Apache Ambari: Efficiently Manage Hadoop Clusters Training Course

Κοινό:

Το μάθημα απευθύνεται σε ειδικούς πληροφορικής που αναζητούν λύση για την αποθήκευση και επεξεργασία μεγάλων συνόλων δεδομένων σε περιβάλλον κατανεμημένου συστήματος

Go αλ:

Βαθιά γνώση σχετικά με τη διοίκηση συμπλέγματος Hadoop .

Οι μεγάλες αναλύσεις δεδομένων περιλαμβάνουν τη διαδικασία εξέτασης μεγάλων ποσοτήτων ποικίλων συνόλων δεδομένων, προκειμένου να αποκαλυφθούν συσχετισμοί, κρυμμένα μοτίβα και άλλες χρήσιμες γνώσεις.

Ο τομέας της υγείας έχει τεράστιες ποσότητες σύνθετων ετερογενών ιατρικών και κλινικών δεδομένων. Η εφαρμογή μεγάλων αναλυτικών στοιχείων σχετικά με τα δεδομένα για την υγεία παρουσιάζει τεράστιο δυναμικό για την απόκτηση γνώσεων για τη βελτίωση της παροχής υγειονομικής περίθαλψης. Ωστόσο, το τεράστιο μέγεθος αυτών των συνόλων δεδομένων δημιουργεί μεγάλες προκλήσεις σε αναλύσεις και πρακτικές εφαρμογές σε ένα κλινικό περιβάλλον.

Σε αυτή την καθοδηγούμενη από εκπαιδευτή, ζωντανή εκπαίδευση (απομακρυσμένη), οι συμμετέχοντες θα μάθουν πώς να εκτελούν μεγάλες αναλύσεις δεδομένων στην υγεία καθώς περνούν μέσα από μια σειρά πρακτικών εργαστηριακών ασκήσεων.

Μέχρι τη λήξη αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν:

• Εγκαταστήστε και διαμορφώστε εργαλεία ανάλυσης δεδομένων όπως Hadoop MapReduce και Spark
• Κατανοήστε τα χαρακτηριστικά των ιατρικών δεδομένων
• Εφαρμογή μεγάλων τεχνικών δεδομένων για την αντιμετώπιση των ιατρικών δεδομένων
• Μελετήστε μεγάλα συστήματα δεδομένων και αλγόριθμους στο πλαίσιο εφαρμογών υγείας

Κοινό

• Προγραμματιστές
• Επιστήμονες δεδομένων

Μορφή του μαθήματος

• Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση.

Σημείωση

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να κανονίσετε.

Το Datameer είναι μια πλατφόρμα επιχειρηματικής ευφυΐας και ανάλυσης που βασίζεται στο Hadoop. Επιτρέπει στους τελικούς χρήστες να έχουν πρόσβαση, να εξερευνούν και να συσχετίζουν μεγάλης κλίμακας, δομημένα, ημιδομημένα και μη δομημένα δεδομένα με εύχρηστο τρόπο.

Σε αυτή τη ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Datameer για να ξεπεράσουν την απότομη καμπύλη μάθησης του Hadoop καθώς προχωρούν στη ρύθμιση και την ανάλυση μιας σειράς πηγών μεγάλων δεδομένων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

Δημιουργία, επιμέλεια και διαδραστική εξερεύνηση μιας λίμνης δεδομένων επιχείρησης Access αποθήκες δεδομένων επιχειρηματικής ευφυΐας, βάσεις δεδομένων συναλλαγών και άλλα αναλυτικά καταστήματα Χρησιμοποιήστε μια διεπαφή χρήστη υπολογιστικού φύλλου για να σχεδιάσετε αγωγούς επεξεργασίας δεδομένων από άκρο σε άκρο Access προκατασκευασμένες λειτουργίες για εξερεύνηση σύνθετες σχέσεις δεδομένων Χρησιμοποιήστε οδηγούς μεταφοράς και απόθεσης για οπτικοποίηση δεδομένων και δημιουργία πινάκων εργαλείων Χρησιμοποιήστε πίνακες, γραφήματα, γραφήματα και χάρτες για την ανάλυση των αποτελεσμάτων ερωτημάτων

Ακροατήριο

Αναλυτές δεδομένων

Μορφή του μαθήματος

Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση

Το μάθημα απευθύνεται σε ειδικούς πληροφορικής που αναζητούν λύση για την αποθήκευση και επεξεργασία μεγάλων συνόλων δεδομένων σε περιβάλλον κατανεμημένου συστήματος

Στόχος του μαθήματος:

Γνωριμία με τη διοίκηση του cluster Hadoop

Το Apache Hadoop είναι το πιο δημοφιλές πλαίσιο για την επεξεργασία Big Data σε συμπλέγματα διακομιστών. Σε αυτά τα τρία (προαιρετικά, τέσσερα) ημερήσια μαθήματα, οι συμμετέχοντες θα ενημερωθούν για τα επιχειρηματικά οφέλη και τις περιπτώσεις χρήσης του Hadoop και του οικοσυστήματός του, πώς να σχεδιάσουν την ανάπτυξη και ανάπτυξη συμπλεγμάτων, πώς να εγκαταστήσετε, να διατηρήσετε, να παρακολουθήσετε, να αντιμετωπίσετε και να βελτιστοποιήσετε τον Hadoop . Επίσης, θα ασκήσουν το φορτίο μαζικών δεδομένων συμπλεγμάτων, θα εξοικειωθούν με διάφορες κατανομές του Hadoop και θα εγκαταστήσουν και θα διαχειριστούν εργαλεία οικολογικού συστήματος Hadoop . Το μάθημα ολοκληρώνεται με συζήτηση για την εξασφάλιση συμπλέγματος με τον Kerberos.

"... Τα υλικά ήταν πολύ καλά προετοιμασμένα και καλυμμένα καλά. Το Εργαστήριο ήταν πολύ εξυπηρετικό και καλά οργανωμένο "
- Andrew Nguyen, κύριος μηχανικός ολοκλήρωσης DW, Microsoft Online Advertising

Κοινό

Διαχειριστές του Hadoop

Μορφή

Διαλέξεις και πρακτικά εργαστήρια, κατά προσέγγιση ισορροπία 60% διαλέξεις, 40% εργαστήρια.

Το Apache Hadoop είναι το πιο δημοφιλές πλαίσιο για την επεξεργασία Big Data σε συμπλέγματα διακομιστών. Αυτό το μάθημα θα εισαγάγει έναν προγραμματιστή σε διάφορα συστατικά (HDFS, MapReduce, Pig, Hive και HBase) Hadoop οικοσύστημα.

Το Apache Hadoop είναι ένα από τα πιο δημοφιλή πλαίσια για την επεξεργασία Big Data σε ομάδες συμπλεγμάτων διακομιστών. Αυτό το μάθημα διερευνά τη διαχείριση δεδομένων σε HDFS, προχωρημένο χοίρο, Hive και HBase. Αυτές οι προηγμένες τεχνικές προγραμματισμού θα είναι επωφελείς για τους έμπειρους προγραμματιστές Hadoop .

Κοινό : προγραμματιστές

Διάρκεια: τρεις ημέρες

Μορφή: διαλέξεις (50%) και εργαστήρια (50%).

Hadoop is the most popular Big Data processing framework.

Σε αυτήν την εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα, οι συμμετέχοντες θα μάθουν τα βασικά στοιχεία του οικοσυστήματος Hadoop και πώς αυτές οι τεχνολογίες μπορούν να χρησιμοποιηθούν για την επίλυση προβλημάτων μεγάλης κλίμακας. Μαθαίνοντας αυτά τα θεμέλια, οι συμμετέχοντες θα βελτιώσουν την ικανότητά τους να επικοινωνούν με τους προγραμματιστές και τους υλοποιητές αυτών των συστημάτων καθώς και με τους επιστήμονες δεδομένων και τους αναλυτές που εμπλέκονται σε πολλά έργα πληροφορικής.

Ακροατήριο

• Project Managers που επιθυμούν να εφαρμόσουν το Hadoop στην υπάρχουσα υποδομή ανάπτυξης ή πληροφορικής τους
• Project Managers που χρειάζεται να επικοινωνήσουν με πολυλειτουργικές ομάδες που περιλαμβάνουν μηχανικούς μεγάλων δεδομένων, επιστήμονες δεδομένων και επιχειρηματικούς αναλυτές

Κοινό:

Αυτό το μάθημα αποσκοπεί στην απομυθοποίηση της μεγάλης τεχνολογίας δεδομένων / hadoop και στην απόδειξη ότι δεν είναι δύσκολο να κατανοηθεί.

Hadoop είναι ένα δημοφιλές Big Data επεξεργαστικό πλαίσιο. Python είναι μια γλώσσα προγραμματισμού υψηλού επιπέδου που είναι γνωστή για την σαφή σύνταξη και την αναγνώριση κώδικα.

Σε αυτή την εκπαιδευτική, ζωντανή εκπαίδευση, οι συμμετέχοντες θα μάθουν πώς να εργαστούν με Hadoop, MapReduce, Pig, και Spark χρησιμοποιώντας Python καθώς περνούν μέσα από πολλά παραδείγματα και χρησιμοποιούν περιπτώσεις.

Μετά το τέλος της προπόνησης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήστε τις βασικές έννοιες πίσω από Hadoop, MapReduce, Pig, και Spark
• Χρησιμοποιήστε Python με Hadoop διανεμημένο σύστημα αρχείων (HDFS), MapReduce, Pig, και Spark
• Χρησιμοποιήστε το Snakebite για την προγραμματική πρόσβαση στο HDFS εντός Python
• Χρησιμοποιήστε mrjob για να γράψετε MapReduce θέσεις εργασίας σε Python
• Γράψτε προγράμματα Spark με Python
• Επέκταση της λειτουργικότητας των χοίρων χρησιμοποιώντας Python UDFs
• Διαχείριση MapReduce θέσεις εργασίας και σκύλους χρησιμοποιώντας Luigi

Δημοσιογράφος

• Οι προγραμματιστές
• Οι Επαγγελματίες

Η μορφή της πορείας

• Μερικές διαλέξεις, μερικές συζητήσεις, ασκήσεις και σκληρές πρακτικές

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε διαχειριστές συστημάτων που επιθυμούν να μάθουν πώς να δημιουργούν, να αναπτύσσουν και να διαχειρίζονται Hadoop συμπλέγματα εντός του οργανισμού τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και ρυθμίστε το Apache Hadoop.
• Κατανοήστε τα τέσσερα κύρια στοιχεία στο οικοσύστημα Hadoop: HDFS, MapReduce, YARN και Hadoop Common.
• Χρησιμοποιήστε το Hadoop Distributed File System (HDFS) για να κλιμακώσετε ένα σύμπλεγμα σε εκατοντάδες ή χιλιάδες κόμβους.
• Ρυθμίστε το HDFS ώστε να λειτουργεί ως μηχανή αποθήκευσης για επιτόπιες αναπτύξεις Spark.
• Ρυθμίστε το Spark για πρόσβαση σε εναλλακτικές λύσεις αποθήκευσης όπως συστήματα βάσεων δεδομένων Amazon S3 και NoSQL όπως Redis, Elasticsearch, Couchbase, Aerospike κ.λπ.
• Εκτελέστε διοικητικές εργασίες όπως η παροχή, η διαχείριση, η παρακολούθηση και η ασφάλιση ενός συμπλέγματος Apache Hadoop.

Αυτό το μάθημα εισάγει το HBase - ένα κατάστημα No SQL πάνω από τον Hadoop . Το μάθημα προορίζεται για προγραμματιστές που θα χρησιμοποιούν το HBase για την ανάπτυξη εφαρμογών και για διαχειριστές που θα διαχειρίζονται τα clusters του HBase.

Θα περπατήσουμε έναν προγραμματιστή μέσω της αρχιτεκτονικής HBase και της μοντελοποίησης δεδομένων και ανάπτυξης εφαρμογών στην HBase. Θα συζητήσει επίσης τη χρήση του MapReduce με το HBase και ορισμένα θέματα διαχείρισης που σχετίζονται με τη βελτιστοποίηση της απόδοσης. Το μάθημα είναι πολύ πρακτικό με πολλές εργαστηριακές ασκήσεις.

Διάρκεια : 3 ημέρες

Κοινό : προγραμματιστές και διαχειριστές

Σε αυτή τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα (επιτόπου ή απομακρυσμένα), οι συμμετέχοντες θα μάθουν πώς να αναπτύσσουν και να διαχειρίζονται το Apache NiFi σε ένα ζωντανό εργαστηριακό περιβάλλον.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το Apachi NiFi.
• Προέλευση, μετατροπή και διαχείριση δεδομένων από διαφορετικές, κατανεμημένες πηγές δεδομένων, συμπεριλαμβανομένων βάσεων δεδομένων και λιμνών μεγάλων δεδομένων.
• Αυτοματοποιήστε τις ροές δεδομένων.
• Ενεργοποίηση αναλύσεων ροής.
• Εφαρμόστε διάφορες προσεγγίσεις για την απορρόφηση δεδομένων.
• Μετατρέψτε το Big Data και σε επιχειρηματικές γνώσεις.

Σε αυτήν τη ζωντανή εκπαίδευση που καθοδηγείται από εκπαιδευτές στο Ελλάδα, οι συμμετέχοντες θα μάθουν τις βασικές αρχές του προγραμματισμού που βασίζεται στη ροή καθώς αναπτύσσουν μια σειρά από επεκτάσεις επίδειξης, στοιχεία και επεξεργαστές χρησιμοποιώντας το Apache NiFi.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Κατανοήστε την αρχιτεκτονική του NiFi και τις έννοιες ροής δεδομένων.
• Αναπτύξτε επεκτάσεις χρησιμοποιώντας NiFi και API τρίτων.
• Προσαρμοσμένα αναπτύσσουν τον δικό τους επεξεργαστή Apache Nifi.
• Απορροφήστε και επεξεργαστείτε δεδομένα σε πραγματικό χρόνο από διαφορετικές και ασυνήθιστες μορφές αρχείων και πηγές δεδομένων.