Big Data обучение в София

Stratio е платформа, ориентирана към данни, която интегрира големи данни, ИИ и управление в едно решение. Нейните модули Rocket и Intelligence позволяват бързо изследване на данни, трансформация и напреднати анализи в корпоративни среди.

Това обучение, водено от инструктор (онлайн или на място), е предназначено за професионалисти на данни с средно ниво, които искат да използват модулите Rocket и Intelligence в Stratio ефективно с PySpark, със фокус върху циклични структури, потребителски определени функции и напреднати данни логики.

До края на това обучение участниците ще могат да:

• Навигация и работа с платформата Stratio с модулите Rocket и Intelligence.
• Прилагане на PySpark в контекста на взимане, трансформация и анализ на данни.
• Използване на цикъл и условна логика за контрол на работните процеси на данни и задачи за инженеринг на характеристики.
• Създаване и управление на потребителски определени функции (UDFs) за повтарящи се операции с данни в PySpark.

Формат на курса

• Интерактивни лекции и дискусии.
• Много упражнения и практика.
• Практически имплементации в среда на живо лаборатория.

Опции за персонализация на курса

• За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да организирате.

Data Warehousing is the practice of designing, building, and operating centralized data repositories that support analytics, reporting, and decision-making.

This instructor-led, live training (online or onsite) is aimed at intermediate-level data professionals who wish to model dimensional data, build robust ETL pipelines, and optimize analytical workloads.

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

• Explain core data warehousing concepts and architectures.
• Design dimensional models and choose between star and snowflake schemas.
• Build and orchestrate ETL and ELT pipelines reliably.
• Differentiate OLTP versus OLAP workloads and optimize for analytics.

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.

Участниците, които завършат това водено от инструктор обучение на живо в София, ще придобият практическо разбиране в реалния свят на Big Data и свързаните с него технологии, методологии и инструменти.

Участниците ще имат възможност да приложат тези знания на практика чрез практически упражнения. Груповото взаимодействие и обратната връзка с инструктора са важен компонент на класа.

Курсът започва с въведение в елементарните концепции на Big Data, след което преминава към езиците за програмиране и методологиите, използвани за изпълнение Data Analysis. И накрая, обсъждаме инструментите и инфраструктурата, които позволяват Big Data съхранение, разпределена обработка и Scalaспособност.

Greenplum е платформа за обработка на данни с масово паралелно обработване (MPP), предназначена за анализи и големи обекти за обработка на данни.

Това обучение с инструктор, което се провежда онлайн или на място, е предназначено за технически потребители с интермедиален до напреднал нив на знания, които искат да разберат вътрешната архитектура на Greenplum, да създават оптимизирани модели на данни и да прилагат висока производителност SQL в разпределени среди.

Към края на това обучение участниците ще бъдат способни да:

• Разберат архитектурата на Greenplum за разделено нищо и модел за паралелизъм.
• Проектират разпределени структури на таблици и партиции, оптимизирани за производителност на извличане на данни.
• Използват стратегии за индексиране, формати за съхранение и техники за физически дизайн.
• Интерпретират планове EXPLAIN и оптимизират извличания на данни, използвайки най-добите практики.

Формат на курса

• Интерактивна лекция и дискусия.
• Много упражнения и практики.
• Ръчна имплементация в среда на живо лабораториум.

Опции за персонализиране на курса

• За да попитате персонализирано обучение за този курс, моля свържете се с нас, за да уредите.

Greenplum е платформа за обработка на масивни паралелни данни с отворен код, базирана на PostgreSQL, проектирана за напредени анализи и големи складове на данни.

Този курс с инструктор, проведен жив (онлайн или на място), е предназначен за администратори с интермедиерни знания, които искат да инсталират, конфигурират и управляват среди на Greenplum ефективно, включително управление на обновления на системата и библиотеки.

До края на този курс участващите ще могат да:

• Инсталират и конфигурират продуктивен кластер на Greenplum.
• Управляват обновления на системата и прилагат заплати безопасно.
• Управляват библиотеки на Greenplum за анализи и разширения.
• Разрешават проблеми и мониторират системи на Greenplum.

Формат на курса

• Интерактивни лекции и дискусии.
• Практическо използване на Greenplum в контролирана лабораторна среда.
• Упътващи упражнения, фокусирани върху конфигуриране на кластер, обновяване на работите потокове и разширения на системата.

Опции за персонификация на курса

• За да поставите запрос за персонизиран тренинг за този курс, базиран на вашата среда или платформа за данни, моля свържете се с нас, за да уредите.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към професионалисти в областта на данните на напреднало ниво, които желаят да оптимизират работните потоци за обработка на данни, да гарантират целостта на данните и да внедрят стабилни решения за съхранение на данни, които могат да се справят със сложността на съвременните големи приложения за данни.

