Apache Spark Streaming with Scala Träningskurs

I denna instruktörsledda, liveträning i Sverige kommer deltagarna att lära sig hur man använder Python och Spark tillsammans för att analysera big data medan de arbetar med praktiska övningar.

I slutet av denna utbildning kommer deltagarna att kunna:

• Lär dig hur du använder Spark med Python för att analysera Big Data.
• Arbeta med övningar som efterliknar verkliga fall.
• Använda olika verktyg och tekniker för analys av stora datamängder med hjälp av PySpark.

I denna instruktörsledda, liveträning i Sverige kommer deltagarna att lära sig om teknikerbjudandena och implementeringsmetoderna för bearbetning av grafdata. Målet är att identifiera verkliga objekt, deras egenskaper och relationer, sedan modellera dessa relationer och bearbeta dem som data med hjälp av en Graph Computing (även känd som Graph Analytics) metod. Vi börjar med en bred översikt och begränsar oss till specifika verktyg när vi går igenom en serie fallstudier, praktiska övningar och live-distributioner.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå hur diagramdata bevaras och gås igenom.
• Välj det bästa ramverket för en viss uppgift (från grafdatabaser till ramverk för batchbearbetning).
• Implementera Hadoop, Spark, GraphX och Pregel för att utföra grafberäkning på många datorer parallellt.
• Se verkliga big data-problem i form av grafer, processer och traverser.

Den här kursen är avsedd för utvecklare och datavetare som vill förstå och implementera AI i sina applikationer. Särskild uppmärksamhet ägnas åt dataanalys, distribuerad artificiell intelligens och behandling av naturligt språk.

MLlib är Sparks maskinlärningsbibliotek. Målet är att göra praktisk maskininlärning skalbar och enkel. Det består av vanliga inlärningsalgoritmer och verktyg, inklusive klassificering, regression, klustering, samarbetsfiltrering, dimensionalitetsminskning samt primitiv för optimering av lägre nivåer och API: er på högre nivå.

Den delar upp i två paket:

• spark.mllib innehåller det ursprungliga API som är byggt ovanpå RDD: er.

• spark.ml tillhandahåller API på högre nivå byggd ovanpå DataFrames för konstruktion av ML-rörledningar.

Publik

Kursen riktar sig till ingenjörer och utvecklare som vill använda ett inbyggt maskinbibliotek för Apache Spark

Denna utbildningsplan syftar till att föra deltagare från en nybörjare till en mellanliggande / avancerad nivå i förståelsen och kunskapen om Akka ramverket.

Hela kursen är på hand, främst drivs av tränaren i början och gradvis växlar mot deltagarna som producerar koden själva (och ladda ner implementationer / lösningar skrivet av tränaren).

Spelare förväntas inte ha tidigare kunskap om Scala, tränaren kommer att ta den nödvändiga tiden för att förklara och klargöra alla intrikationer som rör Scala koden som används.

Syftet med denna kurs är att tillhandahålla en grundläggande färdighet i att tillämpa Machine Learning metoder i praktiken. Genom att använda programmeringsspråket Scala och dess olika bibliotek, och baserat på en mängd praktiska exempel lär denna kurs hur man använder de viktigaste byggstenarna i Machine Learning , hur man fattar beslut om datamodellering, tolkar utgångarna från algoritmerna och validera resultaten.

Vårt mål är att ge dig färdigheter att förstå och använda de mest grundläggande verktygen från verktygslådan för Machine Learning säkerhet och undvika de vanliga fallgroparna i Data Science applikationer.

Scala är ett kortfattat, objektorienterat språk med funktionella programmeringsfunktioner, inklusive currying, typinferens, immutability, lat utvärdering och mönstermatchning. Scala kod körs på en JVM och designades för att hantera några av bristerna i Java .

I den här instruktörsledda, deltagaren i liveträning kommer att lära sig att använda Scala avancerade funktioner, inklusive dess typsystem, för att skriva bättre kod med hjälp av en objektfunktionell metod.

I slutet av denna träning kommer deltagarna att kunna:

• Utnyttja Scala typsystem till maximal nytta
• Hantera undantag funktionellt
• Skapa bibliotek och DSL med Scala
• Använd Scala avancerade funktioner för mönstermatchning

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Scala är ett kortfattat, objektorienterat språk med funktionella programmeringsfunktioner, inklusive currying, typinferens, oförmåga, lat utvärdering och mönster matchning I den här instruktionsledaren kommer deltagarna i live-träning att lära sig hur man använder Scalas avancerade funktioner för att utveckla välkonstruerad programvara som är lätt att skriva, läsa, testa och ändra Inriktningen för denna utbildning handlar om funktionell programmering, med hjälp av realworld-fallstudier och diskussion som referens för labövningar och aktiviteter Vid slutet av denna utbildning kommer deltagarna att kunna: Implementera avancerade funktionella programmeringstekniker Förnuft för komplexa typsignaturer Förstå kod genom typer och substitution Hantera undantag funktionellt Skapa bibliotek och DSL-filer med Scala Använd Scalas avancerade funktioner för mönster matchning Publik Scala programmerare som vill lära sig de mer avancerade och nyanserade funktionerna i Scala Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Utbildningen syftar till att ge möjligheter Scala språk, lära sig syntaxen för programmeringsparadigmer och rymdapplikationer.

