大數(shù)據(jù)平臺(tái)搭建與高性能計(jì)算最佳實(shí)戰(zhàn)培訓(xùn)班（青島，8月24-26日）
【舉辦單位】北京曼頓培訓(xùn)網(wǎng) www.mdpxb.com
【咨詢(xún)電話(huà)】4006820825 010-56133998 13810210257
【培訓(xùn)日期】
青島，2020年8月24-26日；成都，2020年10月26-28日
北京，2020年11月12-14日；廣州，2020年12月22-24日
【培訓(xùn)地點(diǎn)】青島、成都、北京、廣州

【課程收益】
通過(guò)此次課程培訓(xùn)，可使學(xué)習(xí)者獲得如下收益：
1.深刻理解在“互聯(lián)網(wǎng)+”時(shí)代下大數(shù)據(jù)的產(chǎn)生背景、發(fā)展歷程和演化趨勢(shì)；
2.了解業(yè)界市場(chǎng)需求和國(guó)內(nèi)外最新的大數(shù)據(jù)技術(shù)潮流，洞察大數(shù)據(jù)的潛在價(jià)值；
3.理解大數(shù)據(jù)項(xiàng)目解決方案及業(yè)界大數(shù)據(jù)應(yīng)用案例，從而為企業(yè)在大數(shù)據(jù)項(xiàng)目中的技術(shù)選型及技術(shù)架構(gòu)設(shè)計(jì)提供決策參考；
4.掌握業(yè)界最流行的Hadoop與Spark大數(shù)據(jù)技術(shù)體系；
5.掌握大數(shù)據(jù)采集技術(shù)；
6.掌握大數(shù)據(jù)分布式存儲(chǔ)技術(shù)；
7.掌握NoSQL與NewSQL分布式數(shù)據(jù)庫(kù)技術(shù)；
8.掌握大數(shù)據(jù)倉(cāng)庫(kù)與統(tǒng)計(jì)機(jī)器學(xué)習(xí)技術(shù)；
9.掌握大數(shù)據(jù)分析挖掘與商業(yè)智能（BI）技術(shù)；
10.掌握大數(shù)據(jù)離線(xiàn)處理技術(shù)；
11.掌握Storm流式大數(shù)據(jù)處理技術(shù)；
12.掌握基于內(nèi)存計(jì)算的大數(shù)據(jù)實(shí)時(shí)處理技術(shù)；
13.掌握大數(shù)據(jù)管理技術(shù)的原理知識(shí)和應(yīng)用實(shí)戰(zhàn)；
14.深入理解大數(shù)據(jù)平臺(tái)技術(shù)架構(gòu)和使用場(chǎng)景；
15.嫻熟運(yùn)用Hadoop與Spark大數(shù)據(jù)技術(shù)體系規(guī)劃解決方案滿(mǎn)足實(shí)際項(xiàng)目需求；
16.熟練地掌握基于Hadoop與Spark大數(shù)據(jù)平臺(tái)進(jìn)行應(yīng)用程序開(kāi)發(fā)、集群運(yùn)維管理和性能調(diào)優(yōu)技巧。
17.掌握基于Flink的大數(shù)據(jù)實(shí)時(shí)處理技術(shù)與批處理操作。

【課程特色】
1.課程培訓(xùn)業(yè)界最流行、應(yīng)用最廣泛的Hadoop、Spark和Flink大數(shù)據(jù)技術(shù)體系。強(qiáng)化大數(shù)據(jù)平臺(tái)的分布式集群架構(gòu)和核心關(guān)鍵技術(shù)實(shí)現(xiàn)、大數(shù)據(jù)應(yīng)用項(xiàng)目開(kāi)發(fā)和大數(shù)據(jù)集群運(yùn)維實(shí)踐、以及Hadoop、Spark與Flink大數(shù)據(jù)項(xiàng)目應(yīng)用開(kāi)發(fā)與調(diào)優(yōu)的全過(guò)程沙盤(pán)模擬實(shí)戰(zhàn)。
