AWS Cloud9 για Data Science Κομμάτι εκπαίδευσης

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς και προγραμματιστές cloud που επιθυμούν να χρησιμοποιήσουν το CloudFormation για τη διαχείριση πόρων υποδομής εντός του οικοσυστήματος AWS.

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

• Εφαρμόστε πρότυπα CloudFormation για την αυτοματοποίηση της διαχείρισης υποδομής.
• Ενσωματώστε υπάρχοντες πόρους AWS στο CloudFormation.
• Χρησιμοποιήστε το StackSets για να διαχειριστείτε στοίβες σε πολλούς λογαριασμούς και περιοχές.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να χρησιμοποιήσουν το οικοσύστημα Anaconda για να συλλάβουν, να διαχειριστούν και να αναπτύξουν πακέτα και ροές εργασίας ανάλυσης δεδομένων σε μια ενιαία πλατφόρμα.

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

• Εγκαταστήστε και διαμορφώστε στοιχεία και βιβλιοθήκες Anaconda.
• Κατανοήστε τις βασικές έννοιες, τα χαρακτηριστικά και τα οφέλη του Anaconda.
• Διαχειριστείτε πακέτα, περιβάλλοντα και κανάλια χρησιμοποιώντας το Anaconda Navigator.
• Χρησιμοποιήστε πακέτα Conda, R και Python για επιστήμη δεδομένων και μηχανική εκμάθηση.
• Γνωρίστε ορισμένες περιπτώσεις πρακτικής χρήσης και τεχνικές για τη διαχείριση πολλαπλών περιβαλλόντων δεδομένων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να ενσωματώσουν μια βάση δεδομένων DynamoDB NoSQL σε μια εφαρμογή Ιστού που φιλοξενείται στο AWS.

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

• Ρυθμίστε το απαραίτητο περιβάλλον ανάπτυξης για να ξεκινήσετε την ενσωμάτωση δεδομένων στο DynamoDB.
• Ενσωματώστε το DynamoDB σε εφαρμογές web και εφαρμογές για κινητά.
• Μετακινήστε δεδομένα στο AWS με υπηρεσίες AWS.
• Υλοποιήστε λειτουργίες με το AWS DAX.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (επιτόπου ή εξ αποστάσεως) απευθύνεται σε μηχανικούς που επιθυμούν να αναπτύξουν και να διαχειριστούν συσκευές IoT σε AWS.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να δημιουργήσουν μια πλατφόρμα IoT που περιλαμβάνει την ανάπτυξη και τη διαχείριση ενός backend, μιας πύλης και συσκευών πάνω από το AWS.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές που επιθυμούν να εγκαταστήσουν, να διαμορφώσουν και να διαχειριστούν τις AWS IoT δυνατότητες του Greengrass για τη δημιουργία εφαρμογών για διάφορες συσκευές.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να χρησιμοποιούν το AWS IoT Greengrass για την κατασκευή, την ανάπτυξη, τη διαχείριση, την ασφάλεια και την παρακολούθηση εφαρμογών σε έξυπνες συσκευές.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (επιτόπου ή απομακρυσμένα) απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το AWS Lambda για να δημιουργήσουν και να αναπτύξουν υπηρεσίες και εφαρμογές στο cloud, χωρίς να χρειάζεται να ανησυχούν για την παροχή του περιβάλλοντος εκτέλεσης (διακομιστές, VM και κοντέινερ, διαθεσιμότητα, επεκτασιμότητα, αποθήκευση κ.λπ.).

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

• Διαμορφώστε το AWS Lambda για να εκτελέσετε μια λειτουργία.
• Κατανοήστε το FaaS (Λειτουργίες ως Υπηρεσία) και τα πλεονεκτήματα της ανάπτυξης χωρίς διακομιστή.
• Δημιουργία, αποστολή και εκτέλεση συναρτήσεων AWS Lambda.
• Ενσωματώστε τις λειτουργίες Lambda με διαφορετικές πηγές συμβάντων.
• Συσκευασία, ανάπτυξη, παρακολούθηση και αντιμετώπιση προβλημάτων εφαρμογών που βασίζονται στο Lambda.

Συνοπτική

Οι πάροχοι υπηρεσιών (CSP) αντιμετωπίζουν πίεση για να μειώσουν το κόστος και να μεγιστοποιήσουν το μέσο εισόδημα ανά χρήστη (ARPU), διασφαλίζοντας παράλληλα μια εξαιρετική εμπειρία πελατών, αλλά οι όγκοι δεδομένων συνεχίζουν να αυξάνονται. Η παγκόσμια κυκλοφορία κινητών δεδομένων θα αυξηθεί με συνδεδεμένο ετήσιο ρυθμό ανάπτυξης (CAGR) 78 τοις εκατό έως το 2016, φτάνοντας τα 10,8 exabytes το μήνα.

