Big Data Architect Schulung

In dieser von einem Ausbilder geleiteten Live-Schulung lernen die Teilnehmer, wie man ein Data Vault.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verstehen Sie die Architektur und die Designkonzepte hinter Data Vault 2.0 und seine Interaktion mit Big Data, NoSQL und AI.
• Data Vaulting-Techniken nutzen, um Auditing, Tracing und Inspektion von historischen Daten in einem Data Warehouse zu ermöglichen.
• Entwickeln eines konsistenten und wiederholbaren ETL-Prozesses (Extrahieren, Transformieren, Laden).
• Hochskalierbare und wiederholbare Data Warehouses aufbauen und einsetzen.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Dateningenieure, Datenwissenschaftler und Programmierer, die die Funktionen von Spark Streaming bei der Verarbeitung und Analyse von Echtzeitdaten nutzen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein, Spark Streaming zu verwenden, um Live-Datenströme für die Verwendung in Datenbanken, Dateisystemen und Live-Dashboards zu verarbeiten.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die Apache Kafka Stream Processing implementieren möchten, ohne Code zu schreiben.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Sie Confluent KSQL.
• Einrichten einer Stromverarbeitungspipeline nur mit SQL-Befehlen (keine Java- oder Python-Codierung).
• Datenfilterung, Transformationen, Aggregationen, Joins, Windowing und Sessionisierung vollständig in SQL durchführen.
• Entwerfen und Bereitstellen interaktiver, kontinuierlicher Abfragen für Streaming ETL und Echtzeit-Analysen.

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 ist ein Open-Source-Programm zur einheitlichen Definition und Ausführung von parallelen Datenverarbeitungspipelines Seine Stärke liegt in der Fähigkeit, sowohl Batch- als auch Streaming-Pipelines auszuführen, wobei die Ausführung durch eines der von Beam unterstützten verteilten Verarbeitungs-Backends ausgeführt wird: Apache Apex, Apache Fink, Apache Spark und Google Cloud Dataflow Apache Beam ist nützlich für ETL-Aufgaben (Extrahieren, Transformieren und Laden), z B zum Verschieben von Daten zwischen verschiedenen Speichermedien und Datenquellen, zum Umwandeln von Daten in ein wünschenswertes Format und zum Laden von Daten in ein neues System In diesem instruierten Live-Training (vor Ort oder remote) lernen die Teilnehmer, wie sie die Apache Beam SDKs in einer Java- oder Python-Anwendung implementieren, die eine Datenverarbeitungspipeline zum Zerlegen eines großen Datensatzes in kleinere Blöcke für die unabhängige, parallele Verarbeitung definiert Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Installieren und konfigurieren Sie Apache Beam Verwenden Sie ein einzelnes Programmiermodell, um sowohl die Batch- als auch die Stream-Verarbeitung auszuführen, indem Sie ihre Java- oder Python-Anwendung verwenden Führen Sie Pipelines über mehrere Umgebungen hinweg aus Publikum Entwickler Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen Hinweis Dieser Kurs wird in Zukunft Scala zur Verfügung stehen Bitte kontaktieren Sie uns, um zu vereinbaren .

Apache Apex ist eine YARNnative-Plattform, die Stream- und Batch-Verarbeitung vereint Es verarbeitet große Datenbewegungen in einer Weise, die skalierbar, performant, fehlertolerant, zustandsorientiert, sicher, verteilt und einfach zu bedienen ist Dieses integrierte Live-Training stellt Apache Apex's vereinheitlichte Stream-Processing-Architektur vor und führt die Teilnehmer durch die Erstellung einer verteilten Anwendung mit Apex auf Hadoop Am Ende dieses Trainings werden die Teilnehmer in der Lage sein: Verständnis von Datenverarbeitungs-Pipeline-Konzepten wie Konnektoren für Quellen und Senken, gemeinsame Datentransformationen usw Erstellen, skalieren und optimieren Sie eine Apex-Anwendung Verarbeiten Sie Echtzeitdatenströme zuverlässig und mit minimaler Latenz Verwenden Sie Apex Core und die Apex Malhar-Bibliothek, um eine schnelle Anwendungsentwicklung zu ermöglichen Verwenden Sie die Apex-API, um vorhandenen Java-Code zu schreiben und wiederzuverwenden Integrieren Sie Apex als Verarbeitungsmodul in andere Anwendungen Optimieren, testen und skalieren Sie Apex-Anwendungen Publikum Entwickler Unternehmensarchitekten Format des Kurses Teilvorlesung, Teildiskussion, Übungen und schwere Handsonsübungen .

Apache Storm ist ein verteilter, real-time Computing-Motor, der zur Bereitstellung von Business Intelligence in real-time verwendet wird. Es tut dies, indem Anwendungen zuverlässig unbegrenzte Datenströme verarbeiten können (z. B. Übertragung von Stream).

"Storm ist für Echtzeitverarbeitung, was Hadoop für Batchverarbeitung ist!"

In diesem Live-Training unter Anweisung lernen die Teilnehmer, wie man Apache Storm installiert und konfiguriert und dann eine Apache Storm Anwendung entwickelt und implementiert, um große Daten in Echtzeit zu verarbeiten.

Einige der in dieser Ausbildung enthaltenen Themen umfassen:

• Apache Storm im Zusammenhang mit Hadoop
• Arbeiten mit unbegrenzten Daten
• kontinuierliche Berechnung
• Analysen in Echtzeit
• Distribuierte RPC und ETL-Verarbeitung

Bitte beantragen Sie diesen Kurs jetzt!