До края на това обучение участниците ще могат:

• Получете задълбочено разбиране на архитектурата на Iceberg, включително управление на метаданни и оформление на файлове.
• Конфигурирайте Iceberg за оптимална производителност в различни среди и го интегрирайте с множество машини за обработка на данни.
• Управлявайте широкомащабни таблици Iceberg, извършвайте сложни промени в схемата и управлявайте еволюцията на дялове.
• Овладейте техники за оптимизиране на производителността на заявките и ефективността на сканиране на данни за големи набори от данни.
• Внедрете механизми за осигуряване на съгласуваност на данните, управление на транзакционни гаранции и справяне с повреди в разпределени среди.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към начинаещи професионалисти в областта на данните, които желаят да придобият знанията и уменията, необходими за ефективно използване на Apache Iceberg за управление на мащабни набори от данни, гарантиране на целостта на данните и оптимизиране на работните процеси за обработка на данни.

До края на това обучение участниците ще могат:

• Получете задълбочено разбиране на архитектурата, функциите и предимствата на Apache Iceberg.
• Научете за форматите на таблици, разделянето, еволюцията на схемата и възможностите за пътуване във времето.
• Инсталирайте и конфигурирайте Apache Iceberg в различни среди.
• Създавайте, управлявайте и манипулирайте таблици Iceberg.
• Разберете процеса на мигриране на данни от други таблични формати към Iceberg.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към ИТ професионалисти на средно ниво, които желаят да подобрят уменията си в архитектурата на данни, управлението, облачните изчисления и технологиите за големи данни, за да управляват и анализират ефективно големи масиви от данни за миграция на данни в техните организации.

До края на това обучение участниците ще могат:

• Разберете основните концепции и компоненти на различни архитектури на данни.
• Получете цялостно разбиране на принципите за управление на данните и тяхното значение в регулаторната среда.
• Внедряване и управление на рамки за управление на данни като Dama и Togaf.
• Използвайте облачни платформи за ефективно съхранение, обработка и управление на данни.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към инженери по данни на средно ниво, които искат да се научат как да използват Azure Data Lake Storage Gen2 за ефективни решения за анализ на данни.

До края на това обучение участниците ще могат:

• Разберете архитектурата и ключовите характеристики на Azure Data Lake Storage Gen2.
• Оптимизирайте съхранението на данни и достъпа за цена и производителност.
• Интегрирайте Azure Data Lake Storage Gen2 с други Azure услуги за анализ и обработка на данни.
• Разработване на решения с помощта на Azure Data Lake Storage Gen2 API.
• Отстранете често срещани проблеми и оптимизирайте стратегиите за съхранение.

Big Data и Продвинути Анализи представлява приложението на сложни техники и инструменти за анализ на големи, сложни набори данни за получаване на действени инсайти и стратегически решения.

Този курс с инструктор (онлайн или на място) е насочен към данни професионалисти с напреднали знания, които искат да използват най-новите аналитични методи и технологии за големи данни за прогнозни, предписанни и реално време анализи.

До края на този курс участниците ще могат да:

• Проектират и имплементират големи, масови обработки на данни за структурирани и неструктурирани данни.
• Прилагат напреднали техники за машинно обучение и дълбоко обучение на големи набори данни.
• Използват разпределено изчисляване за реално време анализи и ток на данни.
• Интегрират анализ на големи данни в системи за бизнес интелиджънс и взимане на решения.

Формат на Курса

• Интерактивна лекция и дискусия.
• Много упражнения и практика.
• Практическа имплементация в среда с реално обучение.

Опции за Персонализация на Курса

• За заплащане на персонализиран тренинг за този курс, моля свържете се с нас, за да уредим.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към ИТ специалисти на средно ниво, които желаят да имат цялостно разбиране на IBM DataStage както от административна, така и от гледна точка на разработка, което им позволява да управляват и използват това инструмент ефективно на съответните им работни места.

До края на това обучение участниците ще могат:

• Разберете основните концепции на DataStage.
• Научете как ефективно да инсталирате, конфигурирате и управлявате DataStage среди.
• Свържете се с различни източници на данни и извличайте данни ефективно от бази данни, плоски файлове и външни източници.
• Приложете ефективни техники за зареждане на данни.

Това обучително занятие с инструктор, което се провежда на живо в София (онлайн или на място), е предназначено за професионалисти в областта на големите данни с среден ниво, които искат да използват Apache Kylin за изграждане на реално време на сгради за данни и извършване на многомерен анализ на големи масиви от данни.

