課程時間
課程簡介
考試須知
課程內容
詳細內容

課程優惠！現凡同時報讀以下三個課程：

即減 $930！報讀其中兩個即減 $500！

推介服務：課堂錄影隨時睇 (在家觀看 = 0%，在校觀看 = 100%)

學員使用電話或本網頁報名，待本中心確認已為學員留位後，即可使用轉數快

繳付學費，過程簡便！

編號	地點	可預約星期及時間	學費低至 85 折
BG2412AV	不限	請參看個別地點	$5,980
BG2412MV	旺角	一至五：14:30 - 22:15 六：13:45 - 21:30 日：10:15 - 18:00 (公眾假期休息)	95 折後只需 $5,681
BG2412OV	觀塘	一至五：14:15 - 22:00 六及日：12:15 - 20:00 (星期三及公眾假期休息)	9 折後只需 $5,382
BG2412PV	北角	一至五：14:15 - 22:00 六及日：12:15 - 20:00 (星期三及公眾假期休息)	9 折後只需 $5,382
BG2412SV	沙田	一至五：14:15 - 22:00 六及日：12:15 - 20:00 (星期三及公眾假期休息)	85 折後只需 $5,083
BG2412YV	屯門	一至五：14:15 - 22:00 六及日：12:15 - 20:00 (星期一、三及公眾假期休息)	85 折後只需 $5,083

* 各政府部門可使用 P Card 付款
如使用 P Card 繳付考試費，考試費需另加 1.3% 附加費

在校免費試睇：

首 1 小時，請致電與本中心職員預約。查看各地點電話

旺角	2332-6544
觀塘	3563-8425
北角	3580-1893
沙田	2151-9360
屯門	3523-1560

在校免費重睇：

學員可於享用時期內於報讀地點不限次數地重看課堂錄影，從而可反覆重溫整個課程！

導師解答：

學員可於觀看某一課堂錄影後提出課堂直接相關的問題，課程導師會樂意為學員以單對單的形式解答！

課時：

18 小時

享用時期：

6 星期。進度由您控制，可快可慢。

課堂錄影導師：

Franco (任教課程清單)

在校觀看：

詳情及示範片段

推介服務：課堂錄影隨時睇 (在家觀看 = 100%，在校觀看 = 0%)

學員使用電話或本網頁報名，待本中心確認已為學員留位後，即可使用轉數快

繳付學費，過程簡便！

編號	地點	星期及時間	費用
BG2412HH	在家	享用時期內每星期 7 天 (包括公眾假期)，每天 24 小時全天候不限次數地觀看。	$5,980

* 各政府部門可使用 P Card 付款
如使用 P Card 繳付考試費，考試費需另加 1.3% 附加費

在校免費試睇：

首 1 小時，請致電與本中心職員預約。查看各地點電話

旺角	2332-6544
觀塘	3563-8425
北角	3580-1893
沙田	2151-9360
屯門	3523-1560

導師解答：

學員可於觀看某一課堂錄影後提出課堂直接相關的問題，課程導師會樂意為學員以單對單的形式解答！

課時：

18 小時

在家觀看時禁用程式：

一些危害課堂錄影版權的程式。

享用時期：

6 星期。進度由您控制，可快可慢。

課堂錄影導師：

Franco (任教課程清單)

在家觀看：

服務條款及守則、報讀程序及示範片段

地區	地址	電話	教育局註冊編號
旺角	九龍旺角亞皆老街 109 號，皆旺商業大廈 18 樓 1802 - 1807 室	2332-6544	533459
觀塘	九龍觀塘成業街 7 號寧晉中心 12 樓 G2 室	3563-8425	588571
北角	香港北角馬寶道 41-47 號華寶商業大廈 3 樓 01-02 號舖	3580-1893	591262
沙田	新界沙田石門安群街 3 號京瑞廣場 1 期 10 樓 M 室	2151-9360	604488
屯門	新界屯門屯喜路 2 號屯門柏麗廣場 17 樓 1708 室	3523-1560	592552