Εν τω μεταξύ, οι CSPs παράγουν μεγάλους όγκους δεδομένων, συμπεριλαμβανομένων των αρχείων λεπτομέρειων κλήσης (CDR), των δεδομένων δικτύου και των δεδομένων πελατών. Οι εταιρείες που εκμεταλλεύονται πλήρως αυτά τα δεδομένα κερδίζουν ένα ανταγωνιστικό όριο. Σύμφωνα με πρόσφατη έρευνα της Economist Intelligence Unit, οι εταιρείες που χρησιμοποιούν την λήψη αποφάσεων με βάση τα δεδομένα απολαμβάνουν αύξηση της παραγωγικότητας κατά 5-6%. Εντούτοις, το 53% των εταιρειών χρησιμοποιεί μόνο το ήμισυ των πολύτιμων δεδομένων τους και το ένα τέταρτο των ερωτηθέντων παρατήρησε ότι τεράστιες ποσότητες χρήσιμων δεδομένων δεν καταγράφονται. Οι όγκοι δεδομένων είναι τόσο υψηλοί που η χειροκίνητη ανάλυση είναι αδύνατη, και τα περισσότερα συστήματα λογισμικού κληρονομιάς δεν μπορούν να διατηρηθούν, οδηγώντας σε πολύτιμα δεδομένα που απορρίπτονται ή αγνοούνται.

Με το Big Data & Analytics’ υψηλής ταχύτητας, κλιμακούμενο λογισμικό μεγάλων δεδομένων, οι CSPs μπορούν να εξορύξουν όλα τα δεδομένα τους για καλύτερη λήψη αποφάσεων σε μικρότερο χρονικό διάστημα. Διαφορετικά προϊόντα και τεχνικές παρέχουν μια τελική πλατφόρμα λογισμικού για τη συλλογή, την προετοιμασία, την ανάλυση και την παρουσίαση εντύπων από τα μεγάλα δεδομένα. Οι τομείς εφαρμογής περιλαμβάνουν παρακολούθηση της απόδοσης δικτύου, ανίχνευση απάτης, ανίχνευση πελατών και ανάλυση πιστωτικού κινδύνου. Big Data & Η κλίμακα των προϊόντων αναλύσεων για την επεξεργασία terabytes δεδομένων, αλλά η εφαρμογή τέτοιων εργαλείων απαιτεί ένα νέο είδος συστήματος βάσης δεδομένων σε σύννεφο, όπως Hadoop ή μαζική κλίμακα παράλληλος επεξεργαστής υπολογιστών (KPU κλπ.)

Αυτό το μάθημα λειτουργεί στο Big Data BI για Telco καλύπτει όλες τις αναδυόμενες νέες περιοχές στις οποίες οι CSP επενδύουν για την αύξηση της παραγωγικότητας και το άνοιγμα νέων ροών εσόδων των επιχειρήσεων. Το μάθημα θα παρέχει μια πλήρη 360 βαθμούς όρασης Big Data BI στο Telco έτσι ώστε οι υπεύθυνοι λήψης αποφάσεων και οι διαχειριστές μπορούν να έχουν μια πολύ ευρεία και ολοκληρωμένη επισκόπηση των δυνατοτήτων Big Data BI στο Telco για την παραγωγικότητα και την απόκτηση εσόδων.

Στόχοι διαδρομής

Ο κύριος στόχος του μαθήματος είναι να εισαγάγει νέες Big Data τεχνικές επιχειρηματικής νοημοσύνης σε 4 τομείς Telecom Business (Marketing / πωλήσεις, λειτουργία δικτύου, χρηματοοικονομική λειτουργία και σχέσεις πελατών Management). Οι μαθητές θα εισαχθούν στο εξής:

