IBM Datastage For Administrators and Developers Kurzusok

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan kell Data Vault-et építeni.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Data Vault 2.0 mögött meghúzódó architektúrát és tervezési koncepciókat, valamint annak interakcióját a Big Data, NoSQL és AI között.
• Használjon adattároló technikákat, hogy lehetővé tegye az adattárházban lévő előzményadatok auditálását, nyomon követését és ellenőrzését.
• Konzisztens és megismételhető ETL (Extract, Transform, Load) folyamat kialakítása.
• Építsen és telepítsen nagymértékben méretezhető és megismételhető raktárakat.

A kurzus a Data Scientist készségkészlet része (Domain: Data and Technology).

Apache Druid egy nyílt forrású, oszlop-orientált, elosztott adattároló, Java írva. Úgy tervezték, hogy hatalmas mennyiségű eseményadatot gyorsan elnyeljen, és az alacsony késleltetésű OLAP-lekérdezéseket végre tudja hajtani ezekre az adatokra. A Druidot általában üzleti intelligencia alkalmazásokban használják nagy mennyiségű valós idejű és történelmi adat elemzésére. Kiválóan alkalmas gyors, interaktív, analitikus műszerfalak táplálására a végfelhasználók számára. A Druidot olyan cégek használják, mint az Alibaba, az Airbnb, a Cisco , az eBay, a Netflix, a Paypal és a Yahoo.

Ebben az oktató által irányított, élő kurzusban felfedezzük az adattárház-megoldások néhány korlátozását, és megvitatjuk, hogy a Druid hogyan egészítheti ki ezeket a technológiákat, hogy rugalmas és méretezhető adatfolyam-elemzési köteget képezzen. Számos példán keresztül járunk, és lehetőséget biztosítunk a résztvevőknek a Druid-alapú megoldások laboratóriumi környezetben történő megvalósítására és tesztelésére.

A tantárgy formátuma

• Rész előadás, rész vita, nehéz gyakorlati gyakorlat, alkalmi tesztek a megértés felmérésére

Apache Kylin egy szélsőséges, elosztott elemzési motor a nagy adatokhoz.

Ebben az oktató által vezetett élő képzésben a résztvevők megtanulják, hogyan kell használni Apache Kylin egy valós idejű adattároló létrehozását.

A képzés befejezése után a résztvevők képesek lesznek:

• Valós idejű streaming adatok fogyasztása a Kylin használatával
• Használja Apache Kylin's erőteljes funkciók,gazdag SQL interfész, spark fedés és másodlagos lekérdezés lassúság

Megjegyzések

• A Kylin legújabb verzióját használjuk (a jelen írás alapján, Apache Kylin v2.0)

közönség

• Big Data mérnökök
• Big Data Az elemzők

A kurzus formázása

• Részes előadások, részes viták, gyakorlatok és nehéz gyakorlatok

A Mem SQL egy memóriában elosztott, elosztott SQL adatbázis-kezelő rendszer felhők és helyszíni szolgáltatások számára. Ez egy valós idejű adattárház, amely azonnal betekintést nyújt az élő és a történeti adatokból.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják a Mem SQL fejlesztés és adminisztráció alapvető elemeit.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Mem SQL kulcsfogalmait és jellemzőit
• Telepítse, tervezze, karbantartsa és működtesse a Mem SQL
• Optimalizálja a sémákat a Mem SQL
• Javítsa a lekérdezéseket a Mem SQL
• Benchmark teljesítmény a Mem SQL
• A Mem SQL használatával valós idejű adatalapú alkalmazásokat készíthet

Közönség

• Fejlesztők
• A rendszergazdák
• Működési mérnökök

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Az Amazon Redshift egy petabytescale cloudbased adatraktár szolgáltatás az AWS-ben Ebben az oktatott, élő képzésben a résztvevők megtanulják az Amazon Redshift alapjait A képzés végére a résztvevők képesek lesznek: Telepítse és konfigurálja az Amazon Redshift programot Adatok betöltése, konfigurálása, telepítése, lekérdezése és megjelenítése az Amazon Redshift segítségével Közönség Fejlesztők Informatikai szakemberek A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat jegyzet Ha erre a kurzusra személyre szabott képzést szeretne kérni, kérjük, vegye fel velünk a kapcsolatot .

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik több csomópontból álló Greenplum adatbázist szeretnének létrehozni.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Pivotal Greenplum-ot.
• Az adatok modellezése a jelenlegi igényeknek és a jövőbeni bővítési terveknek megfelelően.
• Különböző technikák alkalmazása az adatok több csomópont közötti elosztására.
• Növelje az adatbázis teljesítményét hangolással.
• A Greenplum adatbázis figyelése és hibaelhárítása.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a rendszergazdáknak szól, akik szeretnének beállítani Greenplum Database az üzleti intelligencia és az adattárház megoldásokat.