注意！客戶必須查問報讀學校的教育局註冊編號，以確認該校為註冊學校，以免蒙受不必要的損失！

下一頁：課程簡介

大數據 (Big data) 是一個近年相當流行的概念。當中涉及的概念和技術都相當多，要學習大數據技術，就由學習大數據 (Big data) 概念及考取大數據 (Big data) 的國際認證開始。

Arcitura Education 推出一系列大數據 (Big data) 的國際認證，當中包括相當流行的 Big Data Professional 和 Big Data Science Professional。考試主要考核一般大數據的概念，當中不涉及實質編寫程式和不涉及實質操作大數據平台或軟件。這表示考取國際認證的準備過程中不需要實質學習編寫程式和不需要實質學習操作大數據平台或軟件。這有助減少學習曲線 (learning curve reduction)。考取國際認證後如果有興趣學習大數據 (Big Data) 技術，大家可以考慮修讀以下的課程以豐富大家的大數據 (Big data) 實作技術。

Apache Spark + Scala 大數據分析 (Big Data Analysis) 及機器學習 (Machine Learning) 技術基礎課程,
https://www.systematic.com.hk/apache-spark-scala-big-data-analysis-machine-learning.htm
Hadoop 大數據技術基礎課程 (Big Data),
https://www.systematic.com.hk/hadoop-big-data.htm
Scikit Learn 機器學習 (Machine Learning) 入門課程,
https://www.systematic.com.hk/scikit-learn-machine-learning.htm

* 以上的課程以課程名稱的英文字母作排序準則

Big Data Professional + Big Data Science Professional 國際認可證書課程時數 18 小時。課程內容主要針對考試需要為主，每條考試題目均附有標準答案以幫助學員通過考試。

為使課堂更為充實和有趣，導師會在課堂示範以下技術。

Cassandra

big-data-course-training

Collaborative Filtering

big-data-course-training

Correlation and Regression

big-data-course-training

MemSQL

big-data-course-training

MongoDB

big-data-course-training

MySQL

big-data-course-training

Neo4j

big-data-course-training

Redis

big-data-course-training

Web scraping (ETL) by JS browser automation libraries

big-data-course-training

VoltDB

big-data-course-training

Browser Automation with web scraping by Python.

big-data-course-training

Classification by Python

big-data-course-training

Supervised Machine Learning + Outlier Detection by Python

big-data-course-training

Clustering (KMean) by Python

big-data-course-training

Sentiment Analysis (情感分析) in AWS (Amazon Web Service)

big-data-course-training

Entity Recognition in AWS

big-data-course-training

課程名稱：	Big Data Professional + Big Data Science Professional 國際認可證書課程 - 簡稱：Big Data Training Course
課程時數：	課堂 18 小時 (共 6 堂)
適合人士：	對大數據 (Big Data) 概念有興趣的人士
授課語言：	以廣東話為主，輔以英語
課程筆記：	本中心導師親自編寫英文為主筆記，而部份英文字附有中文對照。
提供模擬考試題目：	本中心為學員提供充足的模擬考試題目，每條考試題目均附有標準答案。而較難理解的題目，均會附有 Franco 的解釋。

上一頁：課程時間

下一頁：考試須知

只要你於下列科目取得合格成績，便可獲 Big Data Professional 國際認可證書：

Exam B90.01: Fundamental Big Data
Any one additional exam (e.g. Exam B90.02 or B90.03)

只要你於下列科目取得合格成績，便可獲 Big Data Science Professional 國際認可證書：

Exam B90.01: Fundamental Big Data
Exam B90.02: Big Data Analysis & Technology Concepts
Exam B90.03: Big Data Analysis & Technology Lab

本中心為 Arcitura Education 指定的 Big Data Professional / Big Data Science Professional 考試試場，報考時請致電本中心，登記欲報考之科目考試編號、考試日期及時間 (最快可即日報考)。

