99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁大數(shù)據(jù)時代大數(shù)據(jù)分析師證書怎么考
大數(shù)據(jù)分析師證書怎么考
2024-10-16
收藏

大數(shù)據(jù)分析師證書考什么

針對不同知識，掌握程度的要求分為【領會】、【熟知】、【應用】三個級別，考生應按照不同知識要求進行學習。

  • 1．領會：考生能夠領會了解規(guī)定的知識點，并能夠了解規(guī)定知識點的內(nèi)涵與外延，了 解其內(nèi)容要點和它們之間的區(qū)別與聯(lián)系，并能做出正確的闡述、解釋和說明。

  • 2．熟知：考生須掌握知識的要點，并能夠正確理解和記憶相關理論方法，能夠根據(jù)不 同要求，做出邏輯嚴密的解釋、說明和闡述。此部分為考試的重點部分。

  • 3．應用：考生須學會將知識點落地實踐，并能夠結(jié)合相關工具進行商業(yè)應用，能夠根 據(jù)具體要求，給出問題的具體實施流程和策略。

考試范圍

PART 1 大數(shù)據(jù)基礎理論 占比（8% ） ?

PART 2 Hadoop 理論 占比（12% ）

  • a. Hadoop 安裝配置及運行機制解析（2%）

  • b. HDFS 分布式文件系統(tǒng)（2%）

  • c. MapReduce 理論及實戰(zhàn)（2%）

  • d. Hadoop 生態(tài)其他常用組件（6%）

PART 3 大數(shù)據(jù)分析之數(shù)據(jù)庫理論及工具 占比（16% ）

  • a. 數(shù)據(jù)庫導論（2%）

  • b. MySQL 理論及實戰(zhàn)（3%）

  • c. HBase 安裝及使用（3%）

  • d. Hive 安裝及使用（5%）

  • e. Sqoop 安裝及使用（3%）

PART 4 大數(shù)據(jù)分析之數(shù)據(jù)挖掘理論基礎 占比（10% ）

PART 5 大數(shù)據(jù)分析之 Spark 工具及實戰(zhàn) 占比（35% ）

  • a. Spark 基礎理論（2%）

  • b. Spark RDD 基本概念及常用操作（3%）

  • c. Spark 流式計算框架 Spark Streaming、Structured Streaming（5%）

  • d. Spark 交互式數(shù)據(jù)查詢框架 Spark SQL（5%）

  • e． Spark 機器學習算法庫 Spark MLlib 基本使用方法（15%）

  • f． Spark 圖計算框架 GraphX（5%）

PART 6 大數(shù)據(jù)分析之數(shù)據(jù)可視化方法 占比（4% ）

PART 7 大數(shù)據(jù)分析實戰(zhàn) 占比（15% ）

考試內(nèi)容

PART 1 大數(shù)據(jù)基礎理論

1、大數(shù)據(jù)分析基礎

【領會】 大數(shù)據(jù)技術(shù)誕生技術(shù)背景 大數(shù)據(jù)技術(shù)實際應用 分布式處理技術(shù)概念

數(shù)據(jù)分析和數(shù)據(jù)挖掘的概念 【熟知】 明確數(shù)據(jù)分析的目標和意義 明確分布式技術(shù)在進行海量數(shù)據(jù)處理時起到的關鍵作用 數(shù)據(jù)分析方法與數(shù)據(jù)挖掘方法的區(qū)別和聯(lián)系 明確數(shù)據(jù)分析流程中不同軟件工具的作用 常用描述性統(tǒng)計方法 常用數(shù)據(jù)挖掘方法