A képzés végére a résztvevők képesek lesznek:

• Címfeldolgozási igények kielégítése a Greenplum segítségével.
• ETL műveletek végrehajtása adatfeldolgozáshoz.
• Használja ki a meglévő lekérdezésfeldolgozási infrastruktúrákat.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű adatmérnököknek szól, akik szeretnék megtanulni, hogyan használják a Azure Data Lake Storage Gen2-t hatékony adatelemzési megoldásokhoz.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a Azure Data Lake Storage Gen2 architektúráját és főbb jellemzőit.
• Optimalizálja az adattárolást és a hozzáférést a költségek és a teljesítmény érdekében.
• Integrálja a Azure Data Lake Storage Gen2-t más Azure szolgáltatásokkal elemzési és adatfeldolgozási célokra.
• Megoldások fejlesztése a Azure Data Lake Storage Gen2 API használatával.
• A gyakori problémák elhárítása és a tárolási stratégiák optimalizálása.

To meet compliance of the regulators, CSPs (Communication service providers) can tap into Big Data Analytics which not only help them to meet compliance but within the scope of same project they can increase customer satisfaction and thus reduce the churn. In fact since compliance is related to Quality of service tied to a contract, any initiative towards meeting the compliance, will improve the “competitive edge” of the CSPs. Therefore, it is important that Regulators should be able to advise/guide a set of Big Data analytic practice for CSPs that will be of mutual benefit between the regulators and CSPs.

The course consists of 8 modules (4 on day 1, and 4 on day 2)

A technológiák fejlődése és a növekvő információmennyiség számos iparágban, köztük a kormányzatban is megváltoztatja az üzletvitelt. GoAz állami adatgenerálás és a digitális archiválás aránya növekszik a mobileszközök és alkalmazások, az intelligens érzékelők és eszközök, a felhőalapú számítástechnikai megoldások és a polgároknak szánt portálok gyors növekedése miatt. A digitális információk bővülésével és összetettebbé válásával az információkezelés, feldolgozás, tárolás, biztonság és selejtezés is egyre összetettebbé válik. Az új rögzítési, keresési, felfedezési és elemzési eszközök segítségével a szervezetek betekintést nyerhetnek strukturálatlan adataikból. A kormányzati piac egy fordulóponthoz ért, felismerve, hogy az információ stratégiai eszköz, és a kormányzatnak meg kell védenie, ki kell használnia és elemeznie kell a strukturált és a strukturálatlan információkat is, hogy jobban szolgálja és megfeleljen a küldetés követelményeinek. Miközben a kormányzati vezetők arra törekednek, hogy adatvezérelt szervezeteket fejlesszenek ki, hogy sikeresen teljesítsék küldetésüket, lefektetik az alapot az események, személyek, folyamatok és információk közötti függőségek korrelációjához.

Nagy értékű kormányzati megoldások születnek a legrombolóbb technológiák halmazából:

Mobileszközök és alkalmazások Felhőszolgáltatások Társadalmi üzleti technológiák és hálózatépítés Big Data és elemzés

Az IDC előrejelzése szerint 2020-ra az IT-ipar eléri az 5 billió dollárt, ami körülbelül 1,7 billió dollárral nagyobb a jelenleginél, és az iparág növekedésének 80%-át ezek a 3. platformtechnológiák hajtják majd. Hosszú távon ezek a technológiák kulcsfontosságú eszközök lesznek a megnövekedett digitális információk összetettségének kezelésében. A Big Data az egyik intelligens iparági megoldás, és lehetővé teszi a kormányzat számára, hogy jobb döntéseket hozzon azáltal, hogy a nagy mennyiségű – kapcsolódó és független, strukturált és strukturálatlan – adatelemzés során feltárt minták alapján fellép.

De ezeknek a bravúroknak a megvalósítása sokkal többre van szükség, mint egyszerűen hatalmas mennyiségű adat felhalmozása. „E Big Data-mennyiségek értelmezéséhez olyan élvonalbeli eszközökre és technológiákra van szükség, amelyek képesek elemezni és hasznos ismereteket kinyerni a hatalmas és sokrétű információáramokból” – mondta Tom Kalil és Fen Zhao, a Fehér Ház Tudományos és Technológiai Politikai Hivatalának munkatársa az OSTP Blogon írt bejegyzésében.

A Fehér Ház tett egy lépést afelé, hogy segítsen az ügynökségeknek megtalálni ezeket a technológiákat, amikor 2012-ben létrehozta a Nemzeti Big Data Kutatási és Fejlesztési Kezdeményezést. A kezdeményezés több mint 200 millió dollárt tartalmazott a Big Data robbanásából és az ahhoz szükséges eszközökből. elemezze azt.

A Big Data által jelentett kihívások majdnem olyan ijesztőek, mint amennyire az ígérete biztató. Az adatok hatékony tárolása az egyik ilyen kihívás. Mint mindig, a költségvetések szűkösek, ezért az ügynökségeknek minimálisra kell csökkenteniük a tárhely megabájtonkénti árát, és könnyű hozzáférést kell biztosítaniuk az adatokhoz, hogy a felhasználók akkor kaphassák meg, amikor és ahogyan szükségük van rá. A hatalmas mennyiségű adat biztonsági mentése fokozza a kihívást.