臨考試前要繳付考試費：

Exam B90.01: HK$976
Exam B90.02: HK$976
Exam B90.03: HK$1,140

及必須出示下列兩項有效之身份證明文件，否則考生不可進行考試，而已繳付之考試費亦不會退回：
1. 香港身份證及
2. 附有考生姓名及簽名的證件 (如信用咭、香港特區護照、BNO 等)

考試題目由澳洲考試中心傳送到你要應考的電腦，考試時以電腦作答。所有考試題目均為英文，而大多數的考試題目為單項選擇題 (意即 O) 或多項選擇題 (意即口)，其餘則為配對題及實戰題。作答完成後會立即出現你的分數，結果即考即知！考試不合格便可重新報考，不限次數。欲知道作答時間、題目總數、合格分數等詳細考試資料，可瀏覽本中心網頁 "各科考試分數資料"。

上一頁：課程簡介

下一頁：課程內容

課程名稱：Big Data Professional + Big Data Science Professional 國際認可證書課程
- 簡稱：Big Data Training Course

Exam B90.01: Fundamental Big Data

Understanding Big Data
Fundamental Terminology & Concepts
Big Data Business & Technology Drivers
Traditional Enterprise & Technologies Related to Big Data
Characteristics of Data in Big Data Environments
Dataset Types in Big Data Environments
Fundamental Analysis and Analytics
Machine Learning Types
Business Intelligence & Big Data
Data Visualization & Big Data
Big Data Adoption & Planning Considerations

Exam B90.02: Big Data Analysis & Technology Concepts

Big Data Analysis Lifecycle (from business case evaluation to data analysis and visualization)
A/B Testing, Correlation
Regression, Heat Maps
Time Series Analysis
Traditional Enterprise
Network Analysis
Spatial Data Analysis
Classification, Clustering
Filtering (including collaborative filtering & content-based filtering)
Sentiment Analysis, Text Analytics
Processing Workloads, Clusters
Cloud Computing & Big Data
Foundational Big Data Technology Mechanisms

Exam B90.03: Big Data Analysis & Technology Lab

Case discussions

為使課堂更為充實和有趣，導師會在課堂示範以下技術。

Cassandra

big-data-course-training

Collaborative Filtering

big-data-course-training

Correlation and Regression

big-data-course-training

MemSQL

big-data-course-training

MongoDB

big-data-course-training

MySQL

big-data-course-training

Neo4j

big-data-course-training

Redis

big-data-course-training

Web scraping (ETL) by JS browser automation libraries

big-data-course-training

VoltDB

big-data-course-training

Browser Automation with web scraping by Python.

big-data-course-training

Classification by Python

big-data-course-training

Supervised Machine Learning + Outlier Detection by Python

big-data-course-training

Clustering (KMean) by Python

big-data-course-training

Sentiment Analysis (情感分析) in AWS (Amazon Web Service)

big-data-course-training

Entity Recognition in AWS

big-data-course-training

上一頁：考試須知

下一頁：詳細內容

1 Introduction to Big Data
1.1 Big Data characteristics, concepts and terminology
1.1.1 Statistics vs Big Data
1.1.2 Big Data solutions
1.1.3 Common Big Data terminology
1.1.3.1 Datasets
1.1.3.2 Data Analysis
1.1.3.3 Data Analytics
1.1.3.3.1 Stakeholders of data analytics
1.1.3.3.2 Descriptive, Diagnostic, Predictive, Prescriptive analytics
1.1.3.3.2.1 Descriptive analytics
1.1.3.3.2.2 Diagnostic analytics
1.1.3.3.2.3 Predictive analytics
1.1.3.3.2.4 Prescriptive analytics
1.1.3.4 Business Intelligence (BI)
1.1.3.5 Key Performance Indicators (KPI)
1.1.3.5.1 SMART
1.1.3.5.1.1 S
1.1.3.5.1.2 M
1.1.3.5.1.3 A
1.1.3.5.1.4 R
1.1.3.5.1.5 T
1.1.4 Big Data characteristics
1.1.4.1 Volume
1.1.4.1.1 Size units
1.1.4.2 Velocity
1.1.4.3 Variety
1.1.4.4 Veracity (signal vs noise)
1.1.4.5 Value (compared with veracity and time)
1.2 Types of data / data formats
1.2.1 Structured data
1.2.2 Unstructured data
1.2.3 Semi-structured data
1.2.3.1 Semi-structured data as metadata

