第二个模块 "大数据与 Hadoop "侧重于 Hadoop 的特点和操作，Hadoop 是谷歌最初使用的大数据系统。讲座解释了 MapReduce、HDFS（Hadoop 分布式文件系统）和数据块处理的功能。这些功能在被分配为 NameNode 或 DataNodes 角色的节点集群上执行，数据处理由 JobTracker 和 TaskTracker 进行，讲座中将对此进行讲解。此外，还讲解了元数据类型的特点以及 Hadoop 和 SQL（结构化查询语言）在数据分析过程中的差异。然后介绍 Hadoop Release Series，其中包括 Hadoop YARN（Yet Another Resource Negotiator）、HDFS Federation 和 HDFS HA（High Availability）大数据技术的说明。

第三个模块 "Spark "主要介绍目前全球最流行的大数据技术 Spark 的操作和特点。讲座首先介绍了 Spark 和 Hadoop 在数据分析特点上的差异，然后深入介绍了基于 RDD（弹性分布式数据集）、Spark Core、Spark SQL、Spark Streaming、MLlib（机器学习库）和 GraphX 核心单元的 Spark 大数据处理的特点。详细介绍了基于 Spark 转换和操作形成的 Spark DAG（有向无环图）阶段和流水线流程的特点。特别是，介绍了懒惰转换和 DAG 操作的定义和优势，以及 Spark 变量和序列化的特点。此外，还介绍了基于 Mesos、Standalone 和 YARN 的 Spark 集群操作过程。

第四模块 "Spark ML & Streaming "侧重于介绍 Spark ML（机器学习）的工作原理以及如何进行 Spark 流操作。Spark ML 算法包括特征化、管道、持久化和实用程序，这些算法在 RDD（弹性分布式数据集）上运行，以从海量数据集中提取信息。本讲座讲解了基于 DataFrame 的 API 的特点，这是 spark.ml 软件包中的主要 ML API。首先介绍基于相关性和假设检验（P 值）的 Spark ML 基本统计算法，然后介绍基于线性模型、奈夫贝叶斯和决策树技术的 Spark ML 分类和回归算法。然后讲解了 Spark 流的特点、流输入和输出以及流接收器类型（包括基本、自定义和高级），接着介绍了 Spark 流流程和 DStream（离散流）如何为实时和近实时应用实现大数据流操作。

第五模块 "Storm "主要介绍 Storm 大数据系统的特点和操作。讲座首先介绍了 Storm、Spark 和 Hadoop 技术在数据分析特性上的差异。然后介绍了基于 nimbus、spouts 和 bolts 的 Storm 大数据处理的特点，接着详细介绍了 Storm 流、监督器和 ZooKeeper。进一步详细介绍了 Storm 可靠和不可靠的喷嘴和螺栓，然后介绍了 Storm DAG（有向无环图）和数据流队列管理的优势。此外，还介绍了使用基于 Storm 的快速实时应用程序的优势，其中包括实时分析、在线 ML（机器学习）、连续计算、DRPC（分布式远程过程调用）和 ETL（提取、转换、加载）。

第六个也是最后一个模块 "IBM SPSS 统计项目 "的重点是提供世界上最著名、使用最广泛的大数据统计分析系统之一的经验。首先，讲座从如何设置和使用 IBM SPSS Statistics 开始，继续介绍如何使用 IBM SPSS Statistics 获得企业数据分析经验。然后，在使用 IBM SPSS Statistics 大数据系统的基础上，进行两个项目的数据处理统计结果。通过这些项目，学生可以发现使用、分析和绘制数据集之间关系图表的新方法，还可以使用 IBM SPSS Statistics 对统计结果进行比较。