Az adatok hatékony elemzése egy másik nagy kihívás. Sok ügynökség alkalmaz olyan kereskedelmi eszközöket, amelyek lehetővé teszik számukra, hogy átvizsgálják az adatok hegyeit, és felfedezzék azokat a trendeket, amelyek elősegíthetik a hatékonyabb működést. (A MeriTalk legutóbbi tanulmánya szerint a szövetségi informatikai vezetők úgy gondolják, Big Data segíthet az ügynökségeknek több mint 500 milliárd dolláros megtakarításban, miközben teljesíti a küldetés céljait.).

Az egyedi fejlesztésű Big Data eszközök is lehetővé teszik az ügynökségek számára, hogy foglalkozzanak adataik elemzésével. Például az Oak Ridge National Laboratory Computational Data Analytics Group más ügynökségek számára is elérhetővé tette Piranha adatelemző rendszerét. A rendszer segített az orvoskutatóknak olyan kapcsolatot találni, amely figyelmeztetheti az orvosokat az aorta aneurizmáira, mielőtt azok fellépnének. A hétköznapibb feladatokhoz is használják, például az önéletrajzok áttanulmányozására, hogy összekapcsolják a jelölteket a munkaerő-felvételi vezetőkkel.

1. nap - magas szintű áttekintést nyújt az alapvető Big Data területéről. A modul szekciók sorozatára oszlik, amelyek mindegyikét gyakorlati gyakorlat kísérik.

2. nap - a Big Data környezetek elemzési gyakorlataival és eszközeivel kapcsolatos témaköröket vizsgálja. Nem kerül be a megvalósításba vagy programozási részletekbe, hanem a fogalom szintjén tartja a lefedettséget, és olyan témákra összpontosít, amelyek lehetővé teszik a résztvevők számára a Big Data megoldások által kínált közös elemzési funkciók és funkciók átfogó megértését.

3. nap - áttekintést ad a Big Data megoldás platform architektúrájához kapcsolódó alapvető és alapvető témakörökről. Magában foglalja a Big Data megoldások platformjának és az adatfeldolgozó platform összeszereléséhez szükséges architekturális lehetőségek fejlesztéséhez szükséges Big Data mechanizmusokat. Gyakori forgatókönyvek is bemutatásra kerülnek, hogy alapvető ismereteket kapjanak arról, hogyan használják általában a Big Data megoldást.

4. nap - a 3. napra építve a Big Data megoldás platform architektúrájához kapcsolódó fejlett témák feltárásával. Különösen a Big Data megoldás platformját alkotó különböző építészeti rétegeket ismertetik és tárgyalják, beleértve az adatforrásokat, az adatok bejutását, az adatok tárolását, az adatfeldolgozást és a biztonságot.

Az 5. nap számos olyan gyakorlattal és problémával foglalkozik, amelyek célja, hogy teszteljék a küldöttek azon képességét, hogy a 3. és 4. napra vonatkozó témaköröket tudják alkalmazni.

A technológiai fejlődés és a növekvő információmennyiség átalakítja a bűnüldözés végrehajtását. A kihívások, amelyeket a Big Data jelent, majdnem olyan félelmetes, mint a Big Data ígéretét. Az adatok hatékony tárolása az egyik ilyen kihívás; ez egy másik elemzés.

Ebben oktató által vezetett, az élő képzés, a résztvevők megtanulják a gondolkodásmód, amellyel megközelíteni Big Data technológiák azok hatásának értékelése a meglévő folyamatok és politikák, és alkalmazza ezeket a technológiákat azonosítása céljából bűncselekmények és a bűncselekmények megelőzésére. A világ minden részén működő rendészeti szervezetek esettanulmányait megvizsgálják, hogy betekintést nyerjenek elfogadási megközelítéseikbe, kihívásaiba és eredményeikbe.

A képzés végére a résztvevők képesek lesznek:

• Kombinálja a Big Data technológiát a hagyományos adatgyűjtési folyamatokkal, hogy egy történetet összeállítson a nyomozás során
• Ipari nagy adattárolási és -feldolgozási megoldások végrehajtása az adatok elemzéséhez
• Készítsen elő javaslatot a bűnügyi nyomozás adatközpontú megközelítését lehetővé tevő legmegfelelőbb eszközök és folyamatok elfogadására

Közönség

• Rendészeti szakemberek műszaki háttérrel

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Big Data olyan kifejezés, amely nagy adathalmazok tárolására és feldolgozására szánt megoldásokra vonatkozik. A Go ogle által kifejlesztett Big Data megoldások más hasonló projekteket fejlesztettek ki és inspiráltak, amelyek közül sok nyílt forráskódú. Az R egy népszerű programozási nyelv a pénzügyi ágazatban.

Ha a hagyományos tárolási technológiák nem kezelik a tárolni kívánt adatmennyiséget, alternatívák vannak. Ez a kurzus megpróbálja irányítani a résztvevőket, hogy milyen lehetőségek állnak rendelkezésre a Big Data tárolására és elemzésére, és mi a saját előnye és hátránya.

Ez a kurzus többnyire a megoldások megvitatására és bemutatására összpontosít, bár a gyakorlati gyakorlatok igény szerint rendelkezésre állnak.