Apache Kafka for Python Programmers Treningskurs

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataingeniører, dataforskere og programmerere som ønsker å bruke Spark Streaming-funksjoner til å behandle og analysere sanntidsdata.

Ved slutten av denne opplæringen vil deltakerne kunne bruke Spark Streaming til å behandle live datastrømmer for bruk i databaser, filsystemer og live dashboards.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å implementere Apache Kafka strømbehandling uten å skrive kode.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Confluent KSQL.
• Sett opp en strømbehandlingspipeline med kun SQL-kommandoer (ingen Java- eller Python-koding).
• Utfør datafiltrering, transformasjoner, aggregeringer, sammenføyninger, vinduer og sesjonsisering i sin helhet i SQL.
• Design og distribuer interaktive, kontinuerlige spørringer for streaming av ETL og sanntidsanalyse.

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 er en åpen kildekode, enhetlig programmeringsmodell for å definere og utføre parallelle databehandlingsrørledninger. Dens kraft ligger i dens evne til å kjøre både batch- og streaming-pipelines, med utførelse utført av en av Beams støttede distribuerte prosesserings-backends: Apache Apex, Apache Flink, Apache Spark og Google Cloud Dataflow. Apache Beam er nyttig for ETL-oppgaver (Extract, Transform and Load) som å flytte data mellom forskjellige lagringsmedier og datakilder, transformere data til et mer ønskelig format og laste inn data til et nytt system.

I denne instruktørledede, live-opplæringen (på stedet eller ekstern), vil deltakerne lære hvordan de implementerer Apache Beam SDK-ene i en Java- eller Python-applikasjon som definerer en databehandlingspipeline for å dekomponere et stort datasett i mindre biter for uavhengige, parallell behandling.

Ved slutten av denne opplæringen vil deltakerne kunne:

Installer og konfigurer Apache Beam. Bruk en enkelt programmeringsmodell for å utføre både batch- og strømbehandling fra Java- eller Python-applikasjonen deres. Utfør rørledninger på tvers av flere miljøer.

Kursets format

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Merk

Dette kurset vil være tilgjengelig Scala i fremtiden. Vennligst kontakt oss for å avtale.

Apache Apex er en YARN-innfødt plattform som forener strøm og batch-behandling. Den behandler store data-i-bevegelse på en måte som er skalerbar, performant, feiltolerant, tilstrekkelig, sikker, distribuert og lett å betjene.

Denne instruktørledede, liveopplæringen introduserer Apache Apex 'enhetlige strømbehandlingsarkitektur, og leder deltakerne gjennom opprettelsen av en distribuert applikasjon som bruker Apex på Hadoop .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå databehandlingsrørledningskonsepter som kontakter for kilder og vasker, vanlige datatransformasjoner, etc.
• Bygg, skaler og optimaliser et Apex-program
• Behandle datastrømmer i sanntid pålitelig og med minimum latens
• Bruk Apex Core og Apex Malhar-biblioteket for å muliggjøre rask applikasjonsutvikling
• Bruk Apex API for å skrive og bruke eksisterende Java kode på nytt
• Integrer Apex i andre applikasjoner som en prosessor
• Still inn, test og skaler Apex-applikasjoner

Kursets format

• Interaktiv forelesning og diskusjon.
• Masse øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for tilpasning av kurset

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

Apache Storm er en distribuert, real-time datamaskin som brukes til å muliggjøre real-time forretningsintelligens. Det gjør det ved å tillate applikasjoner å pålitelig behandle ubegrensede datastrømmer (f.eks. forbruk av strømmen).

"Storm er for real-time bearbeiding hva Hadoop er for batch bearbeiding!"

I denne instruktørledede live-trening lærer deltakerne hvordan du installerer og konfigurerer Apache Storm, og deretter utvikler og implementerer en Apache Storm applikasjon for å behandle store data i sanntid.