До края на това обучение участниците ще могат да:

• Настроят и конфигурират Apache Kylin с източници на данни за реално време.
• Проектирайте и изграждайте OLAP кубове за както пакетни, така и потокови данни.
• Извършвайте сложни запитвания с латентност от субсекунди, използвайки интерфейса SQL на Kylin.
• Интегрирайте Kylin с инструменти за бизнес интелигентност за интерактивна визуализация на данни.
• Оптимизирайте производителността и управлявайте ресурсите ефективно в Kylin.

Участниците, които завършат това водено от инструктор обучение на живо в София, ще придобият практическо, реално разбиране за Big Data и свързаните с него технологии, методологии и инструменти.

Участниците ще имат възможност да приложат тези знания на практика чрез практически упражнения. Груповото взаимодействие и обратната връзка с инструктора са важен компонент на класа.

Курсът започва с въведение в елементарните концепции на Big Data, след което преминава към езиците за програмиране и методологиите, използвани за извършване на анализ на данни. И накрая, обсъждаме инструментите и инфраструктурата, които позволяват съхранение на големи данни, разпределена обработка и Scalaспособност.

В това водено от инструктор обучение на живо в София участниците ще се научат как да използват Python и Spark заедно, за да анализират големи данни, докато работят върху практически упражнения.

До края на това обучение участниците ще могат:

• Научете как да използвате Spark с Python за анализ на Big Data.
• Работете върху упражнения, които имитират случаи от реалния свят.
• Използвайте различни инструменти и техники за анализ на големи данни, използвайки PySpark.

Този курс обхваща как да използвате езика Hive SQL (AKA: Hive HQL, SQL на Hive, HiveQL) за хора, които извличат данни от Hive

Това обучение, провеждано от инструктор, в София (онлайн или на място) е насочено към базови администратори, разработчици и аналитици с интермедиен ниво, които желаят да овладеят напреднали SQL функции за сложни операции с данни и управление на бази данни.

Към края на това обучение участниците ще могат да:

• Извършват напреднали техники за запитване с използване на съюзи, подзапитвания и сложни съединения.
• Добавят, актуализират и изтриват данни, таблици, прегледа, и индекси с точност.
• Осигуряват цялостност на данните чрез транзакции и манипулират структури на бази данни.
• Създават и управляват бази данни ефективно за надежден запис и извличане на данни.

Dremio е платформа за данни с отворен код, която ускорява търсенето на различни видове източници на данни. Dremio интегрира с относителни бази данни, Apache Hadoop, MongoDB, Amazon S3, ElasticSearch, и други източници на данни. Той поддържа SQL и осигурява уеб УИ за строителни запитвания.

В това обучение, ръководено от инструктори, участниците ще научат как да инсталирате, конфигурирате и използвате Dremio като унифициращ слой за инструменти за анализ на данни и основните данни.

В края на обучението участниците ще могат да:

• Инсталиране и конфигуриране Dremio
• Извършване на запитвания срещу множество източници на данни, независимо от местоположението, размера или структурата
• Интегрирайте Dremio с BI и източници на данни като Tableau и Elasticsearch

публиката

• Данни учени
• Business Аналитиците
• Данни инженери

Формат на курса

• Частна лекция, частна дискусия, упражнения и тежка практика

Забележки

• За да поискате персонализирано обучение за този курс, моля, свържете се с нас, за да организирате.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към професионалисти в бази данни на средно ниво, които искат да подобрят уменията си в Oracle SQL разработка и администриране.

До края на това обучение участниците ще могат:

• Изградете и оптимизирайте сложни SQL заявки.
• Управлявайте ефективно бази данни с помощта на Oracle SQL инструменти.
• Прилагайте най-добрите практики в разработването и поддръжката на бази данни.
• Администриране на потребителски достъп и сигурност на базата данни в Oracle среда.

Apache Accumulo е сортирано, разпределено хранилище за ключ/стойност, което осигурява стабилно, мащабируемо съхранение и извличане на данни. Базиран е на дизайна на Google's BigTable и се захранва от Apache Hadoop, Apache Zookeeper и Apache Thrift.

Тези водени от инструктор курсове на живо обхващат принципите на работа зад Accumulo и превеждат участниците през разработването на примерно приложение на Apache Accumulo.

Формат на курса

• Част лекция, част дискусия, практическо разработване и внедряване, случайни тестове за измерване на разбирането

Този курс е направен към разработчици и специалисти по данни, които искат да разберат и имплементират изкуствен интелект в своите приложения. Особено внимание се обръща на анализ на данни, разпределени изкуствени интелекти и обработка на естествен език.

