Місцеві, інструктор під керівництвом жити Apache свічки навчальних курсів демонструють через практичний практиці, як іскри вписується в велику екосистему даних, і як використовувати іскру для аналізу даних.
Apache Spark навчання доступне як "на місці навчання" або "дистанційне навчання жити". На місці навчання в прямому ефірі може здійснюватися на місцевому рівні в україна або в Неbleprog корпоративні навчальні центри в україна. Дистанційне навчання в прямому ефірі здійснюється шляхом інтерактивного, віддаленого робочого стола.
Nobleпрога-ваш місцевий навчальний провайдер
Testimonials
★★★★★
★★★★★
Річард дуже спокійний і методичний, з аналітичним розумінням-саме такі якості, необхідні для представлення цього роду звичайно.
Kieran Mac Kenna
Course: Spark for Developers
Translated by
Можливі сценарії та випадки
zhaopeng liu - Fmr
Course: Spark for Developers
Translated by
Приклад дослідження
国栋 张
Course: Spark for Developers
Translated by
Всі частини сесії
Eric Han - Fmr
Course: Spark for Developers
Translated by
Ми знаємо набагато більше про всю навколишнє середовище.
John Kidd
Course: Spark for Developers
Translated by
Тренер зробив клас цікавим і цікавим, який допомагає зовсім небагато з усім днем навчання.
Ryan Speelman
Course: Spark for Developers
Translated by
Я думаю, що тренер був відмінним стилем поєднання гумору і реальних життєвих історій, щоб предмети в руці дуже доступним. Я дуже рекомендую цей професор в майбутньому.
Course: Spark for Developers
Translated by
Ернесто виконав велику роботу, пояснивши високий рівень концепцій використання іскри і різні його модулі.
Michael Nemerouf
Course: Spark for Developers
Translated by
Мені сподобалася методологія, очікувані Хорхе
Experian Colombia S.A
Course: Spark for Developers
Translated by
Це один з кращих практичний з вправ програмування курсів я коли-небудь прийнятих.
Laura Kahn
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
Це один з кращих якість онлайн навчання я коли-небудь прийнятих в моїй 13-річної кар'єри. Слідкуйте за велику роботу!.
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
Translated by
Річард був дуже готовий відступити, коли хотіли поставити запитання, пов'язані з напівзалежними, про речі, які не входять до навчальної програми. Пояснення були зрозумілими, і він висував попередження про застереження в будь-якій пораді, яку він дав нам.
ARM Limited
Course: Spark for Developers
Translated by
VM мені дуже сподобалося
Вчитель був дуже обізнаний про тему, а також інші теми, він був дуже приємний і дружній
Мені сподобався об'єкт в Дубаї.
Safar Alqahtani - Elm Information Security
Course: Big Data Analytics in Health
Translated by
практичні завдання
Pawel Kozikowski - GE Medical Systems Polska Sp. Zoo
Course: Python and Spark for Big Data (PySpark)
Translated by
Я думаю, що тренер був відмінним стилем поєднання гумору і реальних життєвих історій, щоб предмети в руці дуже доступним. Я дуже рекомендую цей професор в майбутньому.
Course: Spark for Developers
Translated by
Це один з кращих якість онлайн навчання я коли-небудь прийнятих в моїй 13-річної кар'єри. Слідкуйте за велику роботу!.
Course: Artificial Intelligence - the most applied stuff - Data Analysis + Distributed AI + NLP
This course is aimed at developers and data scientists who wish to understand and implement AI within their applications. Special focus is given to Data Analysis, Distributed AI and NLP.
Alluxio - це система віртуальної розподіленої системи зберігання з відкритим кодом, яка об'єднує різноманітні системи зберігання даних та дозволяє програмам взаємодіяти з даними на швидкості пам'яті. Він використовується такими компаніями, як Intel, Baidu та Alibaba.
У цій інструкції під керівництвом живих тренінгів учасники навчаться використовувати Alluxio для монтажу різних обчислювальних систем із системами зберігання даних та ефективного управління даними з декількох петабайтних масштабів, оскільки вони проходять через створення додатка з Alluxio.
До кінця цього тренінгу учасники зможуть:
- Розробіть програму з Alluxio - Підключіть великі системи та програми даних, зберігаючи при цьому одне простору імен - Ефективно витягувати значення з великих даних у будь-якому форматі зберігання - Покращення продуктивності робочого навантаження - Розгортати та керувати Alluxio автономним або кластеризованим
Аудиторія
- Дані вченого - Розробник - Системний адміністратор
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Велика аналітика даних включає в себе процес вивчення великої кількості різноманітних наборів даних, з метою виявлення кореляцій, прихованих візерунків та інших корисних відомостей.
