線中的行為進行分析，包括對產(chǎn)品良率、工作人員的工作情況等，基于記錄到的人員、設(shè)備和產(chǎn)品記錄進行探索分析，通過可視化界面將產(chǎn)線工作行為直觀呈現(xiàn)，以便及時發(fā)現(xiàn)問題，及時做出相應(yīng)的調(diào)整策略。通過學習本案例，可掌握常規(guī)的數(shù)據(jù)探索方法，能夠基于原始數(shù)據(jù)處理得到有價值信息，了解可視化分析的常規(guī)圖表。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥9個、案例PPT數(shù)量≥1份、代碼數(shù)量≥4份、數(shù)據(jù)數(shù)量≥5份。4、案例內(nèi)容：包括但不限于背景與挖掘目標；設(shè)備和數(shù)據(jù)介紹；員工的基本信息探索；工作行為指標構(gòu)建；員工操作指標分析；員工合格率影響因素分析；員工工作效率分析；產(chǎn)線運作情況分析；總結(jié)。十三、基于深度學習FastText的問政留言分類【自然語言處理】1、本案例基于某平臺的群眾留言進行分析，通過構(gòu)建相關(guān)模型實現(xiàn)群眾留言的自動分類。通過學習本案例，可掌握數(shù)據(jù)可視化探索分析和詞向量處理的方法，掌握模型搭建和評估方法。2、課時設(shè)置：理論教學不少于8學時，實踐教學不少于8學時，總計不少于16學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥7份、案例視頻數(shù)量≥11個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥2份。4、案例內(nèi)容：包括但不限于背景與挖掘目標；數(shù)據(jù)讀取與探索；數(shù)據(jù)預(yù)處理；中文分詞與去停用詞；繪制各類別詞云圖；詞向量提?。粯颖緲撕炥D(zhuǎn)換；模型構(gòu)建；模型評估；訓(xùn)練過程可視化；小結(jié)。十四、基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的MNIST數(shù)字識別【計算機視覺】1、本案例通過對手寫數(shù)字圖像數(shù)據(jù)進行處理，搭建相關(guān)模型進行訓(xùn)練并正確識別圖像中的具體數(shù)字。通過學習本案例，可掌握模型搭建、模型訓(xùn)練及評估的主要方法和技能。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于4學時，總計不少于8學時。3、案例資源：包含案例視頻、案例PPT、實訓(xùn)指導(dǎo)書、代碼、數(shù)據(jù)。4、案例內(nèi)容：包括但不限于背景與挖掘目標；模型簡介；數(shù)據(jù)介紹；模型搭建；小結(jié)。十五、基于卷積神經(jīng)網(wǎng)絡(luò)的分揀系統(tǒng)【計算機視覺】1、本案例基于工業(yè)相機采集到的零件圖片實現(xiàn)零部件識別。通過學習本案例，可熟悉圖像的歸一化方法，了解圖像特征提取方法，掌握模型構(gòu)建相關(guān)流程和評價指標。2、課時設(shè)置：理論教學不少于8學時，實踐教學不少于8學時，總計不少于16學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥10個、案例PPT數(shù)量≥1份、代碼數(shù)量≥3份、數(shù)據(jù)數(shù)量≥2份。4、案例內(nèi)容：包括但不限于案例背景與目標；HOG特征計算；SVM基本原理；CNN基本原理；DNN基本原理；評價指標；SVM代碼實現(xiàn)；CNN代碼實現(xiàn)；DNN代碼實現(xiàn)；模型評價。十六、廣電大數(shù)據(jù)用戶畫像【Spark/SVM】1、本案例通過抽取用戶相關(guān)數(shù)據(jù)，對數(shù)據(jù)整體情況進行探索、預(yù)處理，基于多項指標對用戶進行畫像構(gòu)建。通過學習本案例，可掌握通過SparkMLlib實現(xiàn)對數(shù)據(jù)的抽取、探索和預(yù)處理的主要方法和技能，并能夠基于實際需求構(gòu)建相關(guān)的數(shù)據(jù)特征和分析模型。