IBM Datastage For Administrators and Developers Treningskurs

I denne instruktørledede liveopplæringen i Norge vil deltakerne lære hvordan man bygger en Data Vault.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå arkitekturen og designkonseptene bak Data Vault 2.0, og dets interaksjon med Big Data, NoSQL og AI.
• Bruk datahvelvteknikker for å aktivere revisjon, sporing og inspeksjon av historiske data i et datavarehus.
• Utvikle en konsistent og repeterbar ETL (Extract, Transform, Load) prosess.
• Bygg og distribuer svært skalerbare og repeterbare varehus.

Kurset er en del av Data Scientist ferdighetssettet (Domain: Data and Technology).

Apache Druid er et open source, kolonneorientert, distribuert datalager skrevet i Java . Den ble designet for å raskt innta store mengder hendelsesdata og utføre OLAP-spørsmål med lav latens på disse dataene. Druid brukes ofte i forretningsintelligensapplikasjoner for å analysere høye mengder sanntids- og historiske data. Det er også godt egnet til å bruke raske, interaktive, analytiske dashbord for sluttbrukere. Druid brukes av selskaper som Alibaba, Airbnb, Cisco , eBay, Netflix, Paypal og Yahoo.

I dette instruktørledede, live-kurset utforsker vi noen av begrensningene i datavarehusløsninger og diskuterer hvordan Druid kan komplimentere disse teknologiene til å danne en fleksibel og skalerbar streaming-analysestabel. Vi går gjennom mange eksempler, og tilbyr deltakerne sjansen til å implementere og teste Druid-baserte løsninger i et laboratoriemiljø.

Kursets format

• Delforelesning, deldiskusjon, tung praktisk praksis, sporadiske tester for å måle forståelse

Apache Kylin er en ekstrem, distribuert analysemotor for store data.

I denne instruktørledede live-trening lærer deltakerne hvordan de kan bruke Apache Kylin til å sette opp en real-time data lagring.

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

• Forbruker real-time streaming data ved hjelp av Kylin
• Utnytte Apache Kylin's kraftige funksjoner,rik SQL grensesnitt, spark cubing og sekundær etterspørsel latens

Notat

• Vi bruker den nyeste versjonen av Kylin (basert på denne teksten, Apache Kylin v2.0)

Publikum

• Big Data ingeniører
• 0 0 Analytikere

Format av kurset

• Delvis forelesning, delvis diskusjon, øvelser og tung praksis

Mem SQL er et internt, distribuert, SQL databasesystem for sky og lokale. Det er et datalager i sanntid som umiddelbart leverer innsikt fra levende og historiske data.

I denne instruktørledede, liveopplæringen, vil deltakerne lære det vesentlige av Mem SQL for utvikling og administrasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå nøkkelbegrepene og egenskapene til Mem SQL
• Installere, designe, vedlikeholde og betjene Mem SQL
• Optimaliser skjemaer i Mem SQL
• Forbedre spørsmål i Mem SQL
• Benchmark-ytelse i Mem SQL
• Bygg dataprogrammer i sanntid ved hjelp av Mem SQL

Publikum

• Utviklere
• administratorer
• Operasjonsingeniører

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Amazon Redshift er en skybasert datavarehustjeneste i petabyte-skala i AWS.

I denne instruktørledede liveopplæringen vil deltakerne lære det grunnleggende om Amazon Redshift.

Ved slutten av denne opplæringen vil deltakerne kunne:

Installer og konfigurer Amazon Redshift Last inn, konfigurer, distribuer, spør etter og visualiser data med Amazon Redshift