Індустрія охорони здоров'я має величезну кількість складних різнорідних медичних та клінічних даних. Застосування великих аналітичних даних щодо даних про стан здоров'я надає величезний потенціал для отримання статистичних даних для покращення надання медичних послуг. Однак величезна кількість цих наборів дає великі проблеми при аналізі та практичному застосуванні до клінічного середовища.
У цьому навчанні під керівництвом інструктора, живе тренування (віддалене), учасники навчаться виконувати великі аналізи даних у сфері здоров'я, коли вони проходять через низку практичних навчань у прямому ефірі.
До кінця цього тренінгу учасники зможуть:
- Встановіть і настройте великі інструменти аналізу даних, такі як Hadoop MapReduce та Spark - Зрозумійте характеристики медичних даних - Застосовуйте великі методи передачі медичних даних - Вивчення великих систем даних та алгоритмів у контексті охорони здоров'я
Аудиторія
- Розробники - Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика.
Примітка
- Щоб просити індивідуальне навчання для цього курсу, зв'яжіться з нами, щоб організувати.
Велику кількість реальних проблем можна описати в термінах графів. Наприклад, веб-графік, графік соціальної мережі, мережевий графік поїзду та мовний графік. Ці графіки, як правило, надзвичайно великі; обробка їх вимагає спеціалізованого набору інструментів і процесів - ці інструменти та процеси можна називати Graph Computing (також відомі як Graph Analytics).
У цій інструкції під керівництвом тренерів, учасники дізнаються про технологічні пропозиції та підходи до реалізації для обробки даних графіка. Мета полягає в тому, щоб визначити об'єкти реального світу, їх характеристики та взаємозв'язки, потім моделювати ці відносини та обробляти їх як дані, використовуючи графічний підхід. Почнемо з широкого огляду та обмежених конкретними інструментами, коли ми просуваємо низку конкретних досліджень, практичних вправ і живих розробок.
До кінця цього тренінгу учасники зможуть:
- Зрозумійте, як графічні дані зберігаються та переміщуються - Виберіть найкращі рамки для заданого завдання (від графічних баз даних до пакетної обробки) - Запровадьте Hadoop, Spark, GraphX і Pregel, щоб провести графічне обчислення на багатьох машинах паралельно - Перегляньте великі проблеми, пов'язані з даними в реальному масштабі, з точки зору графіків, процесів та переходів
Аудиторія
- Розробники
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Hortonworks Data Platform - це платформа підтримки для платформи Apache Hadoop з відкритим кодом, яка забезпечує стабільну основу для розробки великих рішень даних у екосистемі Apache Hadoop.
Цей навчальний тренінг, присвячений інструктору, вводить Hortonworks та йде учасникам шляхом розгортання рішення Spark + Hadoop.
До кінця цього тренінгу учасники зможуть:
- Використовуйте Hortonworks, щоб надійно запустити Hadoop у великих масштабах - Об'єднайте можливості безпеки, управління та операцій Hadoop за допомогою оперативних аналітичних робочих процесів Spark. - Використовуйте Hortonworks для вивчення, перевірки, сертифікації та підтримки кожного з компонентів проекту Spark - Процес різні типи даних, в тому числі структурований, неструктурований, в русі та відпочинку.
Аудиторія
- Адміністратори Hadoop
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Поточна обробка - це обробка даних "в русі" у реальному часі, тобто виконує обчислення в даних, що приймаються. Такі дані читаються як безперервні потоки з джерел даних, таких як події для датчиків, активність користувачів веб-сайтів, фінансові операції, промивання кредитними картками, потоки кліків і т. Д. Рамки обробки потоку здатні читати великі обсяги вхідних даних і практично миттєво представляти цінні знання.
У цій інструкції під керівництвом, живу навчальному закладу (на місці або віддаленому), учасники вивчать, як налаштувати та інтегрувати різні рамки потоку обробки з існуючими великими системами зберігання даних та відповідними програмними додатками та мікрослужбами.
До кінця цього тренінгу учасники зможуть:
- Встановіть та налаштуйте різні схеми обробки потоку, такі як Spark Streaming та Streaming Kafka - Зрозумійте та оберіть найбільш відповідні рамки для роботи - Процес даних безперервно, одночасно, і в рекордному порядку - Інтеграція рішень обробки потоку з існуючими базами даних, сховищами даних, озерами даних тощо. - Інтеграція найбільш підходящої потокової бібліотеки обробки з корпоративними додатками та мікросервісами
Аудиторія
- Розробники - Архітектори програмного забезпечення
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Примітки
- Щоб просити індивідуальне навчання для цього курсу, зв'яжіться з нами, щоб організувати.