2、Python 基礎

【領會】 Python 語言的特點、語法、應用場景

  • 【熟知】
  • Python 基礎語法，包括基本數(shù)據(jù)類型、運算符、條件控制語句、循環(huán)語句等；
  • Python 函數(shù)式編程，常用高階函數(shù)，包括 map 函數(shù)、reduce 函數(shù)、filter 函數(shù)及模塊相關功能
  • Python 面向?qū)ο缶幊烫匦裕惡蛯嵗?、繼承、多態(tài)
  • 利用 Python 鏈接數(shù)據(jù)庫
  • Python 可視化常用包及其基本使用方法
3、Linux 與 Ubuntu 基礎
  • 【領會】
  • Linux 入門
  • Linux 與 Ubuntu 的關系
  • Ubuntu 的安裝及配置
  • Ubuntu 文件組織形式
  • Ubuntu 操作系統(tǒng)的常用命令
  • SSH 理論基礎
  • 了解其他常用 Linux 系統(tǒng)，如 CentOS，RedHat，SUSE 等
  • 【熟知】
  • Ubuntu 操作系統(tǒng)命令及使用命令編輯文件
  • IP 地址的基礎理論
  • SSH 命令使用方法
  • 利用 SSH 基于密匙的安全驗證進行多個節(jié)點間的無密碼登陸
  • 【應用】
  • 安裝配置 Linux 操作系統(tǒng)
  • 利用 SSH 基于密匙的安全驗證進行多個節(jié)點間的無密碼登陸
  • 掌握部分 shell 命令進行 Linux 操作，如 awk、grep、sed 典型的文本處理工具
PART 2 Hadoop 理論
1、Hadoop 安裝配置及運行機制解析
2、HDFS 分布式文件系統(tǒng)
  • 【領會】
  • HDFS 的概念及設計
  • HDFS 體系結(jié)構(gòu)及運行機制，
  • NameNode、DataNode、SecondaryNameNode 的作用及運行機制
  • HDFS 的備份機制和文件管理機制
  • 【熟知】
  • HDFS 的運行機制
  • NameNode、DataNode、SecondaryNameNode 的配置文件
  • HDFS 文件系統(tǒng)的常用命令
  • 【應用】
  • 使用命令及 Java 語句操作 HDFS 中的文件 使用 JPS 查看 NameNode、DataNode、SecondaryNameNode 的運行狀態(tài)
3、MapReduce 理論及實戰(zhàn)
  • 【領會】
  • MapReduce 的概念及設計
  • MapReduce 運行過程中類的調(diào)用過程
  • Mapper 類和 Reducer 類的繼承機制
  • job 的生命周期
  • MapReduce 中 block 的調(diào)度及作業(yè)分配機制
  • 【熟知】
  • MapReduce 程序編寫的主要內(nèi)容
  • MapReduce 程序提交的執(zhí)行過程
  • MapReduce 程序在瀏覽器的查看
  • 【應用】
  • Mapper 類和 Reducer 類的主要編寫內(nèi)容和模式
  • job 的實現(xiàn)和編寫
  • 編寫基于 MapReduce 模型的 wordcount 程序
  • 相應 jar 包的打包和集群運行
4、Hadoop 生態(tài)其他常用組件
  • 【領會】
  • HBase 基本功能、Hive 基本功能、Sqoop 基本功能、ZooKeeper 的基本功能、Flink 基本功能
  • 【熟知】
  • HBase 的安裝配置及常用命令、Hive 的安裝配置及常用命令、Sqoop 的安裝配置及常用 命令、ZooKeeper 的安裝配置及常用命令、Flink 安裝配置及常用命令
  • 【應用】
  • HBase、Hive、Sqoop、Flink 及 ZooKeeper 的安裝與運行
PART 3 大數(shù)據(jù)分析之數(shù)據(jù)庫理論及工具
1、數(shù)據(jù)庫導論
  • 【領會】
  • 數(shù)據(jù)、數(shù)據(jù)庫、數(shù)據(jù)庫管理系統(tǒng)、數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)倉庫的概念
  • 數(shù)據(jù)管理發(fā)展的三個階段，不同階段數(shù)據(jù)管理的特點，特別是數(shù)據(jù)庫系統(tǒng)的特點
  • 數(shù)據(jù)依賴及數(shù)據(jù)規(guī)范化理論、數(shù)據(jù)模型理論及方法
  • 【熟知】
  • SQL 的基本概念和特點
  • SQL 的數(shù)據(jù)定義功能
  • SQL 的數(shù)據(jù)查詢功能
  • CRUD 操作
  • SQL 的數(shù)據(jù)更新功能
  • 不同 NoSQL 數(shù)據(jù)庫的特點及使用場合
2、MySQL 理論及實戰(zhàn)
  • 【領會】
  • 數(shù)據(jù)庫、表、索引和視圖的相關概念
  • 數(shù)據(jù)庫完整性約束的概念、定義及使用方法
  • 數(shù)據(jù)庫、表、索引和視圖的維護方法
  • 【熟知】
  • MySQL 中 SELECT 命令的基本格式
  • 掌握單表查詢的方法和技巧
  • 掌握多表連接查詢的方法和技巧
  • 掌握嵌套查詢、集合查詢的方法和技巧
  • 【應用】
  • MySQL 平臺下的 SQL 交互操作
3、Hive 數(shù)據(jù)倉庫基礎
4、Hive 的基本命令

  • 【領會】

  • Hive 中的數(shù)據(jù)庫概念、修改數(shù)據(jù)庫

  • 【熟知】

  • 創(chuàng)建表、管理表、外部表、分區(qū)表、刪除表

  • 【應用】

  • 向表中增加數(shù)據(jù)

  • 通過查詢語句向表中插入數(shù)據(jù)

  • 單個查詢語句中創(chuàng)建表并加載數(shù)據(jù)

  • 導出數(shù)據(jù)

5、Hive 中檢索數(shù)據(jù)

  • 【領會】

  • Hive 中的命令語句是類 SQL 語句

  • 【熟知】

  • SELECT…FROM 語句

  • 【應用】

  • 使用列值進行計算、算術(shù)運算符、使用函數(shù)、列別名、嵌套 SELECT 語句、WHERE 語句、group by 語句、集合運算、多表連接、內(nèi)連接、外連接、笛卡爾積連接、order by 語句、 抽樣查詢、視圖。

6、Sqoop 基礎
7、HBase 理論及實戰(zhàn)
  • 【領會】
  • HBase 的基礎概念、數(shù)據(jù)模型、存儲模型
  • HBase 集群配置參數(shù)分析
  • HBase 集群查看方式
  • 【熟知】
  • HBase shell 常用的操作命令
  • HBase 的參數(shù)配置
  • HBase 的每個數(shù)據(jù)單元的操作方式
  • 區(qū)域服務器(Region Server)和主服務器(Master Server)的管理模式
  • HBase 的存儲模式
  • 【應用】
  • HBase 的偽分布和集群的安裝及配置
  • HBase 的 API 操作項目實戰(zhàn)
PART 4 大數(shù)據(jù)分析之數(shù)據(jù)挖掘理論基礎
1、數(shù)據(jù)挖掘的基本思想
2、數(shù)據(jù)挖掘基礎知識
  • 【熟知】
  • 數(shù)據(jù)、算法基本概念
  • 算法基本分類方法
  • 有監(jiān)督學習算法中的訓練樣本、測試樣本、特征變量、目標變量（標簽）等常用術(shù)語的相關定義
3、有監(jiān)督學習算法
4、無監(jiān)督學習算法
PART 5 大數(shù)據(jù)分析之 Spark 工具及實戰(zhàn)
1、Spark 基礎理論
  • 【領會】
  • Spark 大數(shù)據(jù)生態(tài)系統(tǒng)的功能與結(jié)構(gòu)
  • Spark、Hadoop 之間的區(qū)別與聯(lián)系
  • Spark 大數(shù)據(jù)生態(tài)系統(tǒng)的特點
  • Scala 基本語法
  • 【熟知】
  • Spark 生態(tài)系統(tǒng)中的四大核心組件
  • Spark 與 MapReduce 的對比與分析
  • Spark 與 MapReduce 適用的應用場景
  • Spark 的多種運行模式
  • 【應用】
  • 熟練掌握 Standalone 模式下 Spark 集群的搭建步驟
  • 配置文件中參數(shù)的具體含義
2、Spark RDD 基本概念與常用操作
  • 【領會】
  • Spark RDD 基本概念
  • Spark API
  • Spark 任務調(diào)度策略
  • 【熟知】
  • Spark RDD 的特性
  • RDD 上的轉(zhuǎn)換操作、執(zhí)行操作、持久化操作
  • RDD 之間的寬依賴關系與窄依賴關系 【應用】
  • 基于 Spark API 編寫詞頻統(tǒng)計程序，并在詞頻統(tǒng)計程序基礎上進行功能擴展，SparkContext、TaskScheduler、DAGScheduler 等核心代碼的分析與調(diào)試。
3、Spark 流式計算框架 Spark Str eaming、Structur ed Str eaming
  • 【領會】
  • Kafka 分布式消息分發(fā)機制
  • Spark Streaming 應用場景
  • Spark Streaming 基本概念
  • Spark DStream 的存儲級別
  • Structured Streaming 計算框架
  • 【熟知】
  • 批處理間隔、離散數(shù)據(jù)流 Spark DStream、窗口、滑動間隔、窗口間隔等重要概念
  • 熟練使用 Spark DStream 的相關操作
  • Spark Streaming 的三種應用模式，以及實現(xiàn)三種模式的相關操作
  • 【應用】
  • 搭建 Kafka 環(huán)境，能夠?qū)?Kafka 作為高級數(shù)據(jù)源時使用 Spark Streaming，基于 HDFS 上 文本數(shù)據(jù)創(chuàng)建 Spark DStream，并利用相關操作進行數(shù)據(jù)分析，基于網(wǎng)絡中實時數(shù)據(jù)創(chuàng)建 Spark DStream，并結(jié)合窗口等概念和相關操作進行數(shù)據(jù)分析，基于無狀態(tài)模式處理 HDFS 上的文本數(shù)據(jù)，基于 stateful 與 window 模式處理網(wǎng)絡實時數(shù)據(jù)。
4、Spark 交互式數(shù)據(jù)查詢框架 Spark SQL