Publikum

Utviklere IT-fagfolk

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Merk

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

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å sette opp en multi-node Greenplum-database.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Pivotal Greenplum.
• Modeller data i henhold til gjeldende behov og fremtidige utvidelsesplaner.
• Utfør forskjellige teknikker for å distribuere data på tvers av flere noder.
• Forbedre databaseytelsen gjennom tuning.
• Overvåk og feilsøk en Greenplum-database.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot administratorer som ønsker å sette opp Greenplum Database for business intelligence og datavarehusløsninger.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Ta tak i behandlingsbehov med Greenplum.
• Utføre ETL-operasjoner for databehandling.
• Utnytt eksisterende infrastruktur for spørringsbehandling.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataingeniører på middels nivå som ønsker å lære å bruke Azure Data Lake Storage Gen2 for effektive dataanalyseløsninger.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå arkitekturen og nøkkelfunksjonene til Azure Data Lake Storage Gen2.
• Optimaliser datalagring og tilgang for kostnader og ytelse.
• Integrer Azure Data Lake Storage Gen2 med andre Azure tjenester for analyse og databehandling.
• Utvikle løsninger ved hjelp av Azure Data Lake Storage Gen2 API.
• Feilsøk vanlige problemer og optimaliser lagringsstrategier.

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)

Fremskritt innen teknologi og den økende informasjonsmengden endrer hvordan virksomheten drives i mange bransjer, inkludert myndigheter. Gostatens datagenerering og digital arkivering øker på grunn av den raske veksten av mobile enheter og applikasjoner, smarte sensorer og enheter, cloud computing-løsninger og innbyggervendte portaler. Etter hvert som digital informasjon utvides og blir mer kompleks, blir informasjonshåndtering, prosessering, lagring, sikkerhet og disponering også mer kompleks. Nye verktøy for fangst, søk, oppdagelse og analyse hjelper organisasjoner med å få innsikt fra deres ustrukturerte data. Det offentlige markedet er på et vippepunkt, og innser at informasjon er en strategisk ressurs, og myndighetene må beskytte, utnytte og analysere både strukturert og ustrukturert informasjon for å bedre tjene og møte oppdragskravene. Ettersom regjeringsledere streber etter å utvikle datadrevne organisasjoner for å lykkes med oppdraget, legger de grunnlaget for å korrelere avhengigheter på tvers av hendelser, mennesker, prosesser og informasjon.

Offentlige løsninger av høy verdi vil bli laget fra en blanding av de mest forstyrrende teknologiene:

Mobile enheter og applikasjoner Skytjenester Sosiale forretningsteknologier og nettverk Big Data og analyser

IDC spår at innen 2020 vil IT-industrien nå 5 billioner dollar, omtrent 1,7 billioner dollar større enn i dag, og at 80 % av industriens vekst vil bli drevet av disse 3. plattformteknologiene. På lang sikt vil disse teknologiene være sentrale verktøy for å håndtere kompleksiteten i økt digital informasjon. Big Data er en av de intelligente bransjeløsningene og lar myndigheter ta bedre beslutninger ved å iverksette tiltak basert på mønstre avslørt ved å analysere store datamengder – relatert og urelatert, strukturert og ustrukturert.

Men å oppnå disse bragdene krever langt mer enn bare å samle enorme mengder data. «Å gi mening om disse volumene av Big Data krever banebrytende verktøy og teknologier som kan analysere og trekke ut nyttig kunnskap fra enorme og mangfoldige informasjonsstrømmer,» og Tom Kalil og Fen Zhao fra Det hvite hus Office of Science and Technology Policy skrev i et innlegg på OSTP-bloggen.

Det hvite hus tok et skritt mot å hjelpe byråer med å finne disse teknologiene da det etablerte National Big Data Research and Development Initiative i 2012. Initiativet inkluderte mer enn $200 millioner for å få mest mulig ut av eksplosjonen av Big Data og verktøyene som trengs for å analysere det.

Utfordringene som Big Data utgjør er nesten like skremmende som løftet er oppmuntrende. Å lagre data effektivt er en av disse utfordringene. Som alltid er budsjettene stramme, så byråer må minimere lagringsprisen per megabyte og holde dataene lett tilgjengelige slik at brukerne kan få det når de vil ha det og hvordan de trenger det. Sikkerhetskopiering av enorme mengder data øker utfordringen.

Å analysere dataene effektivt er en annen stor utfordring. Mange byråer bruker kommersielle verktøy som gjør dem i stand til å sile gjennom fjellene av data, og oppdage trender som kan hjelpe dem å operere mer effektivt. (En fersk studie av MeriTalk fant at føderale IT-ledere tror Big Data kan hjelpe byråer med å spare mer enn 500 milliarder dollar samtidig som de oppfyller oppdragsmålene.).