Amazon Redshift е петабайтова услуга за съхранение на данни в облак в AWS.

В това водено от инструктор обучение на живо участниците ще научат основите на Amazon Redshift.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Amazon Redshift
• Заредете, конфигурирайте, разположете, заявете и визуализирайте данни с Amazon Redshift

Публика

• Разработчици
• ИТ специалисти

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

• За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

Напредъкът в технологиите и нарастващото количество информация променят начина, по който се води бизнес в много отрасли, включително правителството. Goгенерирането на правителствени данни и темповете на цифрово архивиране се увеличават поради бързия растеж на мобилните устройства и приложения, интелигентните сензори и устройства, решенията за изчисления в облак и порталите, ориентирани към гражданите. Тъй като цифровата информация се разширява и става по-сложна, управлението на информацията, обработката, съхранението, сигурността и разположението също стават по-сложни. Нови инструменти за улавяне, търсене, откриване и анализ помагат на организациите да получат представа от своите неструктурирани данни. Държавният пазар е в повратна точка, осъзнавайки, че информацията е стратегически актив и правителството трябва да защитава, използва и анализира както структурирана, така и неструктурирана информация, за да служи по-добре и да отговаря на изискванията на мисията. Докато правителствените лидери се стремят да развият управлявани от данни организации, за да изпълнят успешно мисията, те полагат основите за корелиране на зависимости между събития, хора, процеси и информация.

Държавни решения с висока стойност ще бъдат създадени от комбинация от най-разрушителните технологии:

Мобилни устройства и приложения Облачни услуги Социални бизнес технологии и мрежи Big Data и анализи

IDC прогнозира, че до 2020 г. ИТ индустрията ще достигне 5 трилиона долара, приблизително с 1,7 трилиона долара повече от днес, и че 80% от растежа на индустрията ще бъде движен от тези 3-ти платформени технологии. В дългосрочен план тези технологии ще бъдат ключови инструменти за справяне със сложността на увеличената цифрова информация. Big Data е едно от интелигентните индустриални решения и позволява на правителството да взема по-добри решения, като предприема действия въз основа на модели, разкрити чрез анализиране на големи обеми данни — свързани и несвързани, структурирани и неструктурирани.

Но постигането на тези подвизи отнема много повече от просто натрупване на огромни количества данни. „Осъзнаването на тези обеми от Big Data изисква авангардни инструменти и технологии, които могат да анализират и извличат полезни знания от огромни и разнообразни потоци от информация,“ Том Калил и Fen Zhao от Службата за научна и технологична политика на Белия дом пише в публикация в блога OSTP.

Белият дом предприе крачка към подпомагане на агенциите да намерят тези технологии, когато създаде Националната Big Data инициатива за изследване и развитие през 2012 г. Инициативата включва повече от 200 милиона долара, за да се възползва максимално от експлозията на Big Data и инструментите, необходими за анализирайте го.

Предизвикателствата, които поставя Big Data, са почти толкова обезсърчителни, колкото обещанието му е окуражаващо. Ефективното съхраняване на данни е едно от тези предизвикателства. Както винаги, бюджетите са ограничени, така че агенциите трябва да минимизират цената на мегабайт за съхранение и да поддържат данните в лесен достъп, така че потребителите да могат да ги получат, когато искат и както им трябва. Архивирането на огромни количества данни увеличава предизвикателството.

Ефективното анализиране на данните е друго голямо предизвикателство. Много агенции използват търговски инструменти, които им позволяват да пресяват планините от данни, забелязвайки тенденции, които могат да им помогнат да работят по-ефективно. (Неотдавнашно проучване на MeriTalk установи, че федералните ИТ ръководители смятат, че Big Data може да помогне на агенциите да спестят повече от $500 милиарда, като същевременно изпълняват целите на мисията.).

Специално разработените Big Data инструменти също позволяват на агенциите да се справят с необходимостта да анализират своите данни. Например Групата за анализ на изчислителни данни на Националната лаборатория в Оук Ридж предостави своята система за анализ на данни Piranha достъпна за други агенции. Системата е помогнала на медицински изследователи да намерят връзка, която може да предупреди лекарите за аортни аневризми, преди те да ударят. Използва се и за по-обикновени задачи, като например пресяване на автобиографии за свързване на кандидати за работа с мениджъри по наемане на работа.

Apache Beam е унифициран програмен модел с отворен код за дефиниране и изпълнение на паралелни канали за обработка на данни. Силата му се крие в способността му да изпълнява както партидни, така и поточни тръбопроводи, като изпълнението се извършва от един от поддържаните бек-ендове за разпределена обработка на Beam: Apache Apex, Apache Flink, Apache Spark и Google Cloud Dataflow. Apache Beam е полезен за ETL (извличане, трансформиране и зареждане) задачи като преместване на данни между различни носители за съхранение и източници на данни, трансформиране на данни в по-желан формат и зареждане на данни в нова система.