2、課時設(shè)置：理論教學不少于8學時，實踐教學不少于8學時，總計不少于16學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥7份、案例視頻數(shù)量≥23個、案例PPT數(shù)量≥5份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥5份。4、案例內(nèi)容：包括但不限于背景介紹；目標分析；系統(tǒng)架構(gòu)介紹；數(shù)據(jù)介紹；數(shù)據(jù)存儲；開發(fā)環(huán)境搭建；數(shù)據(jù)探索；數(shù)據(jù)清洗；用戶畫像簡介；消費內(nèi)容；消費等級；產(chǎn)品名稱；入網(wǎng)成都&業(yè)務(wù)名稱；地區(qū)&語言偏好；SVM介紹；特征構(gòu)建；標簽構(gòu)建；模型構(gòu)建與評估。十七、招聘網(wǎng)站數(shù)據(jù)分析【Spark/LDA】1、本案例根據(jù)招聘信息內(nèi)容對目前網(wǎng)絡(luò)人才市場中職業(yè)類型進行正確劃分，并針對每個職業(yè)類型繪制詞云圖進行展示。2、課時設(shè)置：理論教學不少于20學時，實踐教學不少于20學時，總計不少于40學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥11份、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于數(shù)據(jù)導(dǎo)入與轉(zhuǎn)換；數(shù)據(jù)探索；數(shù)據(jù)預(yù)處理與建模；制作詞云圖。十八、P2P信用貸款風險分析【Spark/GBTs】1、本案例以某P2P信貸企業(yè)給出的相關(guān)數(shù)據(jù)表為原始數(shù)據(jù)，通過對數(shù)據(jù)進行分析和處理，最后構(gòu)建用戶逾期還款概率預(yù)測模型。通過學習本案例，可了解P2P信貸的概念，掌握數(shù)據(jù)抽取、數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理與分析建模的主要方法和技能。2、課時設(shè)置：理論教學不少于20學時，實踐教學不少于20學時，總計不少于40學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥6份、案例視頻數(shù)量≥14個、案例PPT數(shù)量≥1份、代碼數(shù)量≥10份、數(shù)據(jù)數(shù)量≥7份。4、案例內(nèi)容：包括但不限于案例背景與目標分析；數(shù)據(jù)存儲；數(shù)據(jù)探索分析介紹；分析用戶信息完善程度跟逾期率的關(guān)系；分析用戶信息修改天數(shù)跟逾期率的關(guān)系；分析借款月份與逾期率的關(guān)系；第三方平臺信息特征構(gòu)建實戰(zhàn)；用戶信息缺失個數(shù)和借款月份特征構(gòu)建實戰(zhàn)；信息更新表特征構(gòu)建實戰(zhàn)；登錄信息表特征構(gòu)建實戰(zhàn)；類別型特征清洗與編碼實戰(zhàn)；啞變量處理實戰(zhàn)；缺失值處理實戰(zhàn)；模型構(gòu)建與評估。十九、構(gòu)建博客數(shù)據(jù)庫系統(tǒng)【HBase】1、本案例基于HBase開發(fā)環(huán)境對涉及系統(tǒng)，進行業(yè)務(wù)功能的實現(xiàn)。通過學習本案例，可熟悉命名空間和表結(jié)構(gòu)設(shè)計，掌握業(yè)務(wù)功能的實現(xiàn)方法。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥11個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于背景與目標介紹；業(yè)務(wù)邏輯；表結(jié)構(gòu)細化講解；開發(fā)環(huán)境創(chuàng)建；測試配置連接；創(chuàng)建命名空間和表；插入用戶關(guān)系數(shù)據(jù)；查看表數(shù)據(jù)；業(yè)務(wù)場景1（用戶發(fā)布博客內(nèi)容）；業(yè)務(wù)場景2（用戶查看關(guān)注人發(fā)布內(nèi)容）；業(yè)務(wù)場景3（添加新的用戶）。