Data Warehouse: Koncept, design och implementering Träningskurs

Denna ledarledda, levande utbildning (online eller på plats) är riktad till avancerade dataprofessionella som vill optimera datahanteringsflöden, säkerställa dataintegritet och implementera robusta datalakehouse-lösningar som kan hantera komplexiteten i moderna big data-applikationer.

Efter avslutad utbildning kommer deltagarna att kunna:

• Få en djupgående förståelse för Icebergs arkitektur, inklusive hantering av metadata och filuppbyggnad.
• Konfigurera Iceberg för optimal prestanda i olika miljöer och integrera den med flera datahanteringsmotorer.
• Hantera stora Iceberg-tabeller, utföra komplexa schemaändringar och hantera partitioneringsevolution.
• Behärska tekniker för att optimera frågeprestanda och dataskanningseffektivitet för stora dataset.
• Implementera mekanismer för att säkerställa datakonsistens, hantera transaktionsgarantier och hantera fel i distribuerade miljöer.

Denna kurs, som hålls av en instruktör, är en live-training (online eller på plats) som riktar sig till dataprofessionella på grundläggande nivå som vill förvärva kunskap och färdigheter för att effektivt använda Apache Iceberg för hantering av stora datamängder, säkerställa dataintegritet och optimera datahanteringsarbetsflöden.

Vid kursens slut kommer deltagarna att kunna:

• Få en djup förståelse för Apache Icebergs arkitektur, funktioner och fördelar.
• Lära sig om tabellformat, partitionering, schemaevolution och time travel-funktioner.
• Installera och konfigurera Apache Iceberg i olika miljöer.
• Skapa, hantera och manipulera Iceberg-tabeller.
• Förstå processen att migrera data från andra tabellformat till Iceberg.

Denna instruktörsledda, liveutbildning på plats (online eller på plats) riktar sig till datavetare och ingenjörer på mellannivå som vill använda Google Colab och Apache Spark för bearbetning och analys av stora datamängder.

Efter avslutad utbildning kommer deltagarna att kunna:

• Sätt upp en miljö för stora datamängder med hjälp av Google Colab och Spark.
• Bearbeta och analysera stora datamängder effektivt med Apache Spark.
• Visualisera stora datamängder i en samarbetsmiljö.
• Integrera Apache Spark med molnbaserade verktyg.

Den här instruktionsledda, levande utbildningen (online eller på plats) riktar sig till dataingenjörer, dataanalytiker och databranschpersoner som vill använda Databricks och PySpark för att bygga skalbara datapipelines samt migrera befintliga SQL-arbetsflöden.

Denna utbildning ger en praktisk introduktion till att bygga skalbara dataprocesserings- och maskininlärningsflöden med hjälp av PySpark. Deltagarna lär sig hur Apache Spark fungerar inom moderna Big Data-miljöer och hur man effektivt bearbetar stora datamängder med hjälp av principer för distribuerad beräkning.

Den här praktiska kursen på tre dagar fokuserar på att bygga och optimera effektiva datahanteringsprocesser med PySpark, Pandas och Polars i Kubernetes-baserade miljöer.

Deltagarna får en praktisk förståelse för hur Spark-applikationer exekveras på Kubernetes och hur beslutsfattande på applikationsnivå påverkar prestanda, skalbarhet, resursanvändning och kostnader. Kursen täcker centrala optimeringsområden, såsom executor-storlek, minnesallokering, dynamisk allokering, partitioneringsstrategier, shuffle-beteende, småfilproblem och effektiv Parquet-hantering.

Kursen tar också upp vanliga utmaningar vid arbete med Pandas, inklusive minnesbegränsningar och minnesbristfel, och presenterar Polars som ett högeffektivt alternativ för specifika datahanteringsprocesser. Genom praktiska övningar kommer deltagarna att diagnostisera prestanda- och minnesproblem, jämföra olika konfigurationsstrategier och tillämpa optimeringstekniker på realistiska ETL- och maskinlärnings_scenarioer.

Tonen i kursen är inriktad på praktiskt beslutsfattande: att förstå hur man identifierar flaskhalsar, väljer rätt verktyg, konfigurerar Spark effektivt och balanserar prestanda med infrastrukturresursanvändning och kostnad.

Denna instruktörsguidade, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill konfigurera och distribuera Apache Spark-systemet för att bearbeta väldigt stora mängder data.

Genom denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Apache Spark.
• Bearbeta och analysera väldigt stora datamängder snabbt.
• Förstå skillnaden mellan Apache Spark och Hadoop MapReduce, samt när man ska använda vilket.
• Integrera Apache Spark med andra maskininlärningsverktyg.

Den här instruktörsledda, liveutbildningen om Sverige (online eller på plats) är avsedd för systemadministratörer med grundläggande till medelkunskap som vill implementera, underhålla och optimera Spark-kluster.

Efter utbildningen kan deltagarna:

• Installera och konfigurera Apache Spark i olika miljöer.
• Hantera klusterresurser och övervaka Spark-applikationer.
• Optimera prestandan hos Spark-kluster.
• Implementera säkerhetsåtgärder och säkerställa hög tillgänglighet.
• Feelsöka och felsöka vanliga problem med Spark.

I denna handledarledade, levande utbildning i Sverige, lär sig deltagarna hur man använder Python och Spark tillsammans för att analysera Big Data genom att arbeta med praktiska övningar.

Utbildningen avslutas med att deltagarna kan:

• Använda Spark med Python för att analysera Big Data.
• Arbeta med övningar som efterliknar verkliga scenarier.
• Använda olika verktyg och tekniker för Big Data-analys med PySpark.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare som vill använda och integrera Spark, Hadoop och Python för att bearbeta, analysera och transformera stora och komplexa datamängder.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera den miljö som krävs för att börja bearbeta stordata med Spark, Hadoop och Python.
• Förstå funktionerna, kärnkomponenterna och arkitekturen i Spark och Hadoop.
• Lär dig hur du integrerar Spark, Hadoop och Python för bearbetning av stordata.
• Utforska verktygen i Spark-ekosystemet (Spark MlLib, Spark Streaming, Kafka, Sqoop, Kafka och Flume).
• Skapa rekommendationssystem för samarbetsfiltrering som liknar Netflix, YouTube, Amazon, Spotify och Google.
• Använd Apache Mahout för att skala maskininlärningsalgoritmer.