В това обучение на живо, ръководено от инструктор (на място или дистанционно), участниците ще научат как да внедрят Apache Beam SDK в Java или Python приложение, което дефинира тръбопровод за обработка на данни за разлагане на голям набор от данни на по-малки парчета за независима, паралелна обработка.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Apache Beam.
• Използвайте един модел за програмиране, за да извършите както пакетна, така и поточна обработка от тяхното Java или Python приложение.
• Изпълнете конвейери в множество среди.

Формат на курса

• Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

• Този курс ще бъде достъпен Scala в бъдеще. Моля, свържете се с нас, за да уговорим.

Ден 1 - предоставя преглед на високо ниво на основни Big Data тематични области. Модулът е разделен на поредица от секции, всяка от които е придружена от практическо упражнение.

Ден 2 - изследва набор от теми, които се отнасят до практики за анализ и инструменти за Big Data среди. Той не навлиза в подробности за изпълнението или програмирането, а вместо това запазва покритието на концептуално ниво, като се фокусира върху теми, които позволяват на участниците да развият цялостно разбиране на общите функции за анализ и функции, предлагани от Big Data решения.

Ден 3 - предоставя преглед на основните и съществени тематични области, свързани с Big Data архитектурата на платформата за решения. Той обхваща Big Data механизми, необходими за разработването на Big Data платформа за решение и архитектурни опции за сглобяване на платформа за обработка на данни. Представени са също общи сценарии, за да се осигури основно разбиране за това как обикновено се използва Big Data платформа за решение.

Ден 4 - надгражда Ден 3 чрез изследване на напреднали теми, свързани с Big Data архитектурата на платформата за решения. По-специално се представят и обсъждат различни архитектурни слоеве, които изграждат платформата за решение Big Data, включително източници на данни, вход на данни, съхранение на данни, обработка на данни и сигурност.

Ден 5 - обхваща редица упражнения и проблеми, предназначени да тестват способността на делегатите да прилагат знания по темите, обхванати от Ден 3 и 4.

В това водено от инструктор обучение на живо в София участниците ще научат нагласата, с която да подходят Big Data към технологиите, да оценят тяхното въздействие върху съществуващите процеси и политики и да внедрят тези технологии с цел идентифициране на престъпна дейност и предотвратяване на престъпления. Ще бъдат разгледани казуси от правоприлагащи организации по целия свят, за да се получи представа за техните подходи за осиновяване, предизвикателства и резултати.

До края на това обучение участниците ще могат:

• Комбинирайте Big Data технологията с традиционните процеси за събиране на данни, за да съставите една история по време на разследване.
• Внедрете индустриални решения за съхранение и обработка на големи данни за анализ на данни.
• Подгответе предложение за приемане на най-адекватните инструменти и процеси за позволяване на основан на данни подход към наказателното разследване.

Big Data е термин, който се отнася до решения, предназначени за съхранение и обработка на големи набори от данни. Първоначално разработени от Google, тези решения за големи данни се развиха и вдъхновиха други подобни проекти, много от които са достъпни като отворен код. R е популярен език за програмиране във финансовата индустрия.

Когато традиционните технологии за съхранение не се справят с количеството данни, които трябва да съхранявате, има стотици алтернативи. Този курс се опитва да насочи участниците какви са алтернативите за съхранение и анализ Big Data и какви са техните плюсове и минуси.

Този курс е съсредоточен най-вече върху дискусия и представяне на решения, въпреки че практическите упражнения са достъпни при поискване.

Курсът е част от набора от умения за Data Scientist (Домейн: Данни и технологии).

Тази обучителна сесия, базирана в класна стая, ще изследва Big Data. Делегатите ще разполагат с компютърно базирани примери и казуси, които да изпълнят със съответните инструменти за големи данни

До края на това обучение участниците ще могат:

• Инсталират и конфигурират платформата Confluent.
• Използват инструменти и услуги за управление на Confluent, за да управляват Kafka по-лесно.
• Съхраняват и обработват входящи данни от потоци.
• Оптимизират и управляват кластери на Kafka.
• Защитават потоци на данни.

Формат на курса

• Интерактивна лекция и дискусия.
• Много упражнения и практика.
• Практически изпълнение в среда на жива лаборатория.

Опции за персонализиране на курса

• Курсът е базиран на отворения код от Confluent: Confluent Open Source.
• За заявка за персонализирано обучение за този курс, моля свържете се с нас за уреждане.

