Formation Tigon: Real-time Streaming for the Real World

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs de données, aux scientifiques de données et aux programmeurs qui souhaitent utiliser les fonctionnalités Spark Streaming dans le traitement et l'analyse de données en temps réel.

À l'issue de cette formation, les participants seront en mesure d'utiliser Spark Streaming pour traiter des flux de données en direct destinés à être utilisés dans des bases de données, des systèmes de fichiers et des tableaux de bord en direct.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent mettre en œuvre le traitement des flux Apache Kafka sans écrire de code.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Confluent KSQL.
• Mettre en place un pipeline de traitement de flux en utilisant uniquement des commandes SQL (pas de codage Java ou Python).
• Exécuter le filtrage des données, les transformations, les agrégations, les jointures, le fenêtrage et la sessionnalisation entièrement en SQL.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent apprendre les principes du stockage en mémoire pur et persistant, tout en créant un exemple de projet de calcul en mémoire.

A l'issue de cette formation, les participants seront capables de :

Utilisez Ignite pour la persistance en mémoire, sur disque, ainsi que pour une base de données en mémoire purement distribuée. Réaliser la persistance sans synchroniser les données avec une base de données relationnelle. Utilisez Ignite pour effectuer des jointures SQL et distribuées. Améliorer les performances en rapprochant les données de l'unité centrale, en utilisant la mémoire vive comme stockage. Répartir les ensembles de données sur un cluster pour obtenir une évolutivité horizontale. Intégrer Ignite avec des SGBDR, NoSQL, Hadoop et des processeurs d'apprentissage automatique.

Apache Beam est un modèle de programmation unifiée et open source permettant de définir et d'exécuter des pipelines de traitement de données parallèles Sa puissance réside dans sa capacité à exécuter à la fois des pipelines batch et de streaming, l'exécution étant effectuée par l'un des backends de traitement distribué pris en charge par Apache: Apache Apex, Apache Flink, Apache Spark et Google Cloud Dataflow Apache Beam est utile pour les tâches ETL (Extraction, Transformation et Chargement) telles que le déplacement de données entre différents supports de stockage et sources de données, la transformation des données dans un format plus souhaitable et le chargement de données sur un nouveau système Dans cette formation en ligne instruite, les participants apprendront comment implémenter les SDK Apache Beam dans une application Java ou Python qui définit un pipeline de traitement de données pour décomposer un gros ensemble de données en plus petits morceaux pour un traitement parallèle indépendant À la fin de cette formation, les participants seront en mesure de: Installez et configurez Apache Beam Utilisez un seul modèle de programmation pour effectuer à la fois le traitement par lots et le traitement de flux à partir de leur application Java ou Python Exécutez des pipelines dans plusieurs environnements Public Développeurs Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Ce cours sera disponible Scala dans le futur S'il vous plaît contactez-nous pour organiser .

Apache Apex est une plate-forme YARNnative qui unifie le traitement des flux et des lots Il traite les données importantes de manière évolutive, performante, tolérante, dynamique, distribuée et facilement exploitable Cette formation en ligne, en mode instructeur, présente l'architecture de traitement de flux unifié d'Apache Apex et guide les participants à travers la création d'une application distribuée utilisant Apex sur Hadoop À la fin de cette formation, les participants seront en mesure de: Comprendre les concepts de pipeline de traitement de données tels que les connecteurs pour les sources et les puits, les transformations de données communes, etc Construire, dimensionner et optimiser une application Apex Traiter les flux de données en temps réel de manière fiable et avec une latence minimale Utilisez Apex Core et la bibliothèque Apex Malhar pour accélérer le développement d'applications Utiliser l'API Apex pour écrire et réutiliser le code Java existant Intégrer Apex dans d'autres applications en tant que moteur de traitement Régler, tester et mettre à l'échelle les applications Apex Public Développeurs Architectes d'entreprise Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .

Apache Storm est un moteur de calcul distribué en temps réel utilisé pour permettre l'intelligence d'affaires en temps réel. Il le fait en permettant aux applications de traiter de manière fiable les flux de données illimité (par exemple. Traitement de flux).

"Storm est pour le traitement en temps réel ce qui Hadoop est pour le traitement de pièces!"

Dans cette formation en direct guidée par l'instructeur, les participants apprendront comment installer et configurer Apache Storm, puis développer et déployer une Apache Storm application pour traiter de grands données en temps réel.

Certains des sujets inclus dans cette formation comprennent :

• Apache Storm dans le contexte de Hadoop
• Travailler avec des données illimitées
• Comptabilité continue
• Analyse en temps réel
• Traitement distribué RPC et ETL

Demandez ce cours maintenant!

Audience

• Développeurs de logiciels et ETL
• Les professionnels de mainframe
• Les scientifiques de données
• Les grands analystes de données
• [ 0 ] Les professionnels

Format du cours

• Lecture partielle, discussion partielle, exercices et pratiques lourdes

Dans cette formation dirigée par un instructeur (sur site ou à distance), les participants apprendront à déployer et à gérer Apache NiFi dans un environnement de laboratoire réel.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Apachi NiFi.
• Sourcez, transformez et gérez des données provenant de sources de données disparates et distribuées, notamment des bases de données et des big data lakes.
• Automatiser les flux de données.
• Autoriser l'analyse en continu.
• Appliquer diverses approches pour l'ingestion de données.
• Transformer Big Data et en informations commerciales.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront les principes fondamentaux de la programmation basée sur le flux en développant un certain nombre d'extensions, de composants et de processeurs de démonstration à l'aide de Apache NiFi.