2.通過(guò)一個(gè)完整的大數(shù)據(jù)開(kāi)發(fā)項(xiàng)目及一組實(shí)際項(xiàng)目訓(xùn)練案例，完全覆蓋Hadoop、Spark與Flink生態(tài)系統(tǒng)平臺(tái)的應(yīng)用開(kāi)發(fā)與運(yùn)維實(shí)踐。課堂實(shí)踐項(xiàng)目以項(xiàng)目小組的形式進(jìn)行沙盤(pán)實(shí)操練習(xí)，重點(diǎn)強(qiáng)化理解Hadoop、Spark與Flink大數(shù)據(jù)項(xiàng)目各個(gè)階段的工作重點(diǎn)，同時(shí)掌握作為大數(shù)據(jù)項(xiàng)目管理者的基本技術(shù)與業(yè)務(wù)素養(yǎng)。
3.本課程的授課師資都是有著多年在一線(xiàn)從事Hadoop、Spark與Flink大數(shù)據(jù)項(xiàng)目的資深講師，采用原理技術(shù)剖析和實(shí)戰(zhàn)案例相結(jié)合的方式開(kāi)展互動(dòng)教學(xué)、強(qiáng)化以建立大數(shù)據(jù)項(xiàng)目解決方案為主體的應(yīng)用開(kāi)發(fā)、技術(shù)討論與交流咨詢(xún)，在學(xué)習(xí)的同時(shí)促進(jìn)講師學(xué)員之間的交流，讓每個(gè)學(xué)員都能在課程培訓(xùn)過(guò)程中學(xué)到實(shí)實(shí)在在的大數(shù)據(jù)技術(shù)知識(shí)體系，以及大數(shù)據(jù)技術(shù)應(yīng)用實(shí)戰(zhàn)技能，具備實(shí)際大數(shù)據(jù)應(yīng)用項(xiàng)目的動(dòng)手開(kāi)發(fā)實(shí)踐與運(yùn)維管理部署能力。授課過(guò)程中，根據(jù)學(xué)員需求，增設(shè)交流環(huán)節(jié)，可將具體工作中遇到的實(shí)際問(wèn)題展開(kāi)討論，講師會(huì)根據(jù)學(xué)員的實(shí)際情況微調(diào)授課內(nèi)容，由講師帶著全部學(xué)員積極討論，并給出一定的時(shí)間讓學(xué)員上臺(tái)發(fā)言，現(xiàn)場(chǎng)剖析問(wèn)題的癥結(jié)，規(guī)劃出可行的解決方案。

【課程大綱】
第一天
上午大數(shù)據(jù)技術(shù)基礎(chǔ)
1.大數(shù)據(jù)的產(chǎn)生背景與發(fā)展歷程
2.大數(shù)據(jù)的4V特征，以及與云計(jì)算的關(guān)系
3.大數(shù)據(jù)應(yīng)用需求以及潛在價(jià)值分析
4.業(yè)界最新的大數(shù)據(jù)技術(shù)發(fā)展態(tài)勢(shì)與應(yīng)用趨勢(shì)
5.大數(shù)據(jù)思維的轉(zhuǎn)變
6.大數(shù)據(jù)項(xiàng)目的系統(tǒng)與技術(shù)選型，及落地實(shí)施的挑戰(zhàn)
7.“互聯(lián)網(wǎng)+”時(shí)代下的電子商務(wù)、制造業(yè)、交通行業(yè)、電信運(yùn)營(yíng)商、銀行金融業(yè)、電子政務(wù)、移動(dòng)互聯(lián)網(wǎng)、教育信息化等行業(yè)應(yīng)用實(shí)踐與應(yīng)用案例介紹
■業(yè)界主流的大數(shù)據(jù)技術(shù)方案
1.大數(shù)據(jù)軟硬件系統(tǒng)全棧與關(guān)鍵技術(shù)介紹
2.大數(shù)據(jù)生態(tài)系統(tǒng)全景圖
3.主流的大數(shù)據(jù)解決方案介紹
4.Apache大數(shù)據(jù)平臺(tái)方案剖析
5.CDH大數(shù)據(jù)平臺(tái)方案剖析
6.HDP大數(shù)據(jù)平臺(tái)方案剖析
7.基于云的大數(shù)據(jù)平臺(tái)方案剖析
