Apache Spark Streaming with Scala 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.

Opplæringen har som mål å gi muligheter Scala språk, lære syntaks for programmeringsparadigmer og rom-applikasjoner.

Målet med dette kurset er å gi en grunnleggende ferdighet i å anvende Machine Learning metoder i praksis. Gjennom bruk av programmeringsspråket Scala og dets forskjellige biblioteker, og basert på en rekke praktiske eksempler, lærer dette kurset hvordan man bruker de viktigste byggesteinene i Machine Learning , hvordan man tar beslutninger om datamodellering, tolker utgangene til algoritmene og validerer resultatene.

Målet vårt er å gi deg ferdighetene til å forstå og bruke de mest grunnleggende verktøyene fra verktøykassen Machine Learning sikkerhet og unngå vanlige fallgruver i Data Science applikasjoner.

Scala er et kortfattet, objektorientert språk med funksjonelle programmeringsfunksjoner, inkludert karriering, type inferens, uforanderlighet, lat evaluering og mønstermatching. Scala kode kjøres på en JVM og ble designet for å adressere noen av manglene ved Java .

I dette instruktørledede vil liveopplæringsdeltakere lære å bruke Scala avanserte funksjoner, inkludert typesystemet, for å skrive bedre kode ved hjelp av en objektfunksjonell tilnærming.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Utnytt Scala typesystem til maksimal fordel
• Håndter unntak funksjonelt
• Lag biblioteker og DSL-er med Scala
• Bruk Scala avanserte funksjoner for mønstermatching

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Scala er et kortfattet, objektorientert språk med funksjonelle programmeringsfunksjoner, inkludert karriering, type inferens, uforanderlighet, lat evaluering og mønstermatching.

I denne instruktørledede, live-treningsdeltakerne vil lære å bruke Scala avanserte funksjoner for å utvikle godt konstruert programvare som er lett å skrive, lese, teste og endre. Fokus for denne opplæringen er på funksjonell programmering, ved bruk av virkelige casestudier og diskusjon som referanse for laboratorieøvelser og aktiviteter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Implementere avanserte funksjonelle programmeringsteknikker
• Gjør deg kjent med komplekse signaturer
• Forstå kode gjennom typer og substitusjon
• Håndter unntak funksjonelt
• Lag biblioteker og DSL-er med Scala
• Bruk Scala avanserte funksjoner for mønstermatching

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Denne opplæringsplanen er ment å bringe deltakerne fra en nybegynner til et mellomliggende / avansert nivå i forståelsen og kunnskapen om Akka rammen.

Hele kurset er på hånd, hovedsakelig drevet av treneren i begynnelsen og gradvis flytte mot deltakerne som produserer koden selv (og laste ned implementasjoner / løsninger skrevet av treneren).

Attentene forventes ikke å ha forutgående kunnskap om Scala, vil treneren ta den nødvendige tiden for å forklare og klargjøre alle intrikater relatert til Scala koden som brukes.

OBJEKTIV:

Dette kurset vil introdusere Apache Spark . Studentene skal lære hvordan Spark passer inn i Big Data økosystemet, og hvordan de kan bruke Spark til dataanalyse. Emnet dekker Spark shell for interaktiv dataanalyse, Spark internals, Spark APIer, Spark SQL , Spark streaming, og maskinlæring og grafX.

Audiens:

Utviklere / dataanalytikere

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) introduserer Hortonworks Data Platform (HDP) og leder deltakerne gjennom utrullingen av Spark + Hadoop-løsningen.

Ved slutten av denne opplæringen vil deltakerne kunne:

Bruk Hortonworks til å kjøre Hadoop pålitelig i stor skala. Foren Hadoops sikkerhet, styring og drift med Sparks smidige analytiske arbeidsflyter. Bruk Hortonworks til å undersøke, validere, sertifisere og støtte hver av komponentene i et Spark-prosjekt. Behandle ulike typer data, inkludert strukturert, ustrukturert, i bevegelse og i hvile.

Magellan er en åpen kildekode distribuert utføringsmotor for geospatial analyse av store data. Implementert på toppen av Apache Spark, det utvider Spark SQL og gir en relativ abstraksjon for geospatial analyse.

Denne instruktørledede, live-trening introduserer konseptene og tilnærminger for implementering av geospatiell analyse og går deltakerne gjennom skapelsen av en forutsigbar analyse applikasjon ved hjelp av Magellan på Spark.

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

• Effektivt spørre, parse og bli med i geospatiale datasett i skala
• Implementering av geospatiale data i forretningsintelligens og prediktive analytics applikasjoner
• Bruk rumslig kontekst for å utvide kapasitetene til mobile enheter, sensorer, logger og bærbare enheter

Format av kurset

• Interaktiv forelesning og diskusjon.
• Mange øvelser og praksis.
• Hands-on implementering i et live-lab miljø.

Kurs tilpassingsalternativer

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

Spark SQL er Apache Spark modul for arbeid med strukturerte og ustrukturerte data. Spark SQL gir informasjon om strukturen til dataene samt beregningen som blir utført. Denne informasjonen kan brukes til å utføre optimaliseringer. To vanlige bruksområder for Spark SQL er:
- for å utføre SQL spørsmål.
- å lese data fra en eksisterende Hive installasjon.

I denne instruktørledede, liveopplæringen (på stedet eller fjernkontrollen) vil deltakerne lære å analysere ulike typer datasett ved å bruke Spark SQL .

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Spark SQL .
• Utfør dataanalyse ved å bruke Spark SQL .
• Forespørselsdatasett i forskjellige formater.
• Visualiser data og spørreresultater.

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.

I denne instruktørledede, live-opplæringen i Norge (på stedet eller ekstern), vil deltakerne lære å sette opp og integrere forskjellige Stream Processing rammeverk med eksisterende lagringssystemer for store data og relaterte programvareapplikasjoner og mikrotjenester.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer forskjellige Stream Processing rammeverk, for eksempel Spark Streaming og Kafka Streaming.
• Forstå og velg det mest passende rammeverket for jobben.
• Prosess av data kontinuerlig, samtidig og på en rekord-for-post måte.
• Integrer Stream Processing løsninger med eksisterende databaser, datavarehus, datainnsjøer, etc.
• Integrer det mest passende strømbehandlingsbiblioteket med bedriftsapplikasjoner og mikrotjenester.

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.