Magellan - це розподілений двигун для роботи з відкритим кодом для геопросторової аналітики з великими даними. Впроваджено на вершині Apache Spark, він розширює Spark SQL і забезпечує реляційну абстракцію для геопросторової аналітики.
Під керівництвом інструктора, живого тренінгу, вводяться концепції та підходи для реалізації геоазіатської аналітики та учасників прогулянок шляхом створення прогностичного аналізу із застосуванням Magellan на Spark.
До кінця цього тренінгу учасники зможуть:
- Ефективно запитуйте, аналізуйте та об'єднуючи геопросторові набори даних в масштабі - Реалізувати геопросторові дані в бізнес-аналізі та програмах інтелектуальної аналітики - Використовуйте просторовий контекст, щоб розширити можливості мобільних пристроїв, датчиків, журналів та носіїв
Аудиторія
- Розробники додатків
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Apache Spark's learning curve is slowly increasing at the begining, it needs a lot of effort to get the first return. This course aims to jump through the first tough part. After taking this course the participants will understand the basics of Apache Spark , they will clearly differentiate RDD from DataFrame, they will learn Python and Scala API, they will understand executors and tasks, etc. Also following the best practices, this course strongly focuses on cloud deployment, Databricks and AWS. The students will also understand the differences between AWS EMR and AWS Glue, one of the lastest Spark service of AWS.
Цей курс представить Apache Spark. Студенти дізнаються, як Spark вписується в екосистему Big Data, і як використовувати Spark для аналізу даних. Курс охоплює Spark shell для інтерактивних аналізів даних, Spark внутрішніх, Spark API, Spark SQL, Spark потокове, і машинного навчання і graphX.
Python - це мова програмування високого рівня, відомий своїм зрозумілим синтаксисом та читаемостью коду. Іскра - це двигун обробки даних, який використовується для запиту, аналізу та перетворення великих даних. PySpark дозволяє користувачам інтерфейсу Spark з Python.
У цій навчальному посібнику, учасники навчаться, як використовувати Python та Spark разом для аналізу великих даних, коли вони працюють на практичних вправ.
До кінця цього тренінгу учасники зможуть:
- Дізнайтеся, як використовувати Spark з Python для аналізу Big Data - Працюйте над вправ, що імітують реальні обставини - Використовуйте різні інструменти та методи для великого аналізу даних за допомогою PySpark
Аудиторія
- Розробники - ІТ-фахівці - Дані вчених
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Spark SQL - модуль Apache Spark для роботи з структурованими та неструктурованими даними. Spark SQL забезпечує інформацію про структуру даних, а також про виконання обчислень. Ця інформація може бути використана для виконання оптимізації. Два поширені способи використання Spark SQL: - виконувати SQL запити. - читати дані з існуючої установки вулика.
У цій інструкції під керівництвом, живе навчання (на місці або віддаленому), учасники навчаться аналізувати різні типи наборів даних, використовуючи Spark SQL.
До кінця цього тренінгу учасники зможуть:
- Встановити та налаштувати Spark SQL. - Виконайте аналіз даних, використовуючи Spark SQL. - Набори даних запитів у різних форматах. - Візуалізувати дані та результати запитів.
Аудиторія
- Аналітик даних - Дані вчених - Інженери-дані
Формат курсу
- Частина лекції, частина дискусії, вправи та важка практика
Примітки
- Щоб просити індивідуальне навчання для цього курсу, зв'яжіться з нами, щоб організувати.
MLlib - це бібліотека для вивчення машин Spark (ML). Його мета - зробити практичне машинне навчання масштабованим і простим. Він складається з загальних алгоритмів навчання та утиліт, включаючи класифікацію, регресію, кластеризацію, спільну фільтрацію, зменшення розмірності, а також примітивні елементи оптимізації нижчого рівня та інтерфейси API для трубопроводів більш високого рівня.
Він ділиться на два пакети:
-
spark.mllib містить оригінальний API, побудований на вершині RDDs.
-
spark.ml забезпечує високорівневий API, побудований на вершині DataFrames для побудови ML конвеєрів.
Аудиторія
Цей курс спрямований на інженерів та розробників, які прагнуть використати вбудовану бібліотеку машин для Apache Spark
.jpg "food and drug administration (fda)")
.png "procter & gamble (p&g)")