8.大數(shù)據(jù)解決方案與傳統(tǒng)數(shù)據(jù)庫(kù)方案比較
9.國(guó)內(nèi)外大數(shù)據(jù)平臺(tái)方案與廠商對(duì)比
■大數(shù)據(jù)計(jì)算模型（一）——批處理MapReduce
1.MapReduce產(chǎn)生背景與適用場(chǎng)景
2.MapReduce計(jì)算模型的基本原理
3.MapReduce作業(yè)執(zhí)行流程
4.MapReduce編程模型: Map處理和Reduce處理
5.MapReduce處理流程：數(shù)據(jù)讀取collect、中間數(shù)據(jù)sort、中間數(shù)據(jù)spill、中間數(shù)據(jù)shuffle、聚合分析reduce
6.MapReduce開(kāi)發(fā)高級(jí)應(yīng)用：Combiner技術(shù)與應(yīng)用場(chǎng)景、Partitioner技術(shù)與應(yīng)用場(chǎng)景、多Reducers應(yīng)用
7.MapReduce開(kāi)發(fā)與應(yīng)用實(shí)戰(zhàn)：Hadoop平臺(tái)搭建與運(yùn)行；MapReduce安裝與部署；
8.應(yīng)用案例：基于HDFS+MapReduce集成的服務(wù)器日志分析采集、存儲(chǔ)與分析MapReduce程序?qū)嵗�開(kāi)發(fā)與運(yùn)行
9.MapReduce參數(shù)調(diào)優(yōu)與性能優(yōu)化技巧
第一天
下午■大數(shù)據(jù)存儲(chǔ)系統(tǒng)與應(yīng)用實(shí)踐

1.分布式文件系統(tǒng)HDFS產(chǎn)生背景與適用場(chǎng)景
2.HDFS master-slave系統(tǒng)架構(gòu)與讀寫(xiě)工作原理
3.HDFS核心組件技術(shù)講解，NameNode與fsimage、editslog，DataNode與數(shù)據(jù)塊
4.HDFS Federation機(jī)制，viewfs機(jī)制，使用場(chǎng)景講解
5.HDFS高可用保證機(jī)制，SecondaryNameNode，NFS冷備份，基于zookeeper的HA方案
6.HDFS參數(shù)調(diào)優(yōu)與性能優(yōu)化
■大數(shù)據(jù)實(shí)戰(zhàn)練習(xí)一

1. Hadoop平臺(tái)搭建、部署與應(yīng)用實(shí)踐，包含HDFS分布式文件系統(tǒng)，YARN資源管理軟件，MapReduce計(jì)算框架軟件
2. HDFS 文件、目錄創(chuàng)建、上傳、下載等命令操作，HDFS合并、歸檔操作，HDFS監(jiān)控平臺(tái)使用
3. MapReduce程序在YARN上運(yùn)行，YARN監(jiān)控平臺(tái)使用
第二天
上午■Hadoop框架與生態(tài)發(fā)展，以及應(yīng)用實(shí)踐操作
1.Hadoop的發(fā)展歷程
2.Hadoop 1.0的核心組件JobTracker，TaskTracker，以及適用范圍
3.Hadoop 3.0的核心組件YARN工作原理，以及與Hadoop 1.0的聯(lián)系與區(qū)別
4.Hadoop關(guān)鍵機(jī)制：任務(wù)推測(cè)執(zhí)行，任務(wù)容錯(cuò)，任務(wù)選擇執(zhí)行，心跳機(jī)制
5.Hadoop YARN的資源管理與作業(yè)調(diào)度機(jī)制：FIFO調(diào)度，Capacity調(diào)度器，F(xiàn)air調(diào)度器
6.Hadoop 常用參數(shù)調(diào)優(yōu)與性能優(yōu)化技術(shù)
■大數(shù)據(jù)計(jì)算模型（二）——實(shí)時(shí)處理/內(nèi)存計(jì)算 Spark
■1.MapReduce計(jì)算模型的瓶頸
