Apache Ambari: Efficiently Manage Hadoop Clusters Treningskurs

Publikum:

Kurset er beregnet på IT-spesialister som leter etter en løsning for å lagre og behandle store datasett i et distribuert systemmiljø

Go :

Dyp kunnskap om Hadoop klyngestyring.

Big data analytics innebærer prosessen med å undersøke store mengder varierte datasett for å avdekke korrelasjoner, skjulte mønstre og annen nyttig innsikt.

Helseindustrien har enorme mengder komplekse heterogene medisinske og kliniske data. Å bruke big data-analyse av helsedata gir et stort potensial i å oppnå innsikt for å forbedre leveransen av helsetjenester. Imidlertid gir enorme datasett store utfordringer i analyser og praktiske applikasjoner i et klinisk miljø.

I denne instruktørledede liveopplæringen (ekstern) vil deltakerne lære å utføre big data-analyse innen helse når de går gjennom en serie praktiske live-lab-øvelser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer verktøy for analyse av big data som Hadoop MapReduce og Spark
• Forstå egenskapene til medisinsk data
• Bruk big data-teknikker for å håndtere medisinske data
• Studer store datasystemer og algoritmer i sammenheng med helseprogrammer

Publikum

• Utviklere
• Dataforskere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse.

Merk

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Datameer er en forretningsintelligens og analyseplattform bygget på Hadoop. Den lar sluttbrukere få tilgang til, utforske og korrelere store, strukturerte, semi-strukturerte og ustrukturerte data på en brukervennlig måte.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker Datameer for å overvinne Hadoops bratte læringskurve mens de går gjennom oppsettet og analysen av en rekke store datakilder.

Ved slutten av denne opplæringen vil deltakerne kunne:

Opprett, kurater og utforsk interaktivt en bedriftsdatainnsjø Access business intelligence datavarehus, transaksjonsdatabaser og andre analytiske lagre. Bruk et regnearkbrukergrensesnitt for å designe ende-til-ende databehandlingspipelines Access forhåndsbygde funksjoner for å utforske komplekse datarelasjoner Bruk dra-og-slipp-veivisere til å visualisere data og lage dashbord Bruk tabeller, diagrammer, grafer og kart til å analysere søkeresultater

Publikum

Dataanalytikere

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Kurset er dedikert til IT-spesialister som leter etter en løsning for å lagre og behandle store datasett i distribuert systemmiljø

Kursmål:

Få kunnskap om Hadoop klyngebedrift

Apache Hadoop er den mest populære rammen for behandling av Big Data på klynger av servere. I dette tre (eventuelt fire dager) kurset vil deltakerne lære om forretningsfordelene og bruke saker for Hadoop og dets økosystem, hvordan planlegge klyngedistribusjon og vekst, hvordan installere, vedlikeholde, overvåke, feilsøke og optimalisere Hadoop . De vil også øve på datalast av klynge, bli kjent med forskjellige Hadoop distribusjoner og øve på å installere og administrere Hadoop økosystemverktøy. Kurset avsluttes med diskusjon om å sikre klynge med Kerberos.

“… Materialene var veldig godt forberedt og dekket grundig. Laben var veldig hjelpsom og godt organisert ”
- Andrew Nguyen, hovedintegrasjons DW Engineer, Microsoft Online Advertising

Publikum

Hadoop administratorer

Format

Forelesninger og praktiske laboratorier, omtrentlig balanse 60% forelesninger, 40% laboratorier.

Apache Hadoop er den mest populære rammen for behandling av Big Data på klynger av servere. Dette kurset vil introdusere en utvikler til ulike komponenter (HDFS, MapReduce, Pig, Hive og HBase) Hadoop økosystem.

Apache Hadoop er et av de mest populære rammene for behandling av Big Data på klynger av servere. Dette kurset går inn på datahåndtering i HDFS, advanced Pig, Hive og HBase. Disse avanserte programmeringsteknikkene vil være fordelaktige for erfarne Hadoop utviklere.

Publikum : utviklere

Varighet: tre dager

Format: forelesninger (50%) og praktiske laboratorier (50%).

Hadoop is the most popular Big Data processing framework.

I denne instruktørledede opplæringen i Norge vil deltakerne lære kjernekomponentene i Hadoop-økosystemet og hvordan disse teknologiene kan brukes til å løse store problemer. Ved å lære disse grunnlagene vil deltakerne forbedre deres evne til å kommunisere med utviklerne og implementerne av disse systemene, så vel som dataviterne og analytikerne som mange IT-prosjekter involverer.

Publikum

• Prosjektledere som ønsker å implementere Hadoop i sin eksisterende utvikling eller IT-infrastruktur
• Prosjektledere som trenger å kommunisere med tverrfunksjonelle team som inkluderer stordataingeniører, dataforskere og forretningsanalytikere

Publikum:

Dette kurset er ment å avmystifisere big data / hadoop-teknologi og for å vise at det ikke er vanskelig å forstå.

Hadoop er en populær Big Data behandlingsramme. Python er et høyt nivå programmeringsspråk kjent for sin klare syntax og kodelesbarhet.

I denne instruktørledede, live-trening, vil deltakerne lære å jobbe med Hadoop, MapReduce, Pig, og Spark ved hjelp av Python som de går gjennom flere eksempler og bruker tilfeller.

Ved slutten av denne treningen vil deltakerne være i stand til å:

• Forstå de grunnleggende konseptene bak Hadoop, MapReduce, Pig, og Spark
• Bruk Python med Hadoop Distributed File System (HDFS), MapReduce, Pig, og Spark
• Bruk Snakebite for å programmatisk få tilgang til HDFS innenfor Python
• Bruk mrjob til å skrive MapReduce jobber i Python
• Skriv Spark-programmer med Python
• Utvid funksjonaliteten til gris ved hjelp av Python UDFs
• Forvaltning av MapReduce jobber og Pig scripts ved hjelp av Luigi

Publikum

• Utviklere
• IT fagfolk

Format av kurset

• Delvis forelesning, delvis diskusjon, øvelser og tung praksis

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot systemadministratorer som ønsker å lære hvordan de konfigurerer, distribuerer og administrerer Hadoop klynger i organisasjonen deres.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Apache Hadoop.
• Forstå de fire hovedkomponentene i Hadoop-økosystemet: HDFS, MapReduce, YARN og Hadoop Common.
• Bruk Hadoop Distributed File System (HDFS) for å skalere en klynge til hundrevis eller tusenvis av noder.
• Konfigurer HDFS for å fungere som lagringsmotor for Spark-distribusjoner på stedet.
• Sett opp Spark for å få tilgang til alternative lagringsløsninger som Amazon S3 og NoSQL databasesystemer som Redis, Elasticsearch, Couchbase, Aerospike, etc.
• Utfør administrative oppgaver som klargjøring, administrasjon, overvåking og sikring av en Apache Hadoop-klynge.

Dette kurset introduserer HBase - en No SQL butikk på toppen av Hadoop . Kurset er beregnet på utviklere som skal bruke HBase til å utvikle applikasjoner, og administratorer som vil administrere HBase klynger.

Vi vil gå en utvikler gjennom HBase-arkitektur og datamodellering og applikasjonsutvikling på HBase. Den vil også diskutere bruk av MapReduce med HBase, og noen administrasjonsemner, relatert til ytelsesoptimalisering. Kurset er veldig praktisk med mange labøvelser.

Varighet : 3 dager

Publikum : Utviklere og administratorer

I denne instruktørledede, live-opplæringen i Norge (på stedet eller ekstern), vil deltakerne lære hvordan de distribuerer og administrerer Apache NiFi i et levende laboratoriemiljø.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Apachi NiFi.
• Kilde, transformer og administrer data fra forskjellige, distribuerte datakilder, inkludert databaser og store datainnsjøer.
• Automatiser dataflyter.
• Aktiver strømmeanalyse.
• Bruk ulike tilnærminger for datainntak.
• Forvandle Big Data og til forretningsinnsikt.

I denne instruktørledede, direkteopplæringen i Norge vil deltakerne lære det grunnleggende om flytbasert programmering når de utvikler en rekke demo-utvidelser, komponenter og prosessorer ved hjelp av Apache NiFi.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå NiFis arkitektur og dataflytkonsepter.
• Utvikle utvidelser ved å bruke NiFi og tredjeparts APIer.
• Tilpasset utvikle sin egen Apache Nifi-prosessor.
• Innta og behandle sanntidsdata fra forskjellige og uvanlige filformater og datakilder.