Formation Hadoop en Lévis

Cette formation en présentiel ou en ligne, encadrée par un formateur, dans <lieu> s'adresse aux développeurs souhaitant utiliser et intégrer Spark, Hadoop et Python pour traiter, analyser et transformer des ensembles de données volumineux et complexes.

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

• Configurer l'environnement nécessaire pour commencer à traiter des données massives avec Spark, Hadoop et Python.
• Comprendre les fonctionnalités, les composants clés et l'architecture de Spark et Hadoop.
• Apprendre à intégrer Spark, Hadoop et Python pour le traitement des données massives.
• Explorer les outils de l'écosystème Spark (Spark MLlib, Spark Streaming, Kafka, Sqoop, Kafka et Flume).
• Construire des systèmes de recommandation basés sur le filtrage collaboratif, similaires à ceux utilisés par Netflix, YouTube, Amazon, Spotify et Google.
• Utiliser Apache Mahout pour mettre à l'échelle les algorithmes d'apprentissage automatique.

Apache Hadoop est le cadre de travail le plus populaire pour le traitement des mégadonnées sur des grappes de serveurs. Au cours de cette formation de trois jours (ou quatre jours au choix), les participants apprendront à connaître les avantages commerciaux et les cas d'utilisation de Hadoop et de son écosystème, comment planifier le déploiement et la croissance de la grappe, comment installer, maintenir, surveiller, résoudre les problèmes d'incident et optimiser Hadoop. Ils pratiqueront également le chargement massif de données dans la grappe, se familiariseront avec diverses distributions Hadoop et apprendront à installer et gérer les outils de l'écosystème Hadoop. La formation se terminera par une discussion sur la sécurisation de la grappe avec Kerberos.

« … Les matériaux étaient très bien préparés et couverts de manière approfondie. Le laboratoire était très utile et bien organisé »
— Andrew Nguyen, Ingénieur principal d'intégration DW, Microsoft Online Advertising

Audience cible

Administrateurs Hadoop

Format

Conférences et ateliers pratiques, répartition approximative de 60 % de conférences et 40 % de travaux pratiques.

Apache NiFi est une plateforme open source d'intégration de données et de traitement d'événements basée sur des flux. Elle permet le routage, la transformation et la médiation entre systèmes en temps réel et automatisés, grâce à une interface web et un contrôle fin des opérations.

Cette formation en présentiel ou à distance, animée par un formateur expert, s'adresse aux administrateurs et ingénieurs de niveau intermédiaire souhaitant déployer, gérer, sécuriser et optimiser les flux de données NiFi dans des environnements de production.

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

• Installer, configurer et maintenir des clusters Apache NiFi.
• Concevoir et gérer des flux de données provenant de diverses sources et destinations.
• Mettre en œuvre l'automatisation des flux, le routage et la logique de transformation.
• Optimiser les performances, surveiller les opérations et résoudre les problèmes.

Format de la formation

• Conférence interactive avec discussions sur des architectures réelles.
• Laboratoires pratiques : construction, déploiement et gestion des flux.
• Exercices scénarisés dans un environnement de laboratoire en direct.

Options de personnalisation de la formation

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter afin d'organiser cela.

Lors de cette formