Hadoop Kurs i Skåne

Denna instruktörsledda, liveutbildning i Skåne (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 nödvändiga miljön för att börja bearbeta big data med Spark, Hadoop och Python.
• Förstå funktionerna, kärnkomponenterna och arkitekturen hos Spark och Hadoop.
• Lär dig hur du integrerar Spark, Hadoop och Python för big data-bearbetning.
• Utforska verktygen i Spark-ekosystemet (Spark MlLib, Spark Streaming, Kafka, Sqoop, Kafka och Flume).
• Bygg rekommendationssystem för samverkande filtrering som liknar Netflix, YouTube, Amazon, Spotify och Google.
• Använd Apache Mahout för att skala maskininlärningsalgoritmer.

Denna kurs behandlar hur man använder Hive SQL språk (AKA: Hive HQL, SQL på Hive , Hive QL) för personer som extraherar data från Hive

Datameer är en affärsinformations- och analysplattform byggd på Hadoop Det gör det möjligt för endusers att få tillgång till, utforska och korrelera storskala, strukturerad, semistrukturerad och ostrukturerad data på ett easytouse-sätt I den här instruktionsledda träningspasset lär deltagarna att använda Datameer för att övervinna Hadops branta inlärningskurva, eftersom de går igenom installationen och analysen av en serie stora datakällor Vid slutet av denna utbildning kommer deltagarna att kunna: Skapa, curate och interaktivt utforska en företagsdatasjö Få tillgång till affärsinformationslager, transaktionsdatabaser och andra analytiska butiker Använd en kalkylarks användargränssnitt för att designa ändringsrutiner för databehandling Få tillgång till förbyggda funktioner för att utforska komplexa datarelationer Använd draganddrop-guider för att visualisera data och skapa instrumentpaneler Använd tabeller, diagram, grafer och kartor för att analysera sökresultat Publik Dataanalyser Kursens format Delföreläsning, diskussion, övningar och tung handson-övning .

Publik: Kursen är avsedd för IT-specialister som letar efter en lösning för att lagra och bearbeta stora datamängder i en distribuerad systemmiljö Go al: Djup kunskap om Hadoop klusteradministration.

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.

Kursen ägnas åt IT-specialister som letar efter en lösning för att lagra och bearbeta stora datamängder i distribuerad systemmiljö Kursmål: Få kunskap om Hadoop klusteradministration

Apache Hadoop är den mest populära ramen för behandling av Big Data på kluster av servrar. I den här tre (valfritt, fyra) dagars kurs kommer deltagarna att lära sig om affärsfördelarna och använda fall för Hadoop och dess ekosystem, hur man planerar distribution och tillväxt av kluster, hur man installerar, underhåller, övervakar, felsöker och optimerar Hadoop . De kommer också att öva kluster bulk data belastning, bekanta sig med olika Hadoop distributioner och öva på att installera och hantera Hadoop ekosystemverktyg. Kursen avslutas med diskussion om att säkra kluster med Kerberos. ”... Materialen var mycket väl förberedda och täckta noggrant. Laben var mycket hjälpsam och välorganiserad ”
- Andrew Nguyen, Principal Integration DW Engineer, Microsoft Online Advertising Publik Hadoop administratörer Formatera Föreläsningar och praktiska labb, ungefärligt balans 60% föreläsningar, 40% labb.

Apache Hadoop är den mest populära ramen för behandling av Big Data på kluster av servrar. Denna kurs kommer att introducera en utvecklare för olika komponenter (HDFS, MapReduce, Pig, Hive och HBase) Hadoop ekosystem.

Apache Hadoop är en av de mest populära ramarna för bearbetning av Big Data på kluster av servrar. Denna kurs omfattar datahantering i HDFS, avancerad gris, Hive och HBase. Dessa avancerade programmeringstekniker kommer att vara fördelaktiga för erfarna Hadoop utvecklare. Publik : utvecklare Varaktighet: tre dagar Format: föreläsningar (50%) och praktiska labb (50%).

Hadoop is the most popular Big Data processing framework.

I denna instruktörsledda utbildning i Skåne kommer deltagarna att lära sig kärnkomponenterna i ekosystemet Hadoop och hur dessa tekniker kan användas för att lösa storskaliga problem. Genom att lära sig dessa grunder kommer deltagarna att förbättra sin förmåga att kommunicera med utvecklarna och implementerarna av dessa system samt de datavetare och analytiker som många IT-projekt involverar.Publik

• Projektledare som vill implementera Hadoop i sin befintliga utvecklings- eller IT-infrastruktur
• Projektledare som behöver kommunicera med tvärfunktionella team som inkluderar big data-ingenjörer, datavetare och affärsanalytiker

Publik: Denna kurs är avsedd att avmystifiera big data / hadoop-teknik och för att visa att det inte är svårt att förstå.