2.Spark產(chǎn)生動(dòng)機(jī)、基本概念與適用場(chǎng)景
3.Spark編程模型與RDD彈性分布式數(shù)據(jù)集的工作原理與機(jī)制
4.Spark實(shí)時(shí)處理平臺(tái)運(yùn)行架構(gòu)與核心組件
5.Spark RDD主要Transformation：map, flatMap, filter, union, sample, join, reduceByKey, groupByKey
6.Spark RDD主要action：count，collect，reduce，saveAsTextFile
7.Spark寬、窄依賴(lài)關(guān)系與DAG圖分析
8.Spark容錯(cuò)機(jī)制
9.Spark作業(yè)調(diào)度機(jī)制
10.Spark緩存機(jī)制：Cache操作，Persist操作與存儲(chǔ)級(jí)別
11.Spark作業(yè)執(zhí)行機(jī)制：執(zhí)行DAG圖、任務(wù)集、executor執(zhí)行模型、

BlockManager管理
12.Spark standardalone，Spark on YARN運(yùn)行模式
13.Scala開(kāi)發(fā)介紹與Spark常用Transformation函數(shù)介紹
14.Spark調(diào)優(yōu)：序列化機(jī)制、RDD復(fù)用、Broadcast機(jī)制、高性能算子、資源參數(shù)調(diào)優(yōu)
第二天
下午■大數(shù)據(jù)倉(cāng)庫(kù)查詢(xún)技術(shù)Hive、SparkSQL、Impala，以及應(yīng)用實(shí)踐
1.基于MapReduce的大型分布式數(shù)據(jù)倉(cāng)庫(kù)Hive基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
2.Hive數(shù)據(jù)倉(cāng)庫(kù)的平臺(tái)架構(gòu)與核心技術(shù)剖析
3.Hive metastore的工作機(jī)制與應(yīng)用
4.Hive內(nèi)部表和外部表
5.Hive 分區(qū)、分桶機(jī)制
6.Hive行、列存儲(chǔ)格式
7.基于Spark的大型分布式數(shù)據(jù)倉(cāng)庫(kù)SparkSQL基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
8.Spark SQL實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)的實(shí)現(xiàn)原理與工作機(jī)制
9.SparkSQL數(shù)據(jù)模型DataFrame
10.SparkSQL程序開(kāi)發(fā)與
11.SparkSQL數(shù)據(jù)讀取與結(jié)果保存：json，Hive table，Parquet file，RDD
12.SparkSQL和Hive的區(qū)別與聯(lián)系
13.SparkSQL操作實(shí)戰(zhàn)
14.基于MPP的大型分布式數(shù)據(jù)倉(cāng)庫(kù)Presto基礎(chǔ)知識(shí)與應(yīng)用場(chǎng)景
15.Presto實(shí)時(shí)查詢(xún)系統(tǒng)平臺(tái)架構(gòu)、關(guān)鍵技術(shù)介紹，以及與Hive，SparkSQL的對(duì)比
■Hadoop集群運(yùn)維監(jiān)控工具
1.Hadoop運(yùn)維管理監(jiān)控系統(tǒng)Ambari工具介紹
2. 第三方運(yùn)維系統(tǒng)與工具Ganglia, Nagios
■大數(shù)據(jù)實(shí)戰(zhàn)練習(xí)二