Публика

Ако се опитвате да разберете смисъла на данните, до които имате достъп, или искате да анализирате неструктурирани данни, налични в мрежата (като Twitter, Linked in и т.н.), този курс е за вас.

Той е насочен най-вече към вземащите решения и хората, които трябва да изберат кои данни си струва да се събират и кои да се анализират.

Не е насочен към хората, които конфигурират решението, но тези хора ще се възползват от общата картина.

Режим на доставка

По време на курса на делегатите ще бъдат представени работещи примери за предимно технологии с отворен код.

Кратки лекции ще бъдат последвани от презентации и прости упражнения от участниците

Използвано съдържание и софтуер

Целият използван софтуер се актуализира при всяко провеждане на курса, така че проверяваме възможно най-новите версии.

Той обхваща процеса от получаване, форматиране, обработка и анализ на данните, за да обясни как да автоматизирате процеса на вземане на решения с машинно обучение.

В това водено от инструктор обучение на живо в София участниците ще се научат как да изградят Data Vault.

До края на това обучение участниците ще могат:

• Разберете концепциите за архитектурата и дизайна зад Data Vault 2.0 и взаимодействието му с Big Data, NoSQL и AI.
• Използвайте техники за съхранение на данни, за да активирате одит, проследяване и проверка на исторически данни в хранилище за данни.
• Разработете последователен и повторяем ETL (извличане, трансформиране, зареждане) процес.
• Изграждайте и внедрявайте силно мащабируеми и повтарящи се складове.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към архитекти, разработчици и администратори, които желаят да използват Denodo платформа за оптимизиране и ускоряване на управлението на данни чрез виртуализация на данни.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Denodo платформа.
• Разберете характеристиките и архитектурата на Denodo платформа.
• Разберете ключовите концепции, предимства и случаи на употреба за виртуализация на данни.
• Научете как да конфигурирате и управлявате Denodo сървъра на платформата.
• Внедрете защита на данните, потребителски достъп и удостоверяване на услугите.
• Приложете инструментите и техниките за наблюдение на операциите и оптимизиране на производителността.

Apache Druid е разпределено хранилище за данни с отворен код, ориентирано към колони, написано на Java. Той е проектиран да поглъща бързо огромни количества данни за събития и да изпълнява OLAP заявки с ниска латентност върху тези данни. Druid обикновено се използва в приложения за бизнес разузнаване за анализиране на големи обеми данни в реално време и исторически данни. Също така е много подходящ за захранване на бързи, интерактивни, аналитични табла за управление за крайни потребители. Druid се използва от компании като Alibaba, Airbnb, Cisco, eBay, Netflix, Paypal и Yahoo.

В този курс на живо, ръководен от инструктори, ние изследваме някои от ограниченията на решенията за съхранение на данни и обсъждаме как Druid може да допълни тези технологии, за да формира гъвкав и мащабируем стек за поточно анализиране. Разглеждаме много примери, предлагайки на участниците шанса да внедрят и тестват базирани на Druid решения в лабораторна среда.

Формат на курса

• Частична лекция, частична дискусия, тежка практическа практика, случайни тестове за измерване на разбирането

Големите данни са набори от данни, които са толкова обемни и сложни, че традиционният приложен софтуер за обработка на данни е неадекватен да се справи с тях. Предизвикателствата с големи данни включват улавяне на данни, съхранение на данни, анализ на данни, търсене, споделяне, трансфер, визуализация, заявки, актуализиране и поверителност на информацията.

Това водено от инструктор обучение на живо в София (онлайн или на място) представя принципите и подходите зад обработката на разпределен поток и пакетна обработка на данни и превежда участниците през създаването на приложение за стрийминг на данни в реално време в Apache Flink.

До края на това обучение участниците ще могат:

• Настройте среда за разработване на приложения за анализ на данни.
• Разберете как работи библиотеката за обработка на графики (Gelly) на Apache Flink.
• Пакетирайте, изпълнявайте и наблюдавайте Flink-базирани, устойчиви на грешки приложения за поточно предаване на данни.
• Управлявайте различни натоварвания.
• Извършвайте разширен анализ.
• Настройте Flink клъстер с множество възли.
• Измерете и оптимизирайте производителността.
• Интегрирайте Flink с различни Big Data системи.
• Сравнете възможностите на Flink с тези на други рамки за обработка на големи данни.

В това водено от инструктор обучение на живо в София участниците ще научат за технологичните предложения и подходите за внедряване за обработка на графични данни. Целта е да се идентифицират обекти от реалния свят, техните характеристики и взаимоотношения, след това да се моделират тези взаимоотношения и да се обработят като данни с помощта на Graph Computing (известен също като Graph Analytics) подход. Започваме с широк преглед и се ограничаваме до конкретни инструменти, докато преминаваме през поредица от казуси, практически упражнения и внедрявания на живо.