【領會】

  • Spark SQL 的發(fā)展歷程
  • Spark SQL 的性能
  • Spark SQL、Hive、Shark 之間的聯(lián)系
  • Spark SQL 的應用場景
  • hive/console 的安裝過程與基本原理
  • 【熟知】
  • 基于 Hadoop 搭建 Spark SQL 的測試環(huán)境
  • 掌握 LogicalPlan、SqlParser、Analyzer、Optimizer 等組件
  • SchemaRDD 的基本概念與相關操作
  • 不同數(shù)據(jù)源的運行計劃
  • 不同查詢的運行計劃
  • 查詢優(yōu)化策略
  • 【應用】
  • HiveContext 與 SQLContext 的基礎應用，利用 Spark SQL 對 JSON 文件、Parquet 文- 件以 及 Hive 上的數(shù)據(jù)進行交互式查詢。
5、Spark 機器學習算法庫 Spark MLlib 基本使用方法
  • 【領會】
  • Spark MLlib 的基本框架與原理
  • Spark MLlib 中 ML 庫與 MLlib 庫區(qū)別
  • 【熟知】
  • Spark MLlib 中矩陣向量運算方法
  • Spark MLlib 中常用統(tǒng)計計算方法
  • 【應用】
  • 能夠利用 ML Pipelines 構(gòu)建機器學習流
  • 能夠利用 TF-IDF、Word2Vec、CountVectorizer 等進行特征抽取、轉(zhuǎn)化和選擇
  • 能夠利用 ML 進行機器學習模型建模，至少掌握以下常用模型建模方法，包括決策樹、 邏輯回歸、KMeans 聚類、GMM 高斯混合模型聚類、協(xié)同過濾、隨機森林、SVM 等模型
  • 能夠利用 CrossValidator（交叉驗證）和 TrainValidationSplit（訓練驗證分割）進行模型評估與參數(shù)調(diào)優(yōu)
6、Spark 圖計算框架 Gr apX
  • 【領會】
  • Spark GraphX 簡介
  • Spark GraphX、GraphLab、Pregel 的聯(lián)系與區(qū)別
  • Spark GraphX 中表視圖與圖視圖的兩種數(shù)據(jù)的轉(zhuǎn)換
  • 圖論基本概念
  • 【熟知】
  • Spark GraphX 中數(shù)據(jù)的主要表示形式
  • 圖的存儲模型
  • Spark GraphX 提供的切分策略
  • 圖的構(gòu)建操作
  • 圖的屬性操作
  • 圖的結(jié)構(gòu)操作
  • 【應用】
  • Spark GraphX 源碼分析與調(diào)試
  • 基于 Pregel 的 API 實現(xiàn)圖的 PageRank 和最短路徑算法
PART 6 大數(shù)據(jù)分析之數(shù)據(jù)可視化方法?
1、數(shù)據(jù)可視化入門基礎
2、Python 數(shù)據(jù)可視化