Publikum

• Software und ETL Entwickler
• Mainframe Fachkräfte
• Datenwissenschaftler
• Big Data Analytiker
• [ 0 ] Fachleute

Format des Kurses

• Teilverhandlungen, Teildiskussionen, Übungen und schwere Praktiken

In dieser von einem Ausbilder geleiteten Live-Schulung (vor Ort oder per Fernzugriff) lernen die Teilnehmer, wie sie Apache NiFi in einer Live-Laborumgebung einsetzen und verwalten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installation und Konfiguration von Apachi NiFi.
• Daten aus unterschiedlichen, verteilten Datenquellen, einschließlich Datenbanken und Big Data Lakes, beschaffen, umwandeln und verwalten.
• Automatisieren von Datenflüssen.
• Streaming-Analysen ermöglichen.
• Unterschiedliche Ansätze für die Datenaufnahme anwenden.
• Umwandeln Big Data und in Geschäftseinblicke.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer die Grundlagen der ablaufbasierten Programmierung, während sie eine Reihe von Demo-Erweiterungen, Komponenten und Prozessoren mit Apache NiFi entwickeln.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Architektur von NiFi und die Datenflusskonzepte verstehen.
• Erweiterungen mit NiFi und APIs von Drittanbietern entwickeln.
• Eigene Apache-NiFi-Prozessoren entwickeln.
• Echtzeitdaten aus unterschiedlichen und unüblichen Dateiformaten und Datenquellen erfassen und verarbeiten.

Diese Live-Schulung unter Anleitung eines Dozenten (online oder vor Ort) führt in die Prinzipien und Ansätze der verteilten Stream- und Batch-Datenverarbeitung ein und führt die Teilnehmer durch die Erstellung einer Echtzeit-Daten-Streaming-Anwendung in Apache Flink.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

Eine Umgebung für die Entwicklung von Datenanalyseanwendungen einrichten. Verstehen, wie Apache Flink's graph-verarbeitende Bibliothek (Gelly) funktioniert. Flink-basierte, fehlertolerante Daten-Streaming-Anwendungen paketieren, ausführen und überwachen. Verwalten verschiedener Arbeitslasten. Erweiterte Analysen durchführen. Einrichten eines Flink-Clusters mit mehreren Knoten. Messen und Optimieren der Leistung. Flink mit verschiedenen Big Data Systemen integrieren. Flink-Funktionen mit denen anderer Big-Data-Verarbeitungs-Frameworks vergleichen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer anhand praktischer Übungen, wie sie Python und Spark gemeinsam zur Analyse von Big Data einsetzen können.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Lernen Sie, wie Sie Spark mit Python verwenden, um Big Data zu analysieren.
• Arbeiten Sie an Übungen, die reale Fälle nachbilden.
• Verwenden Sie verschiedene Tools und Techniken für die Big-Data-Analyse mit PySpark.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer die Technologieangebote und Implementierungsansätze für die Verarbeitung von Graphdaten kennen. Ziel ist es, Objekte der realen Welt, ihre Eigenschaften und Beziehungen zu identifizieren, diese Beziehungen zu modellieren und sie als Daten mit einem Graph Computing-Ansatz (auch bekannt als Graph Analytics) zu verarbeiten. Wir beginnen mit einem breiten Überblick und gehen dann anhand einer Reihe von Fallstudien, praktischen Übungen und Live-Einsätzen auf spezifische Tools ein.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verstehen, wie Graphdaten persistiert und durchlaufen werden.
• Das beste Framework für eine bestimmte Aufgabe auswählen (von Graphdatenbanken bis hin zu Stapelverarbeitungs-Frameworks)
• Implementieren Sie Hadoop, Spark, GraphX und Pregel, um Graphenberechnungen auf vielen Rechnern parallel durchzuführen.
• Betrachten Sie reale Big-Data-Probleme in Form von Graphen, Prozessen und Traversalen.

MLlib ist die ML-Bibliothek (Machine Learning) von Spark. Ziel ist es, praktisches maschinelles Lernen skalierbar und einfach zu machen. Es besteht aus allgemeinen Lernalgorithmen und Dienstprogrammen, einschließlich Klassifizierung, Regression, Clustering, kollaborativer Filterung, Dimensionsreduzierung sowie Optimierungsprimitiven auf niedrigerer Ebene und Pipeline-APIs auf höherer Ebene.

Es teilt sich in zwei Pakete:

• spark.mllib enthält die ursprüngliche API, die auf RDDs basiert.

• spark.ml bietet eine API auf höherer Ebene, die auf DataFrames zum Erstellen von ML-Pipelines basiert.

Publikum

Dieser Kurs richtet sich an Ingenieure und Entwickler, die eine integrierte Maschinenbibliothek für Apache Spark

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praktiken.
• Praktische Umsetzung in einer Live-Laborumgebung.

Optionen zur Kursanpassung

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, setzen Sie sich bitte mit uns in Verbindung, um dies zu vereinbaren.

Wissenentdeckung in Datenbanken (KDD) ist der Prozess der Entdeckung nützlicher Wissen aus einer Datenerhebung. Real-Life-Anwendungen für diese Data Mining-Technik umfassen Marketing, Betrugdetektion, Telekommunikation und Herstellung.

In diesem Instructor-leitet, Live-Kurs werden wir die in KDD beteiligten Prozesse einführen und eine Reihe von Übungen durchführen, um die Implementierung dieser Prozesse zu üben.

Publikum

• Datenanalytiker oder jemand, der daran interessiert ist, zu lernen, wie man Daten interpretiert, um Probleme zu lösen

Format des Kurses

• Nach einer theoretischen Diskussion über KDD präsentiert der Lehrer reale Fälle, die die Anwendung von KDD fordern, um ein Problem zu lösen. Die Teilnehmer bereiten, wählen und reinigen Samplendaten und nutzen ihre vorherigen Kenntnisse der Daten, um Lösungen auf der Grundlage der Ergebnisse ihrer Beobachtungen vorzustellen.