A Practical Introduction to Stream Processing Training Course

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.

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 кодиране на Java или Python).
• 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.

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 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 пакетни, 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 водено от инструктор обучение на живо (на място или дистанционно) участниците ще се 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 независими, паралелна обработка.

До края на това обучение участниците ще могат:

Инсталирайте и конфигурирайте Apache Beam. Използвайте един модел на програмиране, за да извършвате 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.

Apache Apex е платформа, базирана на YARN, която обединява поточна и пакетна обработка. Той обработва големи данни в движение по начин, който е мащабируем, производителен, устойчив на грешки, поддържащ състоянието, защитен, разпределен и лесен за работа.

Това обучение на живо, водено от инструктор, представя унифицираната архитектура за обработка на потоци на Apache Apex и превежда участниците през създаването на разпределено приложение, използващо Apex на Hadoop.

До края на това обучение участниците ще могат:

Разберете концепциите на тръбопровода за обработка на данни, като конектори за източници и приемници, общи трансформации на данни и т.н. Изградете, мащабирайте и оптимизирайте приложение Apex Обработвайте потоци от данни в реално време надеждно и с минимално забавяне Използвайте Apex Core и библиотеката Apex Malhar, за да активирате бързо приложение разработка Използвайте Apex API за писане и повторно използване на съществуващ Java код Интегрирайте Apex в други приложения като машина за обработка Настройвайте, тествайте и мащабирайте Apex приложения

Формат на курса

Интерактивна лекция и дискусия. Много упражнения и практика. Практическо внедряване в лабораторна среда на живо.

Опции за персонализиране на курса

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

Apache Storm е разпределен, реално време компютърни двигател, използван за предоставяне на бизнес интелигентност в реално време. Това се прави, като позволява на приложенията надеждно да обработват неограничени потоци от данни (напр. за обработка на потока).

"Storm е за обработка в реално време, което Hadoop е за обработка на партида!"

В това обучение, ръководено от инструктори, участниците ще научат как да инсталирате и конфигурирате Apache Storm, а след това да развиете и разпространявате Apache Storm приложение за обработка на големи данни в реално време.

Някои от темите, включени в това обучение включват:

• Apache Storm в контекста на Hadoop
• Работа с неограничени данни
• непрекъснато изчисляване
• Анализ в реално време
• Разпределена обработка на RPC и ETL

Потърсете този курс сега!

публиката

• Софтуер и ETL разработчици
• Професионалисти от Mainframe
• Данни учени
• Анализ на големите данни
• [ 0 ] Професионалисти

Формат на курса

• Разделна лекция, разделна дискусия, упражнения и тежка практика

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 потока 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) 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 на Apache Flink (Gelly). Пакетирайте, изпълнявайте и наблюдавайте Flink-базирани, устойчиви на грешки приложения за поточно предаване на данни. Управлявайте различни натоварвания. Извършване на 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 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 големи данни.
• Работете върху упражнения, които имитират случаи от реалния свят.
• Използвайте различни инструменти и техники за анализ на големи данни с помощта на PySpark.

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 връзки, след това да се моделират тези връзки и да се обработват 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 групова обработка.)
• Приложете Hadoop, Spark, GraphX и Pregel за извършване на изчисления на графики в много машини паралелно.
• Вижте реални проблеми с големи данни от гледна точка на графики, процеси и обхождания.

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

Формат на курса

• Интерактивна лекция и дискусия.
• Много упражнения и практика.
• Практическо внедряване в лабораторна среда на живо.

Опции за персонализиране на курса

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

Apache Samza е асинхронна изчислителна рамка с отворен код в почти реално време за обработка на потоци. Той използва Apache Kafka за съобщения и Apache Hadoop YARN за толерантност към грешки, изолиране на процесора, сигурност и управление на ресурсите.

Това водено от инструктор обучение на живо въвежда принципите зад системите за съобщения и разпределената обработка на потоци, като същевременно превежда участниците в създаването на примерен проект, базиран на Samza, и изпълнението на заданието.

До края на това обучение участниците ще могат:

Използвайте Samza, за да опростите кода, необходим за създаване и използване на съобщения. Отделете обработката на съобщения от приложение. Използвайте Samza за внедряване на асинхронно изчисление в почти реално време. Използвайте поточно обработване, за да осигурите по-високо ниво на абстракция спрямо системите за съобщения.

Публика

Разработчици

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

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:

Разберете характеристиките и предимствата на Kafka Streams пред други рамки за обработка на потоци. Обработвайте данни от потоци директно в рамките на Kafka клъстер. Напишете Java или Scala приложение или микроуслуга, която се интегрира с Kafka и Kafka Streams. Напишете кратък код, който трансформира входните Kafka теми в изходни Kafka теми. пакетирайте и внедрите приложението

Публика

Разработчици

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Бележки

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