课程简介

        自2013年开始出现的大数据概念及伴随出现的以Hadoop，Spark为代表的分布式大数据处理技术，大数据一词让人耳熟能详。大部分框架使用类Java语言实现，对于Python学员，PySpark是使用Python作为开发语言的程序员的福音，借助PySpark，帮助Python开发人员完成大数据任务。

        本课程主要讲解Spark技术，借助Spark对外提供的Python接口，使用Python语言开发。涉及到Spark内核原理、Spark基础知识及应用、Spark基于DataFrame的Sql应用、机器学习及深度学习等内容。由浅到深的带大家深入学习大数据领域最火的项目Spark。帮助大家进入大数据领域，抓住大数据浪潮的尾巴。

    软件版本：     

• Hadoop2.7.3

• Spark2.3.0

• Scala2.11.8

• Python2.7.12

• Jdk-8u101-linux-x64

• Docker 1.12.6

• Apache-hive-2.3.2-bin

• Mysql-5.5.45-linux2.6-x86_64

• Mysql-connector-java-5.1.37-bin

   内容涉及：   

• pyspark 基础模块

• pyspark.sql 模块

• pyspark.ml 基于DataFrame的机器学习模块

• pyspark.mllib package 基于RDD的机器学习模块

• 中间还会涉及到云计算中的docker容器技术，课程的学习环境就是使用Docker三个容器搭建的分布式环境

• pyspark中Numpy、Pandas、Scikit-learn的互操作和相互对比