Denna instruktörsledda, liveutbildning i Sverige (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 big data.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera en big data-miljö med hjälp av Google Colab och Spark.
• Bearbeta och analysera stora datamängder effektivt med Apache Spark.
• Visualisera big data i en samarbetsmiljö.
• Integrera Apache Spark med molnbaserade verktyg.

Big data-analys innefattar processen att undersöka stora mängder olika datauppsättningar för att avslöja korrelationer, dolda mönster och andra användbara insikter.

Hälsoindustrin har enorma mängder komplexa heterogena medicinska och kliniska data. Att tillämpa big data-analyser på hälsodata ger en stor potential att få insikter för att förbättra leveransen av sjukvård. Emellertid innebär enorma mängder av dessa datamängder stora utmaningar i analyser och praktiska tillämpningar i en klinisk miljö.

I denna instruktörsledda, live-träning (fjärrkontroll) kommer deltagarna att lära sig att utföra big data-analys i hälsa när de går igenom en serie praktiska live-lab-övningar.

I slutet av denna träning kommer deltagarna att kunna:

• Installera och konfigurera big data-analysverktyg som Hadoop MapReduce och Spark
• Förstå egenskaperna för medicinsk information
• Använd big data-tekniker för att hantera medicinska data
• Studera big data system och algoritmer i samband med hälsoapplikationer

Publik

• utvecklare
• Datavetare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning.

Notera

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till systemadministratörer som vill lära sig hur man konfigurerar, distribuerar och hanterar Hadoop kluster inom sin organisation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Apache Hadoop.
• Förstå de fyra huvudkomponenterna i Hadoop ekosystem: HDFS, MapReduce, YARN och Hadoop Common.
• Använd Hadoop Distributed File System (HDFS) för att skala ett kluster till hundratals eller tusentals noder.
• Konfigurera HDFS för att fungera som lagringsmotor för Spark-distributioner på plats.
• Ställ in Spark för att komma åt alternativa lagringslösningar som Amazon S3 och NoSQL databassystem som Redis, Elasticsearch, Couchbase, Aerospike, etc.
• Utför administrativa uppgifter som provisionering, hantering, övervakning och säkrande av ett Apache Hadoop-kluster.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) introducerar Hortonworks Data Platform (HDP) och vägleder deltagarna genom distributionen av Spark + Hadoop-lösningen.

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd Hortonworks för att på ett tillförlitligt sätt köra Hadoop i stor skala.
• Förena Hadoop:s säkerhets-, styrnings- och driftfunktioner med Sparks flexibla analysarbetsflöden.
• Använd Hortonworks för att undersöka, validera, certifiera och stödja var och en av komponenterna i ett Spark-projekt.
• Bearbeta olika typer av data, inklusive strukturerade, ostrukturerade, i rörelse och i vila.

I denna instruktörsledda, liveutbildning i Sverige (på plats eller på distans) kommer deltagarna att lära sig hur man ställer in och integrerar olika Stream Processing ramverk med befintliga big data-lagringssystem och relaterade mjukvaruapplikationer och mikrotjänster.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera olika Stream Processing ramverk, som Spark Streaming och Kafka Streaming.
• Förstå och välj det mest lämpliga ramverket för jobbet.
• Bearbeta data kontinuerligt, samtidigt och på ett rekord-för-post-sätt.
• Integrera Stream Processing lösningar med befintliga databaser, datalager, datasjöar etc.
• Integrera det mest lämpliga strömbehandlingsbiblioteket med företagsapplikationer och mikrotjänster.

Magellan är en öppen källkod distribuerad exekutionsmotor för geospatiell analys av stora data. Genomförd ovanför Apache Spark utökar den Spark SQL och ger en relativ abstraktion för geospatiell analys.

Denna instruktörledda, levande träning introducerar begrepp och metoder för genomförande av geospatiell analys och vandrar deltagarna genom skapandet av en förutsägande analysansökan med Magellan på Spark.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Effektivt fråga, parsa och ansluta geospatiala dataset i skala
• Genomförande av geospatiala data i företagsintelligens och prediktiva analysapplikationer
• Använd rymdkontext för att utöka kapaciteten hos mobila enheter, sensorer, loggar och bärbara enheter

Format för kursen

• Interaktiv föreläsning och diskussion.
• Många övningar och övningar.
• Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.