Hadoop är en populär Big Data bearbetningsram. Python är ett högnivåprogrammeringsspråk känt för sin tydliga syntax och kodläsbarhet. I denna instruktörledda, live-träning lär deltagarna hur man arbetar med Hadoop, MapReduce, Pig, och Spark med Python när de går igenom flera exempel och använder fall. Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen bakom Hadoop, MapReduce, Pig, och Spark
• Använd Python med Hadoop Distributed File System (HDFS), MapReduce, Pig, och Spark
• Använd Snakebite för att programmatiskt få tillgång till HDFS inom Python
• Använd mrjob för att skriva MapReduce jobb i Python
• Skriv Spark program med Python
• Utöka funktionaliteten hos gris med Python UDF
• Hantera MapReduce jobb och Pig skript med Luigi

Publiken

• Utvecklare
• IT professionella

Format av kursen

• Delvis föreläsning, delvis diskussion, övningar och tung praxis

Denna instruktörsledda, liveutbildning i Skåne (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.

Denna kurs introducerar HBase - en No SQL butik ovanpå Hadoop . Kursen är avsedd för utvecklare som kommer att använda HBase för att utveckla applikationer, och administratörer som kommer att hantera HBase-kluster. Vi kommer att gå en utvecklare genom HBase-arkitektur och datamodellering och applikationsutveckling på HBase. Det kommer också att diskutera att använda MapReduce med HBase, och några administrationsämnen, relaterade till prestandaoptimering. Kursen är mycket praktisk med massor av labbövningar.
Varaktighet : 3 dagar Publik : Utvecklare och administratörer

I denna instruktörsledda, liveutbildning i Skåne (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 Skåne 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.

Apache Samza är en öppen källkod, nästan realtid, asynkron beräkningsram för strömbehandling. Den använder Apache Kafka för meddelanden och Apache Hadoop YARN för feltolerans, processorisolering, säkerhet och resurshantering. Den här instruktörsledda, live-utbildningen introducerar principerna bakom meddelandesystem och distribuerad strömbearbetning, samtidigt som deltagarna går genom skapandet av ett exempel på Samza-baserat projekt och jobbutförande. I slutet av denna träning kommer deltagarna att kunna:

• Använd Samza för att förenkla koden som behövs för att producera och konsumera meddelanden.
• Koppla bort hanteringen av meddelanden från en applikation.
• Använd Samza för att implementera asynkron beräkning nära realtid.
• Använd strömbehandling för att ge en högre abstraktionsnivå över meddelandesystem.

Publik

• utvecklare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Cloudera Impala is an open source massively parallel processing (MPP) SQL query engine for Apache Hadoop clusters. Impala enables users to issue low-latency SQL queries to data stored in Hadoop Distributed File System and Apache Hbase without requiring data movement or transformation. Audience This course is aimed at analysts and data scientists performing analysis on data stored in Hadoop via Business Intelligence or SQL tools. After this course delegates will be able to

• Extract meaningful information from Hadoop clusters with Impala.
• Write specific programs to facilitate Business Intelligence in Impala SQL Dialect.
• Troubleshoot Impala.

Apache Ambari är en open source-managementplattform för att tillhandahålla, hantera, övervaka och säkra Apache Hadoop kluster. I denna instruktörsledda liveträning kommer deltagarna att lära sig hanteringsverktygen och praxis som Ambari tillhandahåller för att framgångsrikt hantera Hadoop kluster. I slutet av denna träning kommer deltagarna att kunna:

• Ställ in ett live Big Data kluster med Ambari
• Använd Ambaris avancerade funktioner och funktioner i olika användningsfall
• Lägg till och ta bort noder sömlöst efter behov
• Förbättra ett Hadoop klustrets prestanda genom att ställa in och justera

Publik

• DevOps
• Systemadministratörer
• databasadministratörer
• Hadoop testare

Kursformat

• Delföreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, liveutbildning i Skåne (online eller på plats) introducerar Hortonworks Data Platform (HDP) och leder deltagarna genom implementeringen av Spark + Hadoop-lösningen.I slutet av denna utbildning kommer deltagarna att kunna:

Använd Hortonworks för att tillförlitligt köra Hadoop i stor skala. Förena Hadoops funktioner för säkerhet, styrning och drift med Sparks agila analytiska arbetsflöden. Använd Hortonworks för att undersöka, validera, certifiera och stödja var och en av komponenterna i ett Spark-projekt. Bearbeta olika typer av data, inklusive strukturerad, ostrukturerad, i rörelse och i vila.