模块一：直通硅谷大规模数据处理技术
1.为什么MapReduce会被硅谷一线公司淘汰？
2. MapReduce后谁主沉浮：怎样设计下一代数据处理技术？
3.大规模数据处理初体验：怎样实现大型电商热销榜？
模块二：实战学习大规模数据处理基本功
4.分布式系统（上）：如何用服务等级协议SLA来评估你的系统？
5.分布式系统（下）：架构师不得不知的三大指标
6.如何区分批处理还是流处理？
7.Workflow设计模式：让你在大规模数据世界中君临天下
8.发布/订阅模式：流处理架构中的瑞士军刀
9. CAP定理：三选二，架构师必须学会的取舍
10.Lambda架构：Twitte「千亿级实时数据分析架构背后的倚天剑
11.Kappa架构：使用Kafka锻造的屠龙刀
模块三：抽丝剥茧剖析Apache Spark设计精髓
12. Spark的独有优势：为什么世界需要Spark?
13.弹性分布式数据集：Spark大厦的地基为何如此设计（上）
14.弹性分布式数据集：Spark大厦的地基为何如此设计（下）
15.Spark SQL: Spark数据查询的利器
16.如何用Spark DataFrame API进行实时数据分析？
17.Spark Streaming: Spark 的实时流计算 API
18. WordCount:从零开始运行你的第一个Spark应用
19.综合案例实战：力口州房屋信息的线性回归模型&成年人收入的预测模型
20.更多、更快、更好、更省：实例解析Spark应用程序性能优化
21.深入对比Flink与Spark:帮你的系统设计两开花
模块四：Apache Beam为何能一统江湖
22.Apache Beam的前世今生
23.站在Google的眉膀上学习Beam编程模型
24. PCollection:为何Beam要如此抽象封装数据？
25. Beam数据转换操作的抽象方法
26. Pipeline: Beam如何抽象多步骤的数据流水线？
27. Pipeline I/O: Beam数据中转的设计模式
28.如何设计好一个Beam Pipeline?
29.如何测试Beam Pipeline?
模块五：决战Apache Beam真实硅谷案例
30. Apache Beam 实战冲刺：Beam 如何 run everywhere?
31.WordCount Beam Pipeline 实战
32. Beam Window:打通流处理的任督二脉
33.横看成岭侧成峰：再战Streaming WordCount
34. Amazon 热销榜 Beam Pipeline 实战
35.Facebook游戏实时流处理Beam Rpeline实战（上）
36.Facebook游戏实时流处理Beam Rpeline实战（下）
模块六：大规模数据处理的挑战与未来
37. 5G时代，如何处理实时超大规模物联网数据？
38.大规模数据处理在深度学习中如何应用
39.从SQL到Streaming SQL:突破静态数据查询的次元
40.总结与答疑
网友评论