Real-Time Stream Processing with MapR 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.

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

В това водено от инструктор обучение на живо в България (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 (онлайн или на място) е насочено към инженери, които желаят да използват Confluent (дистрибуция на Kafka), за да изградят и управляват платформа за обработка на данни в реално време за своите приложения.

До края на това обучение участниците ще могат:

Инсталирайте и конфигурирайте Confluent Platform. Използвайте инструментите и услугите за управление на Confluent, за да стартирате Kafka по-лесно. Съхранявайте и обработвайте входящи данни от потока. Оптимизирайте и управлявайте Kafka клъстери. Защитени потоци от данни.

Формат на курса

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

Опции за персонализиране на курса

Този курс е базиран на версията с отворен код на Confluent: Confluent Open Source. За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

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 функциите на Apache Kafka при поточно предаване на данни с Python.

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

To meet compliance of the regulators, CSPs (Communication service providers) can tap into Big Data Analytics which not only help them to meet compliance but within the scope of same project they can increase customer satisfaction and thus reduce the churn. In fact since compliance is related to Quality of service tied to a contract, any initiative towards meeting the compliance, will improve the “competitive edge” of the CSPs. Therefore, it is important that Regulators should be able to advise/guide a set of Big Data analytic practice for CSPs that will be of mutual benefit between the regulators and CSPs.

The course consists of 8 modules (4 on day 1, and 4 on day 2)