第一階段：Java語言編程基礎

1.計算機基礎
DOS常用命令、Java概述、JDK環境安裝配置、環境變量配置、Java程序入門

2.編程基礎
常量與變量、數據類型、運算符、流程控制語句、方法、數組

3.面向對象
面向對象思想、類與對象、成員變量和局部變量、封裝、 this關鍵字、構造方法

4.常用類
Object類、Scanner類、Random類、String、StringBuilder類

5.集合操作
集合概述、集合特點、ArrayList集合

6.IO操作
字符輸入流、字符輸出流、字符緩沖輸入流、字符緩沖輸出流、 復制文件、集合與文件中數據相互讀寫。

第二階段：JavaWeb核心

1.前端
HTML、CSS、JavaSript、BootStrap

2.數據庫
MySQL數據庫、MySQL單表操作、MySQL多表操作、MySQL事物、 MySQL存儲引擎、JDBC、JDBCDataSource

3.Web核心
Tomcat、Http協議、servlet入門、Rquest、Response、JSP、MVC、 Cookie、Session、JSP、ETL、JSTL、Filter、listener

4.web增強
Jquery、Ajax、ajax跨域、分頁

5.基礎增強
多線程入門、網絡編程入門、反射、動態代理、注解

第三階段：網站開發三大框架

1.項目構建及管理
Maven項目構建、管理、編譯、倉庫配置，SVN服務器部署、 SVN客戶端、自動化部署

2.數據庫操作框架
mybatis框架原理、mybatis入門案例、mybatis開發DAO方式、 mybatis輸入輸出映射、動態sql、spring整合mybatis

3.Spring框架
applicationContext、xml配置文件編寫、IoC思想、DI依賴注入、 使用AspectJ切面編程、JdbcTemplate模板使用、聲明式事務管理、SSH整合

4.SpringMVC框架
springmvc框架原理、springmvc入門案例、springmvc整合mybatis、 參數綁定、json數據交互、攔截器

5.CRM項目實戰
使用springmvc+spring4+mybatis+svn來開發項目、 使用BootStrap進行布局

第四階段：大數據娛樂頭條

1.Linux服務器
（1）VMware虛擬機安裝、linux常用命令、linux用戶權限與網絡安全
（2）linux下應用tomcat、linux下應用MySQL、linux下應用nginx、 nginx負載均衡配置

2.分布式爬蟲實戰
（1）大數據娛樂頭條-項目整體介紹
（2）大數據娛樂頭條-爬蟲基礎、Http協議、HttpClient網絡請求、 Jsoup網頁解析、黑客行為之后臺登錄
（3）大數據娛樂頭條-Java并發、多線程、阻塞隊列、 網易娛樂爬蟲開發實戰
（4）大數據娛樂頭條-Redis基礎、Redis集群、Redis常用API、購物車、 排行榜、Redis持久化
（5）大數據娛樂頭條-分布式爬蟲、代理IP、爬蟲攻防技術、分布式爬蟲開發實戰

3.分布式搜索
（1）大數據娛樂頭條-lucene基礎、搜索系統原理、Lucene創建索引、 Lucene查詢索引、Lucene分頁、Lucene高亮
（2）大數據娛樂頭條-solr基礎、solr在Linux部署、solr管理界面、 solr創建索引、solr查詢索引、solr高亮、solrj客戶端管理
（3）大數據娛樂頭條-SSM搜索服務、搜索引擎界面、搜索分頁、搜索高亮、 搜索熱詞聯想
（4）大數據娛樂頭條-zookeeper集群、zookeeper原理、dubbox、 搜索服務開發
（5）大數據娛樂頭條-Kafka基礎、Kafka集群、生產分發策略、消息不丟失、 存儲機制、消費者負責均衡、Kafka配置文件詳解
（6）大數據娛樂頭條-爬蟲集成Kafka、爬蟲創建索引、 FreeMarker熱門搜索結果靜態化
（7）大數據娛樂頭條-綜合部署、nginx負載均衡、solrcloud集群、 solrcloud原理分析