二十、廣告日志數(shù)據(jù)采集系統(tǒng)【Flume】1、本案例通過腳本定時抽取數(shù)據(jù)并寫入指定的目錄，模擬日志文件產(chǎn)生的過程，通過Flume定時隨機抽取日志文件寫入MySQL表，進而通過腳本對數(shù)據(jù)進行保存。通過學習本案例，可掌握采集系統(tǒng)運行日志分析，掌握數(shù)據(jù)的采集與保存方法。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于8學時，總計不少于12學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥3份、案例視頻數(shù)量≥11個、案例PPT數(shù)量≥1份、代碼數(shù)量≥5份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于項目背景與目標分析；項目環(huán)境分析；采集系統(tǒng)運行日志方案分析；模擬廣告系統(tǒng)運行日志產(chǎn)生；采集廣告系統(tǒng)運行日志實戰(zhàn)；廣告曝光日志數(shù)據(jù)采集方案分析；模擬廣告曝光日志產(chǎn)生；廣告曝光日志采集實戰(zhàn)；用戶行為日志采集方案分析；用戶行為日志數(shù)據(jù)采集實戰(zhàn)；案例總結(jié)。二十一、商品實時推薦系統(tǒng)【Flink】1、本案例通過采集用戶在網(wǎng)站的實時訪問數(shù)據(jù)進行緩存，然后對數(shù)據(jù)流進行實時數(shù)據(jù)處理，并分析用戶的商品購買情況。通過學習本案例，可掌握Flume數(shù)據(jù)的采集方法和技能，熟悉Flink數(shù)據(jù)處理開發(fā)等。2、課時設(shè)置：理論教學不少于12學時，實踐教學不少于12學時，總計不少于24學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥4份、案例視頻數(shù)量≥16個、案例PPT數(shù)量≥3份、代碼數(shù)量≥5份。4、案例內(nèi)容：包括但不限于商品實時推薦系統(tǒng)簡介；案例環(huán)境介紹；模擬日志數(shù)據(jù)產(chǎn)生；Flume采集配置文件分析；Flume數(shù)據(jù)采集實戰(zhàn)；Kafka數(shù)據(jù)緩存實戰(zhàn)；Flink數(shù)據(jù)處理開發(fā)環(huán)境介紹；Flink數(shù)據(jù)處理開發(fā)環(huán)境實戰(zhàn)；Flink點擊流和銷售額計算-創(chuàng)建MYSQL存儲表；Flink點擊流和銷售額計算-自定義mysqlsink；Flink點擊流和銷售額計算-數(shù)據(jù)實時處理實戰(zhàn)；Flink點擊流和銷售額計算-運行Flink任務(wù)；在集群中運行任務(wù)；每日門店銷售額實時統(tǒng)計；每日商品銷量實時統(tǒng)計；項目總結(jié)。二十二、圖書評分實時分析系統(tǒng)【Flume/Kafka/SparkStreaming】1、本案例通過模擬某一圖書銷售平臺的后臺銷售日志，對這些實時產(chǎn)生的日志進行采集和處理，計算圖書熱度，構(gòu)建用戶標簽。通過學習本案例，可以掌握在大數(shù)據(jù)環(huán)境中對海量無界數(shù)據(jù)的實時采集和實時處理技術(shù)的綜合知識點及如何對這兩大技術(shù)進行高效的結(jié)合使用。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥5份、案例視頻數(shù)量≥14個、案例PPT數(shù)量≥1份、代碼數(shù)量≥5份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于項目背景；需求說明；系統(tǒng)構(gòu)思；Flume知識點回顧；Kafka知識點回顧；SparkStreaming知識點回顧；Kafka同F(xiàn)lume比較；KafkaChannels知識點；SparkStreamingpoll數(shù)據(jù)流接收；日志實時產(chǎn)生；Flume采集Kafka消費；SparkStreaming拉取Flume數(shù)據(jù)流；foreachrdd使用；SparkStreaming編程。