Big Data & Database Systems Fundamentals Kurzusok

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azokat az adatbázis-adminisztrátorokat vagy fejlesztőket célozza meg, akik Microsoft Azure Cosmos DB-t kívánnak használni rendkívül érzékeny és alacsony késleltetésű alkalmazások fejlesztésére és kezelésére.

A képzés végére a résztvevők képesek lesznek:

• Biztosítsa a szükséges Cosmos DB erőforrásokat az adatbázisok és alkalmazások építésének megkezdéséhez.
• Méretezze az alkalmazások teljesítményét és tárolását a Cosmos DB API-k használatával.
• Az adatbázis-műveletek kezelése és a költségek csökkentése a Cosmos DB erőforrások optimalizálásával.

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 az Data Vault 2.0 mögött meghúzódó architektúra 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.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adatmérnököknek, adattudósoknak és programozóknak szól, akik a Spark Streaming funkciókat szeretnék használni a valós idejű adatok feldolgozásához és elemzéséhez.

A képzés végére a résztvevők képesek lesznek a Spark Streaming segítségével feldolgozni az élő adatfolyamokat adatbázisokban, fájlrendszerekben és élő műszerfalakban.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik a Apache Kafka adatfolyam-feldolgozást kódírás nélkül szeretnék megvalósítani.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Confluent KSQL-t.
• Állítson be egy adatfolyam-feldolgozási folyamatot csak SQL parancsok használatával (nincs Java vagy Python kódolás).
• Végezzen adatszűrést, átalakításokat, összesítést, összekapcsolást, ablakozást és szekciózást teljes egészében a SQL-ben.
• Interaktív, folyamatos lekérdezések tervezése és üzembe helyezése az ETL és a valós idejű elemzések streameléséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék megtanulni a tartós és tiszta memóriában való tárolás mögött rejlő elveket, miközben egy minta memórián belüli számítástechnikai projektet készítenek.

A képzés végére a résztvevők képesek lesznek:

• Használja az Ignite-ot a memórián belüli, a lemezen való megmaradáshoz, valamint egy tisztán elosztott memóriában lévő adatbázishoz.
• A tartósság elérése anélkül, hogy az adatokat visszaszinkronizálná egy relációs adatbázisba.
• Használja az Ignite-ot SQL és elosztott összekapcsolások végrehajtásához.
• Növelje a teljesítményt, ha közelebb helyezi az adatokat a CPU-hoz, és RAM-ot használ tárolóként.
• A vízszintes méretezhetőség elérése érdekében terítse el az adatkészleteket egy fürtben.
• Az Ignite integrálása RDBMS-sel, NoSQL, Hadoop és gépi tanulási processzorokkal.

Az Apache Beam egy nyílt forráskódú, egységes programozási modell párhuzamos adatfeldolgozási folyamatok meghatározására és végrehajtására. Ereje abban rejlik, hogy képes kötegelt és adatfolyam-folyamatokat is futtatni, a végrehajtást pedig a Beam egyik támogatott elosztott feldolgozási háttérrendszere hajtja végre: Apache Apex, Apache Flink, Apache Spark és Google Cloud Dataflow. Az Apache Beam olyan ETL (Extract, Transform, and Load) feladatoknál hasznos, mint például az adatok mozgatása különböző tárolóeszközök és adatforrások között, az adatok kívánatosabb formátumba való átalakítása és az adatok új rendszerbe való betöltése.

Ezen az oktató által vezetett, élő (helyszíni vagy távoli) képzésen a résztvevők megtanulják, hogyan implementálják az Apache Beam SDK-kat egy Java vagy Python alkalmazásban, amely adatfeldolgozási folyamatot határoz meg a nagy adathalmazok kisebb darabokra bontásához. független, párhuzamos feldolgozáshoz.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja Apache Beam.
• Használjon egyetlen programozási modellt a kötegelt és adatfolyam-feldolgozás végrehajtásához a Java vagy Python alkalmazásból.
• Csővezetékek végrehajtása több környezetben.

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Jegyzet

• Ez a tanfolyam a jövőben elérhető lesz Scala. Kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

A Apache Apex egy YARN-natív platform, amely egyesíti az adatfolyam- és kötegelt feldolgozást. A mozgásban lévő nagy adatokat skálázható, teljesítőképes, hibatűrő, állapottartó, biztonságos, elosztott és könnyen kezelhető módon dolgozza fel.

Ez az oktató által vezetett, élő képzés bemutatja a Apache Apex egységes adatfolyam-feldolgozási architektúráját, és végigvezeti a résztvevőket egy elosztott alkalmazás létrehozásán az Apex segítségével a Hadoop-en.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az adatfeldolgozási folyamat fogalmait, mint például a források és nyelők csatlakozói, az általános adatátalakítások stb.
• Építsen, méretezz és optimalizáljon Apex alkalmazást
• A valós idejű adatfolyamokat megbízhatóan és minimális késleltetéssel dolgozza fel
• Az Apex Core és az Apex Malhar könyvtár segítségével gyors alkalmazásfejlesztést tesz lehetővé
• Használja az Apex API-t a meglévő Java kód írásához és újrafelhasználásához
• Integrálja az Apex-et más alkalmazásokba feldolgozómotorként
• Hangolja, tesztelje és skálázza az Apex alkalmazásokat

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

A Apache Storm egy elosztott, valós idejű számítási motor, amelyet a valós idejű üzleti intelligencia lehetővé tételére használnak. Ezt úgy teszi, hogy lehetővé teszi az alkalmazások számára, hogy megbízhatóan feldolgozzák a korlátlan adatfolyamokat (más néven folyamfeldolgozás).