2 Big Data adoption, analytics and planning considerations
2.1 Business momentum of Big Data adoption
2.1.1 Marketplace dynamics
2.1.1.1 DIKW structure
2.1.1.1.1 D
2.1.1.1.2 I
2.1.1.1.3 K
2.1.1.1.4 W
2.1.2 Business architecture
2.1.3 Business process management
2.1.4 Information and communications technology
2.1.4.1 Digitalization
2.1.4.2 Data science and analytics
2.1.4.3 Accordable technology and commodity hardware

2.1.5 IoE / hyper-connected communities and devices
2.2 Planning considerations
2.2.1 Organization prerequisites
2.2.2 Data procurement (External data sources)
2.2.3 Governance, cybersecurity and privacy
2.2.4 Provenance
2.2.5 Realtime support
2.2.6 Performance
2.2.7 Methodology
2.2.8 Cloud computing
2.3 Big Data Analytics Lifecycle
2.3.1 Business case evaluation
2.3.2 Data identification
2.3.3 Data acquisition & filtering
2.3.4 Data extraction
2.3.5 Data validation & cleansing
2.3.6 Data aggregation & representation
2.3.7 Data analysis
2.3.7.1 Confirmatory analysis (確認分析)
2.3.7.2 Exploratory analysis (探索性分析)
2.3.8 Data visualization
2.3.9 Utilization of analysis results

3 Data science technologies and Big Data BI
3.1 OLTP (Online Transaction Processing)
3.2 OLAP (Online Analytical Processing)
3.3 ETL (Extract Transform Load)
3.3.1 Extract
3.3.2 Transform
3.3.3 Load
3.3.4 ELT in Big Data solution
3.3.4.1 ELT (Not ETL!!)
3.4 Data Warehouses
3.5 Data Marts
3.6 Traditional Business Intelligence (BI)
3.6.1 Ad-hoc reports
3.6.2 Dashboard
3.7 Big Data Business Intelligence (BI)
3.8 Data Visualization
3.8.1 Data Visualization (Traditional)
3.8.2 Data Visualization (Big Data)
3.8.2.1 Aggregation, filtering, drill-down, roll-up and what-if analysis

4 Big Data Storage
4.1 Concepts
4.1.1 Clusters
4.1.2 File Systems
4.1.3 Distributed File Systems
4.1.4 NoSQL
4.1.5 Sharding
4.1.6 Replication
4.1.6.1 Master-slave replication
4.1.6.1.1 Read inconsistency problem and its solution
4.1.6.2 Peer-to-peer replication
4.1.6.2.1 Write inconsistency problem and its solution
4.1.6.2.1.1 Pessimistic concurrency
4.1.6.2.1.2 Optimistic concurrency as its read inconsistency issue
4.1.7 Sharding + replication
4.1.7.1 Sharding + master-slave replication
4.1.7.1.1 Option 1
4.1.7.1.2 Option 2
4.1.7.2 Sharding + peer-to-peer replication
4.1.8 CAP theory
4.1.8.1 CAP
4.1.8.2 CA vs CP vs AP
4.1.9 ACID
4.1.9.1 A
4.1.9.2 C
4.1.9.3 I
4.1.9.4 D
4.1.10 BASE
4.1.10.1 BA
4.1.10.2 S
4.1.10.3 E
4.2 Technologies
4.2.1 On-disk storage
4.2.1.1 Distributed file systems
4.2.1.2 Relational database management systems (RDBMS)
4.2.1.3 NoSQL
4.2.1.3.1 Types of NoSQL
4.2.1.3.1.1 key-value
4.2.1.3.1.2 document
4.2.1.3.1.3 column-family
4.2.1.3.1.4 graph
4.2.1.4 NewSQL
4.2.2 In-memory storage
4.2.2.1 General overview of in-memory storage
4.2.2.2 In-memory storage implementations
4.2.2.2.1 In-memory data grid
4.2.2.2.1.1 Read-through
4.2.2.2.1.2 Write-through
4.2.2.2.1.3 Write-behind
4.2.2.2.1.4 Refresh-ahead
4.2.2.2.2 In-memory database