A l'issue de cette formation, les participants seront capables de :

Développer des extensions en utilisant NiFi et des API tierces.
• Développer son propre processeur Apache Nifi.
• Ingérer et traiter des données en temps réel à partir de formats de fichiers et de sources de données disparates et peu courants.

Cette formation en direct avec instructeur (en ligne ou sur site) présente les principes et les approches qui sous-tendent le traitement distribué des données en flux et par lots, et accompagne les participants dans la création d'une application de flux de données en temps réel dans Apache Flink.

A l'issue de cette formation, les participants seront capables de :

Mettre en place un environnement pour développer des applications d'analyse de données. Comprendre le fonctionnement de la bibliothèque de traitement de graphes d'Apache Flink (Gelly). Compiler, exécuter et surveiller des applications de streaming de données basées sur Flink et tolérantes aux pannes. Gérer diverses charges de travail. Effectuer des analyses avancées. Mettre en place un cluster Flink à plusieurs nœuds. Mesurer et optimiser les performances. Intégrer Flink à différents systèmes Big Data. Comparer les capacités de Flink avec celles d'autres frameworks de traitement des big data.

Cette formation en direct avec instructeur (en ligne ou sur site) présente Hortonworks Data Platform (HDP) et accompagne les participants dans le déploiement de la solution Spark + Hadoop.

A l'issue de cette formation, les participants seront capables de :

Utilisez Hortonworks pour exécuter Hadoop de manière fiable à grande échelle. Unifiez les capacités de sécurité, de gouvernance et d'exploitation de Hadoop avec les flux de travail analytiques agiles de Spark. Utiliser Hortonworks pour étudier, valider, certifier et prendre en charge chacun des composants d'un projet Spark. Traiter différents types de données, notamment structurées, non structurées, en mouvement et au repos.

Apache Ambari est une plate-forme de gestion open source pour le provisionnement, la gestion, la surveillance et la sécurisation des clusters Apache Hadoop .

Dans cette formation en direct animée par un instructeur, les participants apprendront les outils et pratiques de gestion fournis par Ambari pour gérer avec succès les clusters Hadoop .

À la fin de cette formation, les participants seront en mesure de:

• Configurer un cluster Big Data en direct avec Ambari
• Appliquer les fonctionnalités avancées d'Ambari à divers cas d'utilisation
• Ajoutez et supprimez des nœuds de manière transparente, au besoin
• Améliorez les performances d'un cluster Hadoop le biais de réglages et d'ajustements

Public

• DevOps
• Administrateurs système
• DBA
• Professionnels de test Hadoop

Format du cours

• Partie de conférence, partie de discussion, exercices et exercices intensifs

Cloudera Impala est un moteur de requête open source à traitement massivement parallèle (MPP) SQL pour les clusters Apache Hadoop.

Impala permet aux utilisateurs d'effectuer des requêtes à faible latence SQL sur des données stockées dans Hadoop Distributed File System et Apache Hbase sans nécessiter de déplacement ou de transformation des données.

Audience

Ce cours s'adresse aux analystes et data scientists effectuant des analyses sur des données stockées dans Hadoop via des outils de Business Intelligence ou SQL.

À l'issue de cette formation, les participants seront en mesure de

• Extraire des informations significatives des clusters Hadoop avec Impala.
• Écrire des programmes spécifiques pour faciliter l'intelligence économique dans le dialecte Impala SQL.
• Dépanner Impala.

Ce cours explique comment utiliser le SQL Hive SQL (AKA: Hive HQL, SQL sur Hive , Hive QL) pour les personnes qui extraient des données à partir de Hive

Cette formation en direct, animée par un instructeur (sur site ou à distance), est destinée aux ingénieurs souhaitant utiliser Confluent (une distribution de Kafka) pour créer et gérer une plate-forme de traitement de données en temps réel pour leurs applications.

À la fin de cette formation, les participants seront en mesure de:

• Installez et configurez Confluent Platform.
• Utilisez les outils et les services de gestion de Confluent pour exécuter Kafka plus facilement.
• Stocker et traiter les données de flux entrants.
• Optimiser et gérer les clusters Kafka.
• Flux de données sécurisés.

Format du cours

• Conférence interactive et discussion.
• Beaucoup d'exercices et de pratique.
• Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation du cours

• Ce cours est basé sur la version open source de Confluent: Confluent Open Source.
• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser cela.

Dans cette formation dirigée par un instructeur en <loc> ; (sur site ou à distance), les participants apprendront comment configurer et intégrer différents Stream Processing frameworks avec des systèmes de stockage de big data existants et des applications logicielles et microservices connexes.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer différents Stream Processing frameworks, tels que Spark Streaming et Kafka Streaming.
• Comprendre et sélectionner le framework le plus approprié pour le travail à effectuer.
• Traiter des données en continu, de manière concurrente et enregistrement par enregistrement.
• Intégrer les solutions Stream Processing aux bases de données existantes, aux entrepôts de données, aux lacs de données, etc.
• Intégrer la bibliothèque de traitement de flux la plus appropriée avec les applications d'entreprise et les microservices.