"A Storm a valós idejű feldolgozásra szolgál, az Hadoop pedig a kötegelt feldolgozásra!"

Ezen az oktató által vezetett élő tréningen a résztvevők megtanulják, hogyan kell telepíteni és konfigurálni a Apache Storm-t, majd kifejleszteni és telepíteni egy Apache Storm alkalmazást a nagy adatok valós idejű feldolgozására.

A képzés néhány témája:

• Apache Storm az Hadoop összefüggésében
• Munkavégzés korlátlan adatokkal
• Folyamatos számítás
• Valós idejű elemzés
• Elosztott RPC és ETL feldolgozás

Kérje ezt a tanfolyamot most!

Közönség

• Szoftver- és ETL-fejlesztők
• Mainframe szakemberek
• Adattudósok
• Big data elemzők
• Hadoop szakemberek

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban (helyszíni vagy távoli) a résztvevők megtanulják, hogyan telepítsék és kezeljék a Apache NiFi-t élő laborkörnyezetben.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja az Apachi NiFi-t.
• Forrása, átalakítása és kezelése különböző, elosztott adatforrásokból, beleértve az adatbázisokat és a nagy adatforrásokat.
• Automatizálja az adatfolyamokat.
• Engedélyezze a streamelési elemzést.
• Alkalmazzon különféle megközelítéseket az adatfeldolgozáshoz.
• Alakítsa át Big Data üzleti betekintést.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják az áramlásalapú programozás alapjait, miközben számos demó-bővítményt, komponenst és processzort fejlesztenek a Apache NiFi segítségével.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a NiFi architektúráját és adatfolyam-koncepcióit.
• Bővítmények fejlesztése NiFi és harmadik féltől származó API-k használatával.
• Egyedi fejlesztésű saját Apache Nifi processzort.
• Valós idejű adatok feldolgozása és feldolgozása eltérő és nem megszokott fájlformátumokból és adatforrásokból.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) bemutatja az elosztott adatfolyam- és kötegelt adatfeldolgozás mögött meghúzódó elveket és megközelítéseket, és végigvezeti a résztvevőket egy valós idejű adatfolyam-alkalmazás létrehozásán a Apache Flink-ban.

A képzés végére a résztvevők képesek lesznek:

• Környezet létrehozása adatelemző alkalmazások fejlesztéséhez.
• Ismerje meg, hogyan működik Apache Flink gráffeldolgozó könyvtára (Gelly).
• Flink-alapú, hibatűrő, adatfolyam-küldő alkalmazások becsomagolása, végrehajtása és figyelése.
• Változatos munkaterhelések kezelése.
• Végezzen haladó elemzést.
• Hozzon létre egy több csomópontból álló Flink-fürtöt.
• Mérje meg és optimalizálja a teljesítményt.
• Integrálja a Flink-et különböző Big Data rendszerekkel.
• Hasonlítsa össze a Flink képességeit más big data feldolgozó keretrendszerekkel.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan használhatják a Python-t és a Spark-ot a nagy adatok elemzésére, miközben gyakorlati gyakorlatokon dolgoznak.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg, hogyan használja a Sparkot a Python-val a Big Data elemzéséhez.
• Dolgozz olyan gyakorlatokon, amelyek a valós eseteket utánozzák.
• Használjon különféle eszközöket és technikákat a nagy adatelemzéshez az PySpark segítségével.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megismerkedhetnek a technológiai kínálatokkal és a grafikonadatok feldolgozásának megvalósítási módszereivel. A cél a valós objektumok, jellemzőik és kapcsolataik azonosítása, majd a kapcsolatok modellezése és adatként való feldolgozása Graph Computing (más néven Graph Analytics) megközelítéssel. Kezdjük egy átfogó áttekintéssel, és leszűkítjük a konkrét eszközöket, miközben esettanulmányok, gyakorlati gyakorlatok és élő telepítések sorozatán lépkedünk végig.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a grafikonadatok megőrzését és bejárását.
• Válassza ki a legjobb keretrendszert egy adott feladathoz (a gráfadatbázisoktól a kötegelt feldolgozási keretrendszerekig).
• A Hadoop, a Spark, GraphX és a Pregel megvalósítása számos gépen párhuzamosan végezhet gráfszámítást.
• Tekintse meg a valós világban felmerülő big data problémákat grafikonok, folyamatok és bejárások formájában.

Ez a kurzus azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megérteni és megvalósítani a mesterséges intelligenciát alkalmazásaikban. Különös hangsúlyt kap az adatelemzés, az elosztott mesterséges intelligencia és a természetes nyelvi feldolgozás.

Az MLlib a Spark gépi tanulási (ML) könyvtára. Célja, hogy a gyakorlati gépi tanulás méretezhető és egyszerű legyen. Közös tanulási algoritmusokból és segédprogramokból áll, beleértve a besorolást, a regressziót, a klaszterezést, az együttműködő szűrést, a dimenziócsökkentést, valamint az alacsonyabb szintű optimalizálási primitíveket és a magasabb szintű csővezeték API-kat.

Ez két csomagra oszlik:

• A spark.mllib tartalmazza az RDD-re épített eredeti API-t.

• A spark.ml magasabb szintű API-t kínál, amely a DataFrames tetején épült ML-csővezetékek építéséhez.

Közönség

Ez a tanfolyam olyan mérnökökre és fejlesztőkre irányul, akik egy beépített gépkönyvtárat kívánnak használni az Apache Spark