1.基于 Hadoop平臺(tái)搭建、部署與配置Spark集群，Spark shell環(huán)境實(shí)踐操作，Spark案例程序分析
2.基于sbt的Spark程序編譯、開(kāi)發(fā)與提交運(yùn)行
3.應(yīng)用案例一：基于Spark的服務(wù)器運(yùn)行日志TopN分析、程序?qū)嵗�開(kāi)發(fā)
4.應(yīng)用案例二：
■基于Spark的搜索引擎日志熱詞與用戶(hù)分析、程序?qū)嵗�開(kāi)發(fā)
5.基于MapReduce的Hive數(shù)據(jù)倉(cāng)庫(kù)實(shí)踐，Hive集群安裝部署，基于文件的Hive數(shù)據(jù)倉(cāng)庫(kù)表導(dǎo)入導(dǎo)出與分區(qū)操作，Hive SQL操作，Hive客戶(hù)端操作
6.SparkSQL shell實(shí)踐操作：數(shù)據(jù)表讀取、查詢(xún)與結(jié)果保存
第三天
上午
■大數(shù)據(jù)計(jì)算模型（三）——流處理Storm, SparkStreaming
■1.流數(shù)據(jù)處理應(yīng)用場(chǎng)景與流數(shù)據(jù)處理的特點(diǎn)
2.流數(shù)據(jù)處理工具Storm的平臺(tái)架構(gòu)與集群工作原理
3.Storm關(guān)鍵技術(shù)與并發(fā)機(jī)制
4.Storm編程模型與基本開(kāi)發(fā)模式
5.Storm數(shù)據(jù)流分組
6.Storm可靠性保證與Acker機(jī)制
7.Storm應(yīng)用案例分析
8.流數(shù)據(jù)處理工具Spark Streaming基本概念與數(shù)據(jù)模型
9.SparkStreaming工作機(jī)制
10.SparkStreaming程序開(kāi)發(fā)介紹
11.SparkStreaming的全局統(tǒng)計(jì)和窗口函數(shù)
12.Storm與SparkStreaming的對(duì)比
13.SparkStreaming開(kāi)發(fā)案例：基于文件流的SparkStreaming程序開(kāi)發(fā)；基于socket消息的SparkStreaming程序開(kāi)發(fā)
■大數(shù)據(jù)與機(jī)器學(xué)習(xí)技術(shù)
1.機(jī)器學(xué)習(xí)發(fā)展歷程
2.機(jī)器學(xué)習(xí)與大數(shù)據(jù)關(guān)聯(lián)與區(qū)別
3.數(shù)據(jù)挖掘經(jīng)典算法
4.預(yù)測(cè)算法：線(xiàn)性回歸與應(yīng)用場(chǎng)景，非線(xiàn)性回歸與應(yīng)用場(chǎng)景
5.分類(lèi)算法：邏輯回歸與應(yīng)用場(chǎng)景，決策樹(shù)與應(yīng)用場(chǎng)景，樸素貝葉斯算法與應(yīng)用場(chǎng)景，支持向量機(jī)算法與應(yīng)用場(chǎng)景
6.聚類(lèi)算法；
■k-means與應(yīng)用場(chǎng)景
7.基于Hadoop的大數(shù)據(jù)機(jī)器學(xué)習(xí)技術(shù)
8.基于MapReduce的機(jī)器學(xué)習(xí)庫(kù)Mahout
9.Mahout支持的數(shù)據(jù)挖掘算法
10.Mahout編程模型與發(fā)
11.基于Spark的機(jī)器學(xué)習(xí)庫(kù)Spark MLlib
12.Spark MLlib支持的數(shù)據(jù)挖掘算法
13.Spark MLlib編程模型與開(kāi)發(fā)：基于Spark MLlib的文本分類(lèi)，基于Spark MLlib的聚類(lèi)
第三天
下午
■大數(shù)據(jù)ETL操作工具，與大數(shù)據(jù)分布式采集系統(tǒng)