5 Big Data processing
5.1 Parallel data processing
5.2 Distributed data processing
5.3 Types of processing workloads
5.3.1 Batch
5.3.2 Transactional / Real-time / Streaming
5.4 Hadoop
5.5 Cluster
5.5.1 Batch processing mode
5.5.1.1 MapReduce
5.5.1.1.1 Introduction to MapReduce
5.5.1.1.2 MapReduce tasks
5.5.1.1.2.1 Overview of MapReduce
5.5.1.1.2.2 Map tasks
5.5.1.1.2.2.1 Map
5.5.1.1.2.2.2 Combine
5.5.1.1.2.2.3 Partition
5.5.1.1.2.3 Reduce tasks
5.5.1.1.2.3.1 Shuffle and Sort
5.5.1.1.2.3.2 Reduce
5.5.1.1.2.4 Summarization of MapReduce tasks
5.5.1.1.3 MapReduce algorithms
5.5.1.1.3.1 Task Parallelism
5.5.1.1.3.2 Data Parallelism
5.5.1.1.3.3 Traditional algorithms vs MapReduce algorithms
5.5.1.1.3.4 Key considerations of MapReduce algorithms
5.5.2 Realtime processing mode
5.5.2.1 SCV principle
5.5.2.1.1 S
5.5.2.1.2 C
5.5.2.1.3 V
5.5.2.2 Event stream processing
5.5.2.3 Complex event processing

6 Big Data analysis
6.1 Quantitative analysis (定量分析)
6.2 Qualitative analysis (定性分析)
6.3 Data mining
6.4 Statistical analysis
6.4.1 A/B testing
6.4.2 Correlation
6.4.2.1 1
6.4.2.2 -1
6.4.2.3 0
6.4.2.4 Use cases
6.4.3 Regression
6.4.3.1 Linear regression
6.4.3.2 Non-linear regression
6.4.3.3 More than one independent variable?
6.4.3.4 Use cases
6.4.3.5 Differences between correlation vs regression
6.5 Machine Learning
6.5.1 Techniques
6.5.1.1 Classification (Supervised Machine Learnings)
6.5.1.2 Clustering (Unsupervised Machine Learning)
6.5.1.3 Outlier Detection
6.5.1.4 Filtering
6.5.1.4.1 Collaborative filtering
6.5.1.4.2 Content-based filtering
6.5.1.4.3 Recommender system and filtering
6.5.1.4.4 Use cases
6.5.2 Two fundamental laws regarding machine learning
6.5.2.1 Law of Large Numbers
6.5.2.2 Law of Diminishing Marginal Utility
6.6 Semantic Analysis (語義分析)
6.6.1 Natural Language Processing (NLP)
6.6.2 Text Analytics
6.6.3 Sentiment Analysis (情感分析)
6.7 Visual Analysis
6.7.1 Heat Maps
6.7.2 Time Series Plots
6.7.3 Network Graphs
6.7.4 Spatial Data Analysis
6.8 Mappings to analysis, analytics and machine learning
6.8.1 Quantitative analysis
6.8.2 Qualitative analysis
6.8.3 Data mining
6.8.4 Descriptive analytics
6.8.5 Diagnostic analytics
6.8.6 Predictive analytics
6.8.7 Prescriptive analytics
6.8.8 Supervised machine learning
6.8.9 Unsupervised machine learning

