Python, Spark, and Hadoop for Big Data Treningskurs

I denne instruktørledede, live-treningen i Norge vil deltakerne lære å bruke Python og Spark sammen for å analysere store data mens de jobber med praktiske øvelser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær hvordan du bruker Spark med Python til å analysere Big Data.
• Arbeid med øvelser som etterligner virkelige tilfeller.
• Bruk forskjellige verktøy og teknikker for stordataanalyse ved hjelp av PySpark.

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære om teknologitilbudene og implementeringstilnærmingene for behandling av grafdata. Målet er å identifisere virkelige objekter, deres egenskaper og relasjoner, deretter modellere disse relasjonene og behandle dem som data ved å bruke en Graph Computing (også kjent som Graph Analytics) tilnærming. Vi starter med en bred oversikt og begrenser oss til spesifikke verktøy når vi går gjennom en serie casestudier, praktiske øvelser og live-implementeringer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå hvordan grafdata opprettholdes og krysses.
• Velg det beste rammeverket for en gitt oppgave (fra grafdatabaser til rammeverk for batchbehandling.)
• Implementer Hadoop, Spark, GraphX og Pregel for å utføre grafberegning på tvers av mange maskiner parallelt.
• Se virkelige big data-problemer når det gjelder grafer, prosesser og traverseringer.

MLlib er Sparks maskinlæringsbibliotek. Målet er å gjøre praktisk maskinlæring skalerbar og enkel. Den består av vanlige læringsalgoritmer og verktøy, inkludert klassifisering, regresjon, klynger, samarbeidende filtrering, dimensjonalitetsreduksjon, samt primitiver på lavere nivå og optimaliseringsgrensesnitt på rørledningen.

Den deler seg i to pakker:

• spark.mllib inneholder den originale API-en som er bygget på toppen av RDD-er.

• spark.ml gir API på høyere nivå bygget oppå DataFrames for konstruksjon av ML-rørledninger.

Publikum

Dette kurset er rettet mot ingeniører og utviklere som søker å bruke et innebygd maskinbibliotek for Apache Spark

Kursets format

• Interaktivt foredrag og diskusjon.
• Mye øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

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

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.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke SciPy til å lage avanserte vitenskapelige databehandlingsfunksjoner med Python.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å lage vitenskapelige datafunksjoner.
• Få fullt utbytte av SciPy funksjoner ved å utføre praktiske eksempler på komplekse operasjoner.
• Implementere og optimalisere matematiske algoritmer og funksjoner for å løse vitenskapelige problemer.
• Designe datastrukturer og interpolasjonsmetoder for visualisering, prosessering og analyse.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke PyGame til å lage og bygge spill ved hjelp av Python programmering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å lage spillapplikasjoner med PyGame og Python.
• Lær hvordan du lager interaktive PyGame-applikasjoner integrert med animasjoner og multimediefunksjoner.
• Kjør og test spillprogrammer med PyGame testsuite og konverter dem til kjørbare filer.

Dette praktiske kurset er adressert til Python utviklere som ønsker å opprette og vedlikeholde sine første webapplikasjoner. Det er også adressert til folk som allerede er kjent med andre Web2py som Django eller Web2py , og ønsker å lære hvordan å bruke et mikrorammeverk (dvs. et rammeverk som limer sammen tredjepartsbiblioteker i stedet for å tilby en selvstendig universell løsning). prosessen.

En betydelig del av kurset er ikke viet til selve Flask (det er lite), men til tredjeparts biblioteker og verktøy som ofte brukes i Flask-prosjekter.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot backend-utviklere som ønsker å bygge REST APIer med Python og Flask.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Implementer et REST API for å la en Flask-webapplikasjon lese og skrive til en database i backend.
• Utvikle avanserte autentiseringsfunksjoner som oppdateringstokener.
• Bygg en gjenbrukbar backend for fremtidige Python-prosjekter.
• Forenkle lagring av data med SQLAlchemy.
• Distribuer REST API-er på en skybasert server.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å bruke de avanserte funksjonene til Flask for å bygge skalerbare nettapplikasjoner på toppen av MongoDB.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle webapplikasjoner med Flask.
• Bli kjent med de avanserte konseptene og teknikkene for kolbeprosjekter i den virkelige verden.
• Bygg en RESTful API-server på toppen av MongoDB.
• Lær hvordan du containeriserer, tester og distribuerer mikrotjenester med Flask, Docker og Amazon EC2.
• Få litt innsikt i de avanserte Flask-integrasjonene for skalering av nettapplikasjoner.