• Εισαγωγή στο Big Data-τι είναι 4Vs (υπολογισμός, ταχύτητα, ποικιλία και βεβαιότητα) στο Big Data- Γενιά, εξόρυξη και διαχείριση από την προοπτική Telco
• Πώς Big Data η ανάλυση διαφέρει από την ανάλυση δεδομένων κληρονομιάς
• Εσωτερική αιτιολόγηση Big Data -Telco προοπτική
• Εισαγωγή στο Hadoop οικοσύστημα- εξοικειωμένοι με όλα τα Hadoop εργαλεία όπως Hive, Pig, SPARC – πότε και πώς χρησιμοποιούνται για την επίλυση Big Data προβλήματος
• Πώς Big Data εξάγεται για την ανάλυση για το εργαλείο ανάλυσης-όπως Business Analysis’s μπορεί να μειώσει τα σημεία πόνου τους από τη συλλογή και την ανάλυση των δεδομένων μέσω της ολοκληρωμένης Hadoop προσέγγισης dashboard
• Βασική εισαγωγή της ανάλυσης Insight, της ανάλυσης απεικόνισης και της προβλέψιμης ανάλυσης για το Telco
• Η ανάλυση πελατών και η Big Data-how Big Data ανάλυση μπορούν να μειώσουν την αμηχανία πελατών και την δυσαρέσκεια πελατών σε μελέτες Telco-case
• Ανάλυση αποτυχίας δικτύου και αποτυχίας υπηρεσιών από τα μετα-δεδομένα δικτύου και το IPDR
• Χρηματοοικονομική ανάλυση - απάτη, πλοήγηση και εκτίμηση ROI από πωλήσεις και επιχειρησιακά δεδομένα
• Προβλήματα αγοράς πελατών - Στόχος μάρκετινγκ, κατακερματισμός πελατών και διαμεσολάβηση από τα δεδομένα πωλήσεων
• Εισαγωγή και σύνοψη όλων των Big Data αναλυτικών προϊόντων και πού ταιριάζουν στον αναλυτικό χώρο Telco
• Συμπέρασμα-όπως να λάβετε βήμα προς βήμα προσέγγιση για να εισαγάγετε Big Data Business Intelligence στην οργάνωση σας

Στόχος κοινό

• Δραστηριότητες δικτύου, χρηματοοικονομικοί διευθυντές, διευθυντές CRM και κορυφαίοι διευθυντές IT στο γραφείο του Telco CIO.
• Business Αναλυτές στο Telco
• Διευθυντές γραφείων / αναλυτές CFO
• Οι επιχειρησιακοί διευθυντές
• ΔΗΜΟΣΙΟΓΡΑΦΟΙ

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε μηχανικούς που επιθυμούν να χρησιμοποιήσουν το AWS CloudFormation για να αυτοματοποιήσουν τη διαδικασία διαχείρισης της υποδομής cloud AWS.

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

• Ενεργοποιήστε τις υπηρεσίες AWS για να ξεκινήσετε τη διαχείριση της υποδομής.
• Κατανόηση και εφαρμογή της αρχής «η υποδομή ως κώδικας».
• Βελτίωση της ποιότητας και μείωση του κόστους ανάπτυξης της υποδομής.
• Γράψτε AWS CloudFormation Πρότυπα χρησιμοποιώντας YAML.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εμβαθύνουν στην κατανόησή τους σχετικά με τις DevOps πρακτικές και να εξορθολογίσουν τις διαδικασίες ανάπτυξης χρησιμοποιώντας το AWS Cloud9.

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

• Ρυθμίστε και διαμορφώστε το AWS Cloud9 για ροές εργασίας DevOps.
• Υλοποίηση αγωγών συνεχούς ενοποίησης και συνεχούς παράδοσης (CI/CD).
• Αυτοματοποιήστε τις διαδικασίες δοκιμών, παρακολούθησης και ανάπτυξης χρησιμοποιώντας το AWS Cloud9.
• Ενσωματώστε υπηρεσίες AWS όπως το Lambda, το EC2 και το S3 στις ροές εργασίας DevOps.
• Χρησιμοποιήστε συστήματα ελέγχου πηγής όπως το GitHub ή το GitLab στο AWS Cloud9.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επαγγελματίες μεσαίου επιπέδου που επιθυμούν να μάθουν πώς να δημιουργούν, να αναπτύσσουν και να διατηρούν αποτελεσματικά εφαρμογές χωρίς διακομιστή στο AWS Cloud9 και στο AWS Lambda.

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

• Κατανοήστε τις βασικές αρχές της αρχιτεκτονικής χωρίς διακομιστή.
• Ρυθμίστε το AWS Cloud9 για ανάπτυξη εφαρμογών χωρίς διακομιστή.
• Αναπτύξτε, δοκιμάστε και αναπτύξτε εφαρμογές χωρίς διακομιστή χρησιμοποιώντας το AWS Lambda.
• Ενσωματώστε το AWS Lambda με άλλες υπηρεσίες AWS όπως το API Gateway και το S3.
• Βελτιστοποιήστε εφαρμογές χωρίς διακομιστή για απόδοση και αποδοτικότητα κόστους.