Noen av temaene som er inkludert i denne treningen inkluderer:

• Apache Storm i sammenheng med Hadoop
• Arbeid med ubegrensede data
• Kontinuerlig beregning
• Real-time analyser
• Distribusjon av RPC og ETL

Be om dette kurset nå!

Publikum

• Programvare og ETL utviklere
• Mainframe fagfolk
• Data forskere
• Big data analytikere
• 0 0 Profesjonelle

Format av kurset

• Del forelesning, del diskusjon, øvelser og tung praksis

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.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) introduserer prinsippene og tilnærmingene bak distribuert strøm- og batchdatabehandling, og leder deltakerne gjennom opprettelsen av en sanntidsdatastrømningsapplikasjon i Apache Flink.

Ved slutten av denne opplæringen vil deltakerne kunne:

Sett opp et miljø for utvikling av dataanalyseapplikasjoner. Forstå hvordan Apache Flinks grafbehandlingsbibliotek (Gelly) fungerer. Pakk, kjør og overvåk Flink-baserte, feiltolerante datastrømmeapplikasjoner. Håndter ulike arbeidsmengder. Utfør avanserte analyser. Sett opp en multi-node Flink-klynge. Mål og optimer ytelsen. Integrer Flink med forskjellige Big Data systemer. Sammenlign Flink-funksjonene med andre rammeverk for behandling av store data.

Pandas er en Python-pakke som gir datastrukturer for å arbeide med strukturerte (tabellformede, flerdimensjonale, potensielt heterogene) og tidsseriedata.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke Pandas til å utføre prediktiv analyse med maskinlæring.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Utfør datakrangel i Python.
• Gjennomføre ETL-operasjoner for maskinlæring.
• Lag datavisualiseringer med Pandas

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og utviklere som ønsker å bruke Modin til å bygge og implementere parallelle beregninger med Pandas for raskere dataanalyse.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige miljøet for å begynne å utvikle Pandas arbeidsflyter i stor skala med Modin.
• Forstå funksjonene, arkitekturen og fordelene med Modin.
• Kjenn forskjellene mellom Modin, Dask og Ray.
• Utfør Pandas operasjoner raskere med Modin.
• Implementer hele Pandas API og funksjoner.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og programvareingeniører som ønsker å bruke Dask med Python-økosystemet for å bygge, skalere og analysere store datasett.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp miljøet for å begynne å bygge stordatabehandling med Dask og Python.
• Utforsk funksjonene, bibliotekene, verktøyene og APIene som er tilgjengelige i Dask.
• Forstå hvordan Dask akselererer parallell databehandling i Python.
• Lær hvordan du skalerer Python-økosystemet (Numpy, SciPy og Pandas) ved hjelp av Dask.
• Optimaliser Dask-miljøet for å opprettholde høy ytelse ved håndtering av store datasett.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke FastAPI med Python for å bygge, teste og distribuere RESTful APIer enklere og raskere.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å utvikle APIer med Python og FastAPI.
• Lag API-er raskere og enklere ved å bruke FastAPI-biblioteket.
• Lær hvordan du lager datamodeller og skjemaer basert på Pydantic og OpenAPI.
• Koble APIer til en database ved hjelp av SQLAlchemy.
• Implementer sikkerhet og autentisering i APIer ved å bruke FastAPI-verktøyene.
• Bygg containerbilder og distribuer web-API-er til en skyserver.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot utviklere som ønsker å bruke FARM (FastAPI, React og MongoDB)-stakken for å bygge dynamiske, høyytelses- og skalerbare nettapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

Sett opp det nødvendige utviklingsmiljøet som integrerer FastAPI, React og MongoDB. Forstå nøkkelkonseptene, funksjonene og fordelene med FARM-stakken. Lær hvordan du bygger REST APIer med FastAPI. Lær hvordan du designer interaktive applikasjoner med React. Utvikle, test og distribuer applikasjoner (front-end og back-end) ved å bruke FARM-stakken.