  • 【領會】
  • Python 可視化發(fā)展近況及其優(yōu)勢
  • 【熟知】
  • Python 數(shù)據(jù)可視化常用包的安裝與更新，包括 Matplotlib、Seaborn 等
  • 利用 Matplotlib、Seaborne 繪制常用可視化圖形
3、Python 高級可視化方法
  • 【領會】
  • Echarts 基本情況與主要應用背景
  • 【熟知】
  • echarts/' style='color:#000;font-size:inherit;'>Pyecharts 的安裝與更新
  • 利用 echarts/' style='color:#000;font-size:inherit;'>Pyecharts 繪制常見可視化圖形
PART 6 大數(shù)據(jù)分析實戰(zhàn)
1、利用 HDFS Shell 操作 HDFS 文件系統(tǒng)
  • 【熟知】
  • HDFS 常用命令，包括創(chuàng)建文件目錄命令、文件傳輸命令、文件修改及刪除命令等
2、利用 Hive SQL 進行數(shù)據(jù)清洗
3、利用 Sqoop 進行數(shù)據(jù)傳輸
  • 【熟知】
  • 能夠靈活使用 Sqoop shell 命令進行文件在 Hadoop 中與 MySQL 數(shù)據(jù)庫中的轉(zhuǎn)化操作， 以達到文件傳輸要求
4、利用 Spark SQL 進行數(shù)據(jù)讀取
  • 【熟知】
  • 能夠靈活應用 Spark SQL 讀取文件，并能夠?qū)⑵渌?a href='/map/shujuleixing/' style='color:#000;font-size:inherit;'>數(shù)據(jù)類型按要求轉(zhuǎn)化為 DataFrame， 以方便后續(xù)機器學習建模工作
5、Spark MLlib 進行機器學習建模
  • 【熟知】
  • 能夠根據(jù)分析要求，靈活調(diào)用 MLlib 中的相關算法進行分析，并能進一步構(gòu)建機器學習 流，能夠利用調(diào)參工具對模型進行調(diào)優(yōu)，能夠利用模型評估指標最終建模結(jié)果進行評估。
6、利用 Python 進行建模結(jié)果數(shù)據(jù)可視化
  • 最終建模完成后，結(jié)合實際業(yè)務場景和演示需求，將建模結(jié)果導入本地，并利用 Pyhton 工具，合理選擇對應第三方庫，對建模結(jié)果進行數(shù)據(jù)可視化演示。

這里分享一個你一定用得到的小程序——CDA數(shù)據(jù)分析師考試小程序。 它是專為CDA數(shù)據(jù)分析認證考試報考打造的一款小程序。可以幫你快速報名考試、查成績、查證書、查積分，通過該小程序，考生可以享受更便捷的服務。 掃碼加入CDA小程序，與圈內(nèi)考生一同學習、交流、進步！

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }