Vespa: Serving Large-Scale Data in Real-Time 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.

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.

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.

Kunnskapsoppdagelse i databaser (KDD) er prosessen med å oppdage nyttig kunnskap fra en innsamling av data. Real-life applikasjoner for denne data mining teknikken inkluderer markedsføring, svindeldeteksjon, telekommunikasjon og produksjon.

I denne instruktørledede, levende kurset introduserer vi prosessene involvert i KDD og utfører en rekke øvelser for å praktisere implementeringen av disse prosessene.

Publikum

• Dataanalytikere eller noen som er interessert i å lære hvordan å tolke data for å løse problemer

Format av kurset

• Etter en teoretisk diskusjon om KDD, vil instruktøren presentere real-life tilfeller som krever at anvendelsen av KDD for å løse et problem. Deltakerne vil forberede, velge og rengjøre mønsterdata sett og bruke sin fortidige kunnskap om dataene for å foreslå løsninger basert på resultatene av sine observasjoner.