Καλοκαιρινός:

• Βασικά στοιχεία αρχιτεκτονικής και λειτουργιών IoT
• «Πράγματα», «Αισθητήρες», Διαδίκτυο και η χαρτογράφηση μεταξύ των επιχειρηματικών λειτουργιών του IoT
• Απαραίτητο για όλα τα στοιχεία λογισμικού IoT - υλικό, υλικολογισμικό, ενδιάμεσο λογισμικό, cloud και εφαρμογές για κινητά
• Λειτουργίες IoT - Διαχείριση στόλου, Οπτικοποίηση δεδομένων, FM και DV με βάση SaaS, ειδοποίηση/συναγερμός, ενσωμάτωση αισθητήρα, ενσωμάτωση "πράγμα", γεωγραφική περίφραξη
• Βασικά στοιχεία επικοινωνίας συσκευών IoT με cloud με MQTT.
• Σύνδεση συσκευών IoT σε AWS με MQTT (AWS IoT Core).
• Σύνδεση πυρήνα AWS IoT με λειτουργία AWS Lambda για υπολογισμούς και αποθήκευση δεδομένων.
• Σύνδεση Raspberry PI με AWS IoT πυρήνα και απλή επικοινωνία δεδομένων.
• Ειδοποιήσεις και συμβάντα
• Βαθμονόμηση αισθητήρα

Περίληψη:

• Βασικά στοιχεία αρχιτεκτονικής και λειτουργιών IoT
• «Πράγματα», «Αισθητήρες», Διαδίκτυο και η χαρτογράφηση μεταξύ των επιχειρηματικών λειτουργιών του IoT
• Απαραίτητο για όλα τα στοιχεία λογισμικού IoT - υλικό, υλικολογισμικό, ενδιάμεσο λογισμικό, cloud και εφαρμογές για κινητά
• Λειτουργίες IoT - Διαχείριση στόλου, Οπτικοποίηση δεδομένων, FM και DV με βάση SaaS, ειδοποίηση/συναγερμός, ενσωμάτωση αισθητήρα, ενσωμάτωση "πράγμα", γεωγραφική περίφραξη
• Βασικά στοιχεία επικοινωνίας συσκευών IoT με cloud με MQTT.
• Σύνδεση συσκευών IoT σε AWS με MQTT (AWS IoT Core).
• Σύνδεση πυρήνα AWS IoT με λειτουργία AWS Lambda για υπολογισμούς και αποθήκευση δεδομένων χρησιμοποιώντας DynamoDB.
• Σύνδεση Raspberry PI με AWS IoT πυρήνα και απλή επικοινωνία δεδομένων.
• Συνεχίστε με το Raspberry PI και το AWS IoT Core για να δημιουργήσετε μια έξυπνη συσκευή.
• Οπτικοποίηση δεδομένων αισθητήρα και επικοινωνία με διεπαφή ιστού.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να μάθουν και να χτίσουν τη σταδιοδρομία τους στο Data Science χρησιμοποιώντας το Kaggle.

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

• Μάθετε για την επιστήμη των δεδομένων και τη μηχανική μάθηση.
• Εξερευνήστε την ανάλυση δεδομένων.
• Μάθετε για το Kaggle και πώς λειτουργεί.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το Modin για να δημιουργήσουν και να εφαρμόσουν παράλληλους υπολογισμούς με το Pandas για ταχύτερη ανάλυση δεδομένων.

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

• Ρυθμίστε το απαραίτητο περιβάλλον για να ξεκινήσετε την ανάπτυξη Pandas ροών εργασίας σε κλίμακα με Modin.
• Κατανοήστε τα χαρακτηριστικά, την αρχιτεκτονική και τα πλεονεκτήματα του Modin.
• Γνωρίστε τις διαφορές μεταξύ Modin, Dask και Ray.
• Εκτελέστε τις λειτουργίες Pandas πιο γρήγορα με το Modin.
• Εφαρμόστε ολόκληρο το Pandas API και τις λειτουργίες.

Αυτή η εκπαίδευση με εξαγωγό, ζωντανά (online ή onsite), απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που θέλουν να χρησιμοποιήσουν το RAPIDS για τη δημιουργία GPU-επιταχυνμένων αναλυτικών και πλυθμού δεδομένων, workflows, και οπτικοποιήσεων, εφαρμόζοντας μηχανικές μέθοδους μάθησης, όπως το XGBoost, cuML κλπ.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαθιστήσουν το απαραίτητο περιβάλλον ανάπτυξης για τη δημιουργία μοdel από δεδομένα με NVIDIA RAPIDS.
• Να κατανοήσουν τις πληροφορίες, συστατικά και πλεονεκτήματα του RAPIDS.
• Να χρησιμοποιήσουν GPUs για να επιταχύνουν από κάθε πλευρά τους πίπτοντες αναλυτικούς και δεδομένων.
• Να υλοποιήσουν GPU-επιταχυνμένη προετοίμαση δεδομένων και ETL με cuDF και Apache Arrow.
• Να μάθουν πώς να εκτελούν μηχανικές εργασίες μάθησης με XGBoost και cuML αλγόριθμους.
• Να δημιουργήσουν οπτικοποιήσεις δεδομένων και να εκτελούν γράφημα ανάλυση με cuXfilter και cuGraph.