Spesialutviklede Big Data-verktøy lar også byråer dekke behovet for å analysere dataene deres. For eksempel har Oak Ridge National Laboratorys Computational Data Analytics Group gjort sitt Piranha-dataanalysesystem tilgjengelig for andre byråer. Systemet har hjulpet medisinske forskere med å finne en kobling som kan varsle leger om aortaaneurismer før de slår til. Den brukes også til mer hverdagslige oppgaver, for eksempel å søke gjennom CV-er for å koble jobbkandidater med ansettelsesledere.

Dag 1 - gir et høyt nivå oversikt over viktige Big Data . Modulen er delt inn i en serie seksjoner, som hver blir ledsaget av en praktisk øvelse.

Dag 2 - utforsker en rekke temaer som relaterer analysepraksiser og verktøy for Big Data miljøer. Det kommer ikke inn på implementerings- eller programmeringsdetaljer, men holder i stedet dekningen på et konseptuelt nivå, med fokus på temaer som gjør at deltakerne kan utvikle en omfattende forståelse av de vanlige analysefunksjonene og funksjonene som tilbys av Big Data løsninger.

Dag 3 - gir en oversikt over de grunnleggende og essensielle temaområdene knyttet til plattformarkitekturen for Big Data løsning. Den dekker Big Data mekanismer som er nødvendige for utvikling av en Big Data løsningsplattform og arkitektoniske alternativer for å sette sammen en databehandlingsplattform. Vanlige scenarier presenteres også for å gi en grunnleggende forståelse av hvordan en Big Data løsningsplattform generelt brukes.

Dag 4 - bygger videre på dag 3 ved å utforske avanserte emner relatert til Big Data løsningsplattformarkitektur. Spesielt blir forskjellige arkitektoniske lag som utgjør Big Data løsningsplattformen introdusert og diskutert, inkludert datakilder, datastyrking, datalagring, databehandling og sikkerhet.

Dag 5 - dekker en rekke øvelser og problemer designet for å teste delegatene muligheten til å anvende kunnskap om emner som dekkes dag 3 og 4.

Fremskritt innen teknologier og den økende mengden informasjon transformerer hvordan rettshåndhevelse gjennomføres. Utfordringene Big Data utgjør er nesten like avskrekkende som Big Data løfte. Lagring av data er en av disse utfordringene; effektiv analyse av det er en annen.

I denne instruktørledede, liveopplæringen, vil deltakerne lære tankegangen til å tilnærme seg Big Data teknologier, vurdere deres innvirkning på eksisterende prosesser og policyer og implementere disse teknologiene med det formål å identifisere kriminell aktivitet og forhindre kriminalitet. Casestudier fra rettshåndhevelsesorganisasjoner rundt om i verden vil bli undersøkt for å få innsikt i deres adopsjonstilnærminger, utfordringer og resultater.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Kombiner Big Data teknologi med tradisjonelle datainnsamlingsprosesser for å fortelle en historie under en undersøkelse
• Implementere industrielle store datalagrings- og behandlingsløsninger for dataanalyse
• Utarbeide et forslag for adopsjon av de mest adekvate verktøy og prosesser for å muliggjøre en datadrevet tilnærming til kriminell etterforskning

Publikum

• Spesialister innen rettshåndhevelse med teknisk bakgrunn

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Big Data er et begrep som refererer til løsninger som er beregnet på lagring og behandling av store datasett. Disse Big Data løsningene ble utviklet av Go ogle i utgangspunktet og har utviklet og inspirert andre lignende prosjekter, hvorav mange er tilgjengelige som open source. R er et populært programmeringsspråk i finansnæringen.

Når tradisjonelle lagringsteknologier ikke håndterer datamengden du trenger å lagre, er det hundrevis av alternativer. Dette kurset prøver å veilede deltakerne hva som er alternativer for lagring og analyse av Big Data og hva er deres fordeler og ulemper.

Dette kurset fokuserer mest på diskusjon og presentasjon av løsninger, selv om praktiske øvelser er tilgjengelige på forespørsel.