4.搜索性能優化
（1）大數據娛樂頭條-nginx+lua基礎、點擊流日志收集系統部署
（2）大數據娛樂頭條-Storm基礎、Storm架構、Storm編程模型、 Storm實時看板、Storm消息不丟失
（3）大數據娛樂頭條-Storm熱詞統計，提供實時熱詞靜態化
（4）大數據娛樂頭條-Storm爬蟲日志監控項目實戰
（5）大數據娛樂頭條-Storm日志分析項目實戰

5.JVM與數據庫優化
（1）JVM虛擬機基礎與性能調優
（2）數據庫分析與優化

第五階段：大數據Hadoop實戰

1.大數據環境準備
linux基礎、linux的shell編程、大數據環境準備、zookeeper、網絡編程概述

2.Hadoop集群部署
Hadoop的發展簡史、Hadoop的版本介紹、 三個公司對Hadoop版本的支持了解、 Hadoop1.x版本與2.x版本的架構比較、 Apache版本Hadoop三種環境構建、 CDH版本的Hadoop重新編譯

3.HDFS&MapReduce
HDFS的來源、HDFS設計目標、Hadoop的架構圖、文件副本機制、 block塊存儲、HDFS的元數據信息、FSimage以及edits、 ScondaryNN的作用、HDFS的文件寫入過程、HDFS的文件讀取過程、 HDFS的API操作、HadoopMapReduce設計構思、 MapReduce框架結構、MapReduce編程規范及示例編寫、 MapReduce程序運行模式

4.MapReduce優化
MapReduce的分區、ReduceTask的數量設置、 MapReduce排序以及序列化、MapReduce計數器、MapReducecombiner、MapReduce上網流量統計、 MapTask運行機制詳解、Map任務的并行度、ReduceTask工作機制、reduceTask的并行度、MapReduceshuffle過程、shuffle階段數據的壓縮機制

5.自定義及資源調度
MapReduce實現join、社交粉絲數據分析、mapreduce案例:倒排索引建立、 自定義inputFormat合并小文件、自定義outputFormat、 自定義GroupingComparator求取topN、mapreduce參數優化、 Yarn資源調度

6.Hive數據倉庫
數據倉庫特征、數據倉庫架構、Hive的概念、Hive架構、Hive部署及使用、 HiveDDL、HiveDML、Hive命令行、Hive參數配置、Hive內置函數、 HiveUDF開發、Hive的數據壓縮、Hive的文件格式、Hive調優、 Hive語句綜合練習

7.網站流量日志分析
網站流量日志采集、數據分析系統介紹、系統開發架構、Flume實現數據采集、 數據預處理、數據倉庫設計、ETL、統計分析、Sqoop結果導出、 工作流調度azkaban、數據可視化

8.Impala&Hue
impala的介紹、impala安裝準備、制作本地yum源、impala的安裝、 impala基本使用、impala的java開發、Hue的介紹、Hue的安裝、 hue與HDFS集成、hue與yarn集成、配置hue與hive集成、 配置hue與impala的集成、配置hue與mysql的集成

9.大數據新技術
Oozie介紹、Oozie架構、Oozie的執行流程、Oozie組件、Oozie的安裝、 hue整合Oozie、hadoopHA、hadoopFederation、CDH整體架構、 CDH環境安裝、Kylin、kettle、kudu

第六階段：大數據Spark實戰

1.Scala語言基礎
Scala基礎語法、Scala高級特性、Scala的Akka編程實戰

2.Spark基礎
Spark概述、Spark集群安裝部署、Spark運行架構、Spark編程模型

3.SparkRDD
RDD概述、RDD特征、RDD算子操作、RDD依賴、RDD緩存、 Spark任務調度、checkpoint、RDD編程實戰

4.SparkSQL
SparkSQL概述、DataFrame、DataFrame常用操作、DataSet介紹、 SparkSQL整合JDBC、SparkonYarn

5.SparkStreaming
概述、與Storm的對比、SparkStreaming原理、DStream操作實戰、 開窗函數、整合Flume、整合Kafka

6.項目實戰階段
互聯網電商用戶畫像建模、開發、數據導入、 數據存儲（Hbase+Phoenix）、可視化

7.項目實戰階段
大數據反欺詐系統、航空領域反爬蟲項目實戰、系統架構、防爬規則、 Nginx+lua+kafak整合、高頻IP檢測、SparkStreaming規則引擎開發、 數據可視化