1.Hadoop與DBMS之間數(shù)據(jù)交互工具的應(yīng)用
2.Sqoop導(dǎo)入導(dǎo)出數(shù)據(jù)的工作原理
3.Flume-NG數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)流模型與系統(tǒng)架構(gòu)
4.Kafka分布式消息訂閱系統(tǒng)的應(yīng)用介紹與平臺(tái)架構(gòu)，及其使用模式
■面向OLTP型應(yīng)用的NoSQL數(shù)據(jù)庫(kù)及應(yīng)用實(shí)踐
1.關(guān)系型數(shù)據(jù)庫(kù)瓶頸，以及NoSQL數(shù)據(jù)庫(kù)的發(fā)展，概念，分類(lèi)，及其在半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)場(chǎng)景下的適用范圍
2.列存儲(chǔ)NoSQL數(shù)據(jù)庫(kù)HBase簡(jiǎn)介與數(shù)據(jù)模型剖析
3.HBase分布式集群系統(tǒng)架構(gòu)與讀寫(xiě)機(jī)制，ZooKeeper分布式協(xié)調(diào)服務(wù)系統(tǒng)的工作原理與應(yīng)用
4.HBase表設(shè)計(jì)模式與primary key設(shè)計(jì)規(guī)范
5.文檔NoSQL數(shù)據(jù)庫(kù)MongoDB簡(jiǎn)介與數(shù)據(jù)模型剖析
6.MongoDB集群模式、讀寫(xiě)機(jī)制與常用API操作
8.鍵值型NoSQL數(shù)據(jù)庫(kù)Redis簡(jiǎn)介與數(shù)據(jù)模型剖析
9.Redis多實(shí)例集群架構(gòu)與關(guān)鍵技術(shù)
10.NewSQL數(shù)據(jù)庫(kù)技術(shù)簡(jiǎn)介及其適用場(chǎng)景
■大數(shù)據(jù)ELT數(shù)據(jù)采集與應(yīng)用實(shí)戰(zhàn)
1.Sqoop安裝、部署與配置，基于Sqoop、MySQL與Hive操作MySQL數(shù)據(jù)庫(kù)與Hive數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)導(dǎo)入導(dǎo)出
2.Kafka安裝、部署與配置，基于Kafka創(chuàng)建和消費(fèi)topic實(shí)踐操作
3.Flume+HDFS+MapReduce/Spark大數(shù)據(jù)采集、存儲(chǔ)與分析實(shí)踐操作
■新一代大數(shù)據(jù)處理引擎Flink
Flink簡(jiǎn)介，F(xiàn)link的體系架構(gòu)，對(duì)比：Flink、Storm和Spark Streaming，Standalone的模式，Yarn模式的兩種模式，Yarn兩種模式的區(qū)分，F(xiàn)link on yarn內(nèi)部實(shí)現(xiàn)，ZooKeeper的體系架構(gòu)，F(xiàn)link Standalone HA 配置，F(xiàn)link on Yarn HA 配置，F(xiàn)link批處理開(kāi)發(fā)，
Flink流處理開(kāi)發(fā)，F(xiàn)link的窗口操作，F(xiàn)link scala shell代碼調(diào)試
第四天
■學(xué)習(xí)考核與業(yè)內(nèi)經(jīng)驗(yàn)交流

【講師介紹】
