随着大数据时代的快速到来，以及大数据在生产生活中迅速应用，大数据领域如雨后春笋般的出现大量的新技术，如Hadoop、Spark、Flink、Storm、Impala等技术，其中Hadoop、Hive、Spark已经成为大数据技术中最为重要的一部分，被越来越多的企业所使用。Hadoop、Spark的功能涵盖了大数据领域的离线批处理、SQL类处理、流式/实时计算、机器学习、图计算等各种不同类型的计算操作，应用范围广泛、前景非常广阔。采用Hadoop、Spark的目的，主要是为了使大数据处理任务速度更快，效率更高。Hadoop、Spark运行在大量的x86服务器集群中，在使用过程中不可避免的遇到性能瓶颈，这些性能问题可能是用法不对，可能是算法不是分布式算法，或者可能是数据倾斜导致等，因此需要进行一系列的性能优化，本培训尹老师总结和归纳多年工作经验，就Hadoop、Spark、Hive、SparkSQL、Shark、Imapla等大数据技术的性能调优进行深入剖析，使学员从实操层面提升到大数据技术核心原理层面进行调优，并通过生动的案例展示优化过程与效果，调优的范围包括规划调优、部署调优、硬件调优、网络调优、参数调优、开发调优、算法调优、运行调优、作业调优、数据调优和资源调优等。

1、本课程基于大数据体系构建数据仓库，重点内容包括数据仓库基础理论、数据集成、数据仓库维度模型建设、数据质量管理、数据生产链路监控（数据血缘关系管理）以及数据仓库主题模型设计等知识点； 2、本课程让学员掌握基于大数据生态的数据仓库建设、大数据生态体系技术选型，能够应用建模技术、大数据技术构建数据仓库； 3、学会使用合理的方法管控数据质量和元数据管理； 4、提供高效的分析处理海量数据和流式数据实时分析的仓库类型； 5、本课程使学员掌握大数据的数据仓库建设、设计、建模、管理； 6、分享实际项目数据仓库建设案例；

随着互联网的快速普及，以及大数据在生产生活中迅速应用，企业业务出现高并发、低延时、大数据存储等的问题，如何应对业务出现的高并发、低延时、大数据存储等挑战？这些挑战是大多数企业当前急需解决的问题。面对这些问题需要从软硬件架构层面提出系统性的解决方案，仅从代码优化层面无法满足业务量增长的需求。 基于以上时代背景尹老师专门总结了此课程，帮助学员提升大数据处理技能，学会如何建设大数据系统，并支持相关应用开发。本课程重点讲解应用如何支持大数据相关操作、MySQL分布式数据库应用、数据库的水平拆分、垂直拆分、解决亿万级数据量的实际问题、建设大数据系统，并支持相关应用开发等。