Sqoop and Flume for Big Data Träningskurs

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig hur man bygger en Data Vault.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen och designkoncepten bakom Data Vault 2.0, och dess interaktion med Big Data, NoSQL och AI.
• Använd datavalvtekniker för att möjliggöra granskning, spårning och inspektion av historiska data i ett datalager.
• Utveckla en konsekvent och repeterbar ETL-process (extrahera, transformera, ladda).
• Bygg och distribuera mycket skalbara och repeterbara lager.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till dataingenjörer, datavetare och programmerare som vill använda Spark Streaming funktioner för att bearbeta och analysera realtidsdata.

I slutet av denna utbildning kommer deltagarna att kunna använda Spark Streaming för att bearbeta livedataströmmar för användning i databaser, filsystem och live-instrumentpaneler.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare som vill implementera Apache Kafka strömbehandling utan att skriva kod.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Confluent KSQL.
• Konfigurera en pipeline för strömbehandling med endast SQL-kommandon (ingen Java- eller Python-kodning).
• Utför datafiltrering, transformationer, aggregering, sammanfogningar, fönster och sessionsisering helt och hållet i SQL.
• Designa och distribuera interaktiva, kontinuerliga frågor för streaming av ETL och realtidsanalys.

Apache Ignite is an in-memory computing platform that sits between the application and data layer to improve speed, scale, and availability.

This instructor-led, live training (online or onsite) is aimed at developers who wish to learn the principles behind persistent and pure in-memory storage as they step through the creation of a sample in-memory computing project.

By the end of this training, participants will be able to:

• Use Ignite for in-memory, on-disk persistence as well as a purely distributed in-memory database.
• Achieve persistence without syncing data back to a relational database.
• Use Ignite to carry out SQL and distributed joins.
• Improve performance by moving data closer to the CPU, using RAM as a storage.
• Spread data sets across a cluster to achieve horizontal scalability.
• Integrate Ignite with RDBMS, NoSQL, Hadoop and machine learning processors.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Apache Beam är en enhetlig programmeringsmodell med öppen källkod för att definiera och utföra parallella pipelines för databehandling. Dess kraft ligger i dess förmåga att köra både batch- och streamingpipelines, där exekveringen utförs av en av Beams stödda distribuerade bearbetningsbackends: Apache Apex, Apache Flink, Apache Spark och Google Cloud Dataflow. Apache Beam är användbar för ETL-uppgifter (Extrahera, Transformera och Ladda) som att flytta data mellan olika lagringsmedier och datakällor, omvandla data till ett mer önskvärt format och ladda data till ett nytt system.

I denna instruktörsledda, live-utbildning (på plats eller på distans) kommer deltagarna att lära sig hur man implementerar Apache Beam SDK:er i en Java- eller Python-applikation som definierar en databehandlingspipeline för att bryta ner en stor datamängd i mindre bitar för oberoende, parallell bearbetning.

I slutet av denna utbildning kommer deltagarna att kunna:

Installera och konfigurera Apache Beam. Använd en enda programmeringsmodell för att utföra både batch- och strömbehandling från deras Java- eller Python-applikation. Utför pipelines över flera miljöer.

Kursens format

Delföreläsning, deldiskussion, övningar och tung praktisk praktik

Notera

Den här kursen kommer att finnas tillgänglig Scala i framtiden. Kontakta oss för att ordna.

Apache Apex är en YARN-inbyggd plattform som förenar ström- och batchbehandling. Den bearbetar stor data-i-rörelse på ett sätt som är skalbar, performant, feltolerant, tillståndsfull, säker, distribuerad och lättanvändbar.

Den här instruktörsledda, liveträningen introducerar Apache Apex enhetliga strömbearbetningsarkitektur och leder deltagarna genom skapandet av en distribuerad applikation med Apex på Hadoop .

I slutet av denna träning kommer deltagarna att kunna:

• Förstå dataledningens rörledningskoncept som anslutningar för källor och sänkor, vanliga datatransformationer, etc.
• Bygg, skala och optimera en Apex-applikation
• Bearbeta dataströmmar i realtid pålitligt och med minimal latens
• Använd Apex Core och Apex Malhar-biblioteket för att möjliggöra snabb applikationsutveckling
• Använd Apex API för att skriva och återanvända befintlig Java kod
• Integrera Apex i andra applikationer som en processmotor
• Ställa in, testa och skala Apex-applikationer

Kursformat

• Interaktiv föreläsning och diskussion.
• Massor av övningar och träning.
• Praktisk implementering i en levande lab-miljö.