7 Big Data technology mechanisms
7.1 Storage devices
7.2 Processing engines
7.3 Resource manager
7.4 Data transfer engines
7.5 Query engines
7.6 Analytics engines
7.7 Workflow engines
7.8 Coordination engines

8 Case study and brainstorming
8.1 Case study
8.1.1 Background
8.1.2 “Lab” and discussion

9 Examinations
9.1 Exam B90.01
9.1.1 Basic information
9.1.2 Exam topics and important points (重點精華)
9.1.2.1 Scope
9.1.2.2 Understanding Big Data
9.1.2.3 Fundamental Terminology & Concepts
9.1.2.4 Big Data Business & Technology Drivers

9.1.2.6 Characteristics of Data in Big Data Environments
9.1.2.7 Dataset Types / Types of Data in Big Data Environments
9.1.2.8 Fundamental Analysis, Analytics & Machine Learning Types
9.1.2.8.1 Analysis
9.1.2.8.2 Analytics
9.1.2.8.3 Machine Learning Types
9.1.2.9 Business Intelligence & Big Data
9.1.2.10 Data Visualization & Big Data
9.1.2.11 Big Data Adoption & Planning Considerations
9.2 Exam B90.02
9.2.1 Basic information
9.2.2 Exam topics and important points (重點精華)
9.2.2.1 Scope
9.2.2.2 Big Data Analysis vs Traditional Data Analysis
9.2.2.3 Big Data Analysis Lifecycle
9.2.2.4 Statistical analysis, visual analysis, machine learning and semantic analysis
9.2.2.5 A/B Testing
9.2.2.6 Correlations
9.2.2.7 Regression
9.2.2.8 Heat Maps
9.2.2.9 Time Series Analysis
9.2.2.10 Network Analysis
9.2.2.11 Spatial Data Analysis
9.2.2.12 Law of Large Numbers
9.2.2.13 Law of Diminishing Marginal Utility
9.2.2.14 Classification
9.2.2.15 Clustering
9.2.2.16 Outlier Detections
9.2.2.17 Filtering
9.2.2.17.1 Collaborative filtering
9.2.2.17.2 Content-based filtering
9.2.2.18 Natural Language Processing (NLP)
9.2.2.19 Text Analytics
9.2.2.20 Sentiment Analysis
9.2.2.21 Big Data Technology Considerations
9.2.2.21.1 Clusters
9.2.2.21.2 File Systems
9.2.2.21.3 Distributed File Systems
9.2.2.21.4 NoSQL
9.2.2.21.5 Parallel Data Processing
9.2.2.21.6 Distributed Data Processing
9.2.2.21.7 Batch
9.2.2.21.8 Transaction / Realtime
9.2.2.21.9 Cloud Computing
9.2.2.22 Big Data Technology Mechanisms
9.2.2.22.1 Minimum Requirements
9.2.2.22.2 Storage Device
9.2.2.22.3 Processing Engine
9.2.2.22.4 Resource Manager
9.2.2.22.5 Data Transfer Engine
9.2.2.22.6 Query Engine
9.2.2.22.7 Analytics Engine
9.2.2.22.8 Workflow Engine
9.2.2.22.9 Coordination Engine
9.3 Exam B90.03
9.3.1 Basic information
9.3.2 Exam topics and important points (重點精華)

10 Appendix
10.1 Tidy Data
10.1.1 Background
10.1.2 Variables and observations
10.1.3 Properties of tidy data
10.1.4 A poor example
10.1.5 A good example
10.1.6 Let’s brainstorm
10.1.6.1 What do you think about the following dataset?
10.1.6.2 How to improve?

上一頁：課程內容

Big Data Professional + Big Data Science Professional 國際認可證書課程課程簡稱：Big Data Training Course

Big Data Professional + Big Data Science Professional 國際認可證書課程
課程簡稱：Big Data Training Course