До края на това обучение участниците ще могат:

• Разберете как данните от графиката се поддържат и преминават.
• Изберете най-добрата рамка за дадена задача (от бази данни с графики до рамки за пакетна обработка.)
• Приложете Hadoop, Spark, GraphX и Pregel за извършване на графични изчисления в много машини паралелно.
• Вижте реални проблеми с големи данни от гледна точка на графики, процеси и обхождания.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към администратори, които желаят да настроят Greenplum Database решения за бизнес разузнаване и съхранение на данни.

До края на това обучение участниците ще могат:

• Обработват нуждите на обработка с Greenplum.
• Извършват операции за извличане, трансформация и зареждане на данни за обработка.
• Използват съществуващи инфраструктури за обработка на заявки.

Това водено от инструктор обучение на живо в София (онлайн или на място) представя Hortonworks Data Platform (HDP) и превежда участниците през внедряването на решението Spark + Hadoop.

До края на това обучение участниците ще могат:

• Използвайте Hortonworks за надеждно изпълнение на Hadoop в голям мащаб.
• Обединете възможностите за сигурност, управление и операции на Hadoop с гъвкавите аналитични работни процеси на Spark.
• Използвайте Hortonworks, за да проучите, валидирате, сертифицирате и поддържате всеки от компонентите в проект на Spark.
• Обработвайте различни видове данни, включително структурирани, неструктурирани, в движение и в покой.

Cloudera Impala е машина за заявки за масивна паралелна обработка (MPP) SQL с отворен код за Apache Hadoop клъстери.

Impala позволява на потребителите да изпращат заявки с ниска латентност SQL към данни, съхранявани в Hadoop Distributed File System и Apache Hbase, без да се изисква движение или трансформация на данни.

Публика

Този курс е насочен към анализатори и специалисти по данни, извършващи анализ на данни, съхранявани в Hadoop чрез Business Intelligence или SQL инструменти.

След този курс делегатите ще могат

• Извлечете значима информация от Hadoop клъстери с Impala.
• Напишете специфични програми за улесняване на Business интелигентността на Impala SQL диалекта.
• Отстраняване на неизправности Impala.

В това водено от инструктор обучение на живо в София (на място или дистанционно), участниците ще се научат как да настройват и интегрират различни Stream Processing рамки със съществуващи системи за съхранение на големи данни и свързани софтуерни приложения и микроуслуги.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте различни Stream Processing рамки, като Spark Streaming и Kafka Streaming.
• Разберете и изберете най-подходящата рамка за работата.
• Обработване на данни непрекъснато, едновременно и по начин запис по запис.
• Интегрирайте Stream Processing решения със съществуващи бази данни, хранилища за данни, езера от данни и др.
• Интегрирайте най-подходящата библиотека за обработка на потоци с корпоративни приложения и микроуслуги.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към инженери по данни, учени по данни и програмисти, които желаят да използват Apache Kafka функции в поточно предаване на данни с Python.

До края на това обучение участниците ще могат да използват Apache Kafka за наблюдение и управление на условията в непрекъснати потоци от данни, използвайки Python програмиране.

Kafka Streams е библиотека от страна на клиента за изграждане на приложения и микроуслуги, чиито данни се предават към и от система за съобщения Kafka. Традиционно Apache Kafka разчита на Apache Spark или Apache Storm за обработка на данни между създателите на съобщения и потребителите. Чрез извикване на API на Kafka Streams от приложение, данните могат да се обработват директно в Kafka, заобикаляйки необходимостта от изпращане на данните към отделен клъстер за обработка.

В това водено от инструктор обучение на живо участниците ще се научат как да интегрират Kafka Streams в набор от примерни Java приложения, които предават данни към и от Apache Kafka за обработка на потоци.

До края на това обучение участниците ще могат:

• Да разберат характеристиките и предимствата на Kafka Streams спрямо други платформи за обработка на потоци
• Да обработват потокови данни директно в кластер на Kafka
• Да напишат Java или Scala приложение или микрослужба, която се интегрира с Kafka и Kafka Streams
• Да пишат компактен код, който преобразува входни теми на Kafka в изходни теми на Kafka
• Да създават, пакетират и разпространяват приложението

Публика

• Разработчици

Формат на курса

• Част лекции, част дискусии, упражнения и много практически упражнения

Бележки

• За запитване на персонализиран обучаващ курс за този курс, моля свържете се с нас, за да уредим

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към разработчици, които желаят да приложат Apache Kafka поточно обработване без писане на код.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Confluent KSQL.
• Настройте тръбопровод за обработка на потоци, като използвате само SQL команди (без Java или Python кодиране).
• Извършвайте филтриране на данни, трансформации, агрегации, обединения, прозорци и сесии изцяло в SQL.
• Проектирайте и разположете интерактивни, непрекъснати заявки за поточно предаване на ETL и анализи в реално време.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към технически лица, които искат да се научат как да прилагат стратегия за машинно обучение, като същевременно максимизират използването на големи данни.

До края на това обучение участниците ще:

• Разберете еволюцията и тенденциите за машинно обучение.
• Научете как машинното обучение се използва в различни индустрии.
• Запознайте се с наличните инструменти, умения и услуги за внедряване на машинно обучение в организация.
• Разберете как машинното обучение може да се използва за подобряване на извличането и анализа на данни.
• Научете какво е среден бекенд за данни и как се използва от бизнеса.
• Разберете ролята, която големите данни и интелигентните приложения играят в различните индустрии.

В това водено от инструктор обучение на живо в София (на място или дистанционно), участниците ще се научат как да внедряват и управляват Apache NiFi в лабораторна среда на живо.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Apachi NiFi.
• Извличайте, трансформирайте и управлявайте данни от различни, разпределени източници на данни, включително бази данни и големи езера от данни.
• Автоматизирайте потоците от данни.
• Активиране на поточно анализиране.
• Приложете различни подходи за поглъщане на данни.
• Трансформирайте Big Data и в бизнес прозрения.

В това водено от инструктор обучение на живо в София, участниците ще научат основите на базираното на поток програмиране, докато разработват редица демонстрационни разширения, компоненти и процесори, използвайки Apache NiFi.

До края на това обучение участниците ще могат:

• Разберете концепциите за архитектурата и потока от данни на NiFi.
• Разработвайте разширения с помощта на NiFi и API на трети страни.
• Персонализирано разработване на собствен процесор Apache Nifi.
• Поглъщайте и обработвайте данни в реално време от различни и необичайни файлови формати и източници на данни.

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към инженери по данни, учени по данни и програмисти, които желаят да използват Spark Streaming функции при обработка и анализ на данни в реално време.

До края на това обучение участниците ще могат да използват Spark Streaming за обработка на потоци от данни на живо за използване в бази данни, файлови системи и табла за управление на живо.

MLlib е библиотеката за машинно обучение (ML) на Spark. Целта му е да направи практическото машинно обучение мащабируемо и лесно. Състои се от общи алгоритми и помощни програми за обучение, включително класификация, регресия, клъстериране, съвместно филтриране, намаляване на размерността, както и примитиви за оптимизация от по-ниско ниво и приложни програмни интерфейси за конвейер от по-високо ниво.

Разделя се на два пакета:

spark.mllib съдържа оригиналния API, изграден върху RDD. spark.ml предоставя API от по-високо ниво, изграден върху DataFrames за конструиране на ML тръбопроводи.

Публика

Този курс е насочен към инженери и разработчици, които искат да използват вградена машинна библиотека за Apache Spark

Това водено от инструктор обучение на живо в София (онлайн или на място) е насочено към технически лица, които желаят да внедрят Talend Open Studio for Big Data, за да опростят процеса на четене и обработка на Big Data.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Talend Open Studio за големи данни.
• Свържете се със системи за големи данни като Cloudera, HortonWorks, MapR, Amazon EMR и Apache.
• Разберете и настройте компонентите и конекторите за големи данни на Open Studio.
• Конфигурирайте параметри за автоматично генериране на MapReduce код.
• Използвайте интерфейса за плъзгане и пускане на Open Studio, за да изпълнявате задачи на Hadoop.
• Прототип на тръбопроводи за големи данни.
• Автоматизирайте проекти за интегриране на големи данни.

Това обучение на живо, ръководено от инструктор, въвежда концепциите зад интерактивния анализ на данни и превежда участниците през внедряването и използването на Zeppelin в среда за един потребител или много потребители.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Zeppelin
• Разработвайте, организирайте, изпълнявайте и споделяйте данни в базиран на браузър интерфейс
• Визуализирайте резултатите, без да се позовавате на командния ред или детайлите на клъстера
• Изпълнявайте и си сътрудничете в дълги работни процеси
• Работете с който и да е от множеството езици/бекенди за обработка на данни като Scala (с Apache Spark), Python (с Apache Spark), Spark SQL, JDBC, Markdown и Shell .
• Интегрирайте Zeppelin със Spark, Flink и Map Reduce
• Защитете многопотребителски копия на Zeppelin с Apache Shiro