Alternativ för kursanpassning

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

Apache Storm är en distribuerad, realtid beräkningsmotor som används för att möjliggöra realtid business intelligence. Det gör det genom att tillåta applikationer att på ett tillförlitligt sätt behandla obegränsade dataflöden (t.ex. och strömbearbetning).

"Storm är för realtid bearbetning vad Hadoop är för batch bearbetning!"

I denna instruktörledda live-träning lär deltagarna hur man installerar och konfigurerar Apache Storm, sedan utvecklar och implementerar en Apache Storm applikation för bearbetning av stora data i realtid.

Några av de ämnen som ingår i denna utbildning inkluderar:

• Apache Storm i samband med Hadoop
• Arbeta med obegränsade data
• Kontinuerlig beräkning
• Realtidsanalys
• Distribuerad RPC och ETL-behandling

Be om denna kurs nu!

Publiken

• Programvara och ETL utvecklare
• Mainframe professionella
• Data forskare
• Big data analytiker
• [ 0 ] Professionella

Format av kursen

• Del föreläsning, del diskussion, övningar och tung praxis

I denna instruktörsledda, liveutbildning i Sverige (på plats eller på distans) kommer deltagarna att lära sig hur man distribuerar och hanterar Apache NiFi i en levande labbmiljö.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Apachi NiFi.
• Källa, transformera och hantera data från olika, distribuerade datakällor, inklusive databaser och stora datasjöar.
• Automatisera dataflöden.
• Aktivera strömningsanalys.
• Tillämpa olika metoder för dataintag.
• Förvandla Big Data och till affärsinsikter.

I denna instruktörsledda, liveutbildning i Sverige kommer deltagarna att lära sig grunderna i flödesbaserad programmering när de utvecklar ett antal demotillägg, komponenter och processorer med Apache NiFi.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå NiFis arkitektur och dataflödeskoncept.
• Utveckla tillägg med hjälp av NiFi och tredje parts API:er.
• Skräddarsytt utveckla sin egen Apache Nifi-processor.
• Ta in och bearbeta realtidsdata från olika och ovanliga filformat och datakällor.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) introducerar principerna och tillvägagångssätten bakom distribuerad ström- och batchdatabehandling, och leder deltagarna genom skapandet av en dataströmningsapplikation i realtid i Apache Flink.

I slutet av denna utbildning kommer deltagarna att kunna:

Skapa en miljö för att utveckla dataanalysapplikationer. Förstå hur Apache Flinks grafbehandlingsbibliotek (Gelly) fungerar. Paketera, kör och övervaka Flink-baserade, feltoleranta dataströmningsapplikationer. Hantera olika arbetsbelastningar. Utför avancerad analys. Konfigurera ett Flink-kluster med flera noder. Mät och optimera prestanda. Integrera Flink med olika Big Data system. Jämför Flink-kapaciteten med andra ramverk för big data-bearbetning.

I denna instruktörsledda, liveutbildning 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.
• Använd olika verktyg och tekniker för big data-analys med PySpark.

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

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå hur grafdata bevaras och korsas.
• Välj det bästa ramverket för en given uppgift (från grafdatabaser till ramverk för batchbearbetning.)
• Implementera Hadoop, Spark, GraphX och Pregel för att utföra grafberäkning över många maskiner parallellt.
• Se verkliga big data-problem i form av grafer, processer och övergångar.

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

Kursens format

• Interaktiv föreläsning och diskussion.
• Mycket övningar och övningar.
• Praktisk implementering i en live-lab-miljö.

Kursanpassningsalternativ

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

Kunskap upptäckt i databaser (KDD) är processen att upptäcka användbar kunskap från en insamling av data. Verkliga applikationer för denna data mining teknik inkluderar marknadsföring, bedrägeri upptäckt, telekommunikation och tillverkning.

I denna instruktörledda, levande kurs introducerar vi de processer som är inblandade i KDD och utför en serie övningar för att öva genomförandet av dessa processer.

Publiken

• Dataanalytiker eller någon som är intresserad av att lära sig hur man tolkar data för att lösa problem

Format för kursen

• Efter en teoretisk diskussion om KDD kommer instruktören att presentera verkliga fall som kräver tillämpningen av KDD för att lösa ett problem. Deltagarna kommer att förbereda, välja och rengöra provdata uppsättningar och använda sina tidigare kunskaper om data för att föreslå lösningar baserat på resultaten av sina observationer.