二十三、芝加哥交通違反記錄分析【Hadoop/MongoDB】1、本案例基于從美國網(wǎng)站獲取的芝加哥市從2014年至2021年2月份的十字路口闖紅燈的記錄數(shù)據(jù)進行違反紅燈記錄分析。通過學習本案例，可掌握MongoDB的基礎(chǔ)知識點、MongoDB的實際開發(fā)環(huán)境的部署、MongoDB和HDFS文件系統(tǒng)之間的數(shù)據(jù)遷移流程及MongoDBJavaAPI的使用。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥5份、案例視頻數(shù)量≥14個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥1份。4、案例內(nèi)容：包括但不限于引言；背景介紹；數(shù)據(jù)說明與需求說明；MongoDB知識點回顧；開發(fā)環(huán)境搭建；HDFS文件上傳；HDFS導(dǎo)入MongoDBpart1；HDFS導(dǎo)入MongoDBpart2；HDFS導(dǎo)入MongoDBpart3；可視化插件屬性說明；違規(guī)次數(shù)分布統(tǒng)計；違規(guī)地點分布統(tǒng)計；違規(guī)地點的違規(guī)均值統(tǒng)計；時間分布統(tǒng)計。二十四、Hadoop使用KNN實現(xiàn)鳶尾花分類【Hadoop】1、鳶尾花分類問題是分類算法領(lǐng)域中的一個重要問題，其解決方案可以應(yīng)用于各種分類問題。例如，在醫(yī)療診斷中，可以使用機器學習算法來分類患者的疾病類型；在金融領(lǐng)域中，可以使用機器學習算法來分類客戶的信用等級。通過Hadoop大數(shù)據(jù)技術(shù)成功解決鳶尾花分類問題，將突破數(shù)據(jù)處理規(guī)模的界限。當在大規(guī)模數(shù)據(jù)分類的場景下，使用Hadoop解決分類問題可以提高數(shù)據(jù)處理效率、數(shù)據(jù)處理能力和數(shù)據(jù)安全性，是一種高效、可靠的解決方案。通過學習本案例，可熟悉掌握HadoopMapReduce編程實現(xiàn)KNN分類算法，掌握MapReduce自定義輸入和輸出類型的操作方法，以及掌握MapReduce多文件讀取方法，熟悉MapReduce編程。2、課時設(shè)置：理論教學不少于4學時，實踐教學不少于4學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥1份、案例視頻數(shù)量≥3個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥2份。4、案例內(nèi)容：包括但不限于mapreduce實現(xiàn)knn的思路分析；MapReduce實現(xiàn)過程。二十五、廣電用戶標簽計算【Hadoop/Spark/Hive】1、本案例基于廣電積累的大量用戶數(shù)據(jù)，劃分標簽條件，實現(xiàn)用戶標簽構(gòu)建。通過學習本案例，可熟悉SparkSQL下DataFrame的操作方法，掌握Spark與Hive數(shù)據(jù)倉庫交互，包括數(shù)據(jù)獲取、數(shù)據(jù)處理以及數(shù)據(jù)保存。掌握數(shù)據(jù)字段處理。2、課時設(shè)置：理論教學不少于2學時，實踐教學不少于6學時，總計不少于8學時。3、案例資源：包含實訓(xùn)指導(dǎo)書數(shù)量≥1份、案例視頻數(shù)量≥5個、案例PPT數(shù)量≥1份、代碼數(shù)量≥1份、數(shù)據(jù)數(shù)量≥5份。4、案例內(nèi)容：包括但不限于案例背景與需求分析；數(shù)據(jù)說明與存儲；需求與實現(xiàn)。二十六、網(wǎng)絡(luò)入侵用戶自動識別【Hadoop/Hive/Spark】1、本案例基于KDDCup99網(wǎng)絡(luò)入侵檢測數(shù)據(jù)集，對