趙老師,曼頓培訓(xùn)網(wǎng)(www.mdpxb.com)資深講師。清華大學(xué)計(jì)算機(jī)雙學(xué)士，京東大學(xué)大數(shù)據(jù)學(xué)院院長(zhǎng)，甲骨文(中國(guó))軟件系統(tǒng)有限公司高級(jí)技術(shù)顧問(wèn)，大數(shù)據(jù)、數(shù)據(jù)庫(kù)、中間件技術(shù)和Java專(zhuān)家。16年IT行業(yè)從業(yè)經(jīng)歷，10年培訓(xùn)授課經(jīng)驗(yàn)。具有豐富的大數(shù)據(jù)方法論、數(shù)據(jù)科學(xué)、大數(shù)據(jù)生態(tài)圈技術(shù)知識(shí)和大數(shù)據(jù)規(guī)劃建設(shè)、應(yīng)用實(shí)施和客戶(hù)培訓(xùn)經(jīng)驗(yàn)。

蔣老師,曼頓培訓(xùn)網(wǎng)(www.mdpxb.com)資深講師。 清華大學(xué)博士，云計(jì)算專(zhuān)家 熟悉主流的云計(jì)算平臺(tái)，并有商業(yè)與開(kāi)源云計(jì)算平臺(tái)的實(shí)踐經(jīng)驗(yàn),對(duì)云計(jì)算關(guān)鍵技術(shù)有深刻了解和實(shí)踐經(jīng)驗(yàn)，如分布式系統(tǒng)、虛擬化、分布式文件系統(tǒng)、云存儲(chǔ)等，參與并領(lǐng)導(dǎo)多個(gè)大型云計(jì)算項(xiàng)目。對(duì)大數(shù)據(jù)關(guān)鍵技術(shù)有深刻了解和實(shí)踐經(jīng)驗(yàn)，如NoSQL數(shù)據(jù)庫(kù)、大數(shù)據(jù)處理、Hadoop、Hive、HBase、Spark等。

張老師,曼頓培訓(xùn)網(wǎng)(www.mdpxb.com)資深講師。天津大學(xué)軟件工程碩士，10多年的IT領(lǐng)域相關(guān)技術(shù)研究和項(xiàng)目開(kāi)發(fā)工作，在長(zhǎng)期軟件領(lǐng)域工作過(guò)程中，對(duì)軟件企業(yè)運(yùn)作模式有深入研究，熟悉軟件質(zhì)量保障標(biāo)準(zhǔn)ISO9003和軟件過(guò)程改進(jìn)模型CMM/CMMI，在具體項(xiàng)目實(shí)施過(guò)程中總結(jié)經(jīng)驗(yàn)，有深刻認(rèn)識(shí)。通曉多種軟件設(shè)計(jì)和開(kāi)發(fā)工具。對(duì)軟件開(kāi)發(fā)整個(gè)流程非常熟悉，能根據(jù)項(xiàng)目特點(diǎn)定制具體軟件過(guò)程，并進(jìn)行項(xiàng)目管理和監(jiān)控，有很強(qiáng)的軟件項(xiàng)目組織管理能力。對(duì)C/C++ 、HTML 5、python、Hadoop、java、java EE、android、IOS、大數(shù)據(jù)、云計(jì)算有比較深入的理解和應(yīng)用，具有較強(qiáng)的移動(dòng)互聯(lián)網(wǎng)應(yīng)用需求分析和系統(tǒng)設(shè)計(jì)能力，熟悉Android框架、IOS框架等技術(shù)，了解各種設(shè)計(jì)模式，能在具體項(xiàng)目中靈活運(yùn)用。

【費(fèi)用及報(bào)名】
1、費(fèi)用：培訓(xùn)費(fèi)6800元（含培訓(xùn)費(fèi)、講義費(fèi)）；如需食宿，會(huì)務(wù)組可統(tǒng)一安排,費(fèi)用自理。
2、報(bào)名咨詢(xún)：4006820825 010-56133998 56028090 13810210257 鮑老師
3、報(bào)名流程：電話(huà)登記-->填寫(xiě)報(bào)名表-->發(fā)出培訓(xùn)確認(rèn)函
4、備注：如課程已過(guò)期，請(qǐng)?jiān)L問(wèn)我們的網(wǎng)站，查詢(xún)最新課程
5、詳細(xì)資料請(qǐng)?jiān)L問(wèn)北京曼頓培訓(xùn)網(wǎng)：www.mdpxb.com (每月在全國(guó)開(kāi)設(shè)四百多門(mén)公開(kāi)課，歡迎報(bào)名學(xué)習(xí))