8.新技術
flink的簡介、最值函數aggregate和minBy、maxBy、 去重distict和關聯join函數、union合并和rebalance負載均衡、 3種分區方式（hash、range、sort）、source數據源、flink的sink操作、 本地執行和集群執行、廣播變量的操作、分布式緩存的使用、 無重疊數據處理、 窗口劃分、windowTime、同步hbase、flink的source源、 基于mysql的sink操作、flink的容錯、flink對接kafka數據、案例實戰

第七階段：大數據機器學習實戰

1.機器學習概念入門
（1）基本概念：屬性、屬性的度量、屬性類型、數據集類型、數據集的特性、訓練集、測試集、特征值、監督學習、非監督學習、半監督學習等概念
（2）數據的預處理：聚集、抽樣、維度規約、特征子集選擇、特征創建、離散化和二元化、變量變換
（3）模型的評估：模型的過分擬合(過擬合)，欠擬合，評估分類器的性能(交叉驗證和自助法)，模型評估方法、損失函數和風險函數、參數優化等，模型復雜度(奧卡姆剃刀)
（4）機器學習處理的一般流程分析

2.機器學習數學基礎
初等數學基礎、函數求導以及鏈式求導法則、方向導數、梯度、泰勒級數、 拉格朗日乘子法、線性代數與矩陣、特征值與特征向量、概率分析、 極大似然估計、梯度下降法代碼實踐、牛頓法代碼實戰、 矩陣分解實戰(SVD,PCA,QR)

3.機器學習語言基礎之Python語言
基礎數據類型、list/tuple/dict/set、列表推導式、生成器推導式、 lambda函數、控制語句、文件讀寫、異常處理分析、面向對象編程、 GUI編程、Python基礎項目實踐

4.Python數據分析庫實戰
Numpy矩陣運算庫基礎及實戰、Scipy數值運算庫基礎及實戰、 Matplotlib繪圖庫基礎及實戰、Seaborn繪圖庫基礎及實戰、 Pandas數據分析庫基礎及實戰

5.Spark機器學習庫實戰
SparkML和SparkMLLIB區別、Spark機器學習基礎、Pipeline管道、 特征抽取(TF-IDF、Word2Vec、CountVectorizer）、特征轉換(Tokenizer、 PCA、N-gram、DCT、one-hot、MinMaxScaler、Normalizer、SqlTransformer、VectorAssembler)、特征選擇(VectorSlicer、RFormula、 ChiSqSelector)

6.機器學習算法之用戶標簽預測項目實戰
用戶畫像標簽預測實戰、KNN、KMeans、決策樹算法模型(ID3、C4.5、 Cart樹)、集成學習算法(Bagging、隨機森林、Adaboost算法、GBDT算法、 XGBOOST算法、LightGBM算法模型)、人才流失模型項目實戰

7.機器學習算法之推薦系統實戰
基于記憶的CF實戰(Surprise庫實戰)、基于模型的CF實戰(SparkALS實戰)、 基于Native-Bayes分類算法實戰、基于內容推薦(jieba分詞、提取詞向量、 文本分類、特征聚類)、關聯挖掘算法實戰(基于Spark的FP-Growth算法實戰)、推薦項目實戰

8.機器學習算法之CTR點擊率預估實戰
特征工程實戰、CTR點擊率預估應用場景分析、 邏輯斯特回歸算法理論基礎推導及項目實戰、推薦系統指標分析、 推薦系統架構分析、基于Wideanddeep模型理論及實戰(學會讀學術Paper)

9.機器學習算法之深度學習基礎及圖片分類實戰
神經網絡和深度學習基礎、MP神經元模型、感知機模型、BPNN模型實戰、 CNN模型實戰圖像識別、Tensorflow基礎、電影評論文本分析、 RNN文本情感分析實戰

10.機器學習面試必備
機器學習算法串講、機器學習面試題目詳解，剖析結合人工智能實際場景、 機器學習或人工智能類崗位核心技能需求、所需知識和技能、主流機器學習工具和框架的使用方法、開放式問題和系統設計問題， 融匯貫通整個課程知識點、大數據和機器學習部分項目銜接

?

總結

以上是生活随笔為你收集整理的大数据学习顺序的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。