Курс за обучение по From Data to Decision with Big Data and Predictive Analytics

Този курс е предназначен за разработчици и специалисти по данни, които искат да разберат и внедрят изкуствения интелект в своите приложения. Специален фокус е върху анализа на данни, разпределения изкуствен интелект и обработката на естествен език.

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.

В това водено от инструктор обучение на живо в България 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 България (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.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици на средно ниво, които желаят да създават приложения, задвижвани от AI, използвайки предсказуеми анализи и генеративни модели.

До края на това обучение участниците ще могат:

• Разберете основите на предсказуемия AI и генеративните модели.
• Използвайте задвижвани от AI инструменти за предсказуемо кодиране, прогнозиране и автоматизация.
• Внедрете LLM (модели на големи езици) и трансформатори за генериране на текст и код.
• Прилагайте прогнозиране на времеви серии и базирани на AI препоръки.
• Разработване и фина настройка на AI модели за реални приложения.
• Оценете етичните съображения и най-добрите практики при внедряването на AI.

В това водено от инструктор обучение на живо в България 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 България (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.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към ИТ професионалисти на ниво начинаещи, които искат да разберат основите на Predictive AI.

До края на това обучение участниците ще могат:

• Разберете основните концепции на Predictive AI и неговите приложения.
• Събирайте, почиствайте и обработвайте предварително данни за прогнозен анализ.
• Изследвайте и визуализирайте данни, за да разкриете прозрения.
• Изградете основни статистически модели, за да правите прогнози.
• Оценете ефективността на прогнозните модели.
• Приложете концепции за предсказуем AI към сценарии от реалния свят.

Това водено от инструктор обучение на живо в България (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.

В това водено от инструктор обучение на живо в България (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 България, 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 България (онлайн или на място) е насочено към професионалисти на средно ниво DevOps, които желаят да интегрират предсказуем AI в своите DevOps практики.

До края на това обучение участниците ще могат:

• Внедрете модели за предсказуем анализ, за да прогнозирате и разрешите предизвикателства в DevOps етапа.
• Използвайте управлявани от AI инструменти за подобрено наблюдение и операции.
• Прилагайте техники за машинно обучение, за да подобрите работните процеси за доставка на софтуер.
• Проектирайте AI стратегии за проактивно разрешаване на проблеми и оптимизиране.
• Навигирайте в етичните съображения за използване на AI в DevOps.

В това водено от инструктор обучение на живо в България 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.

Това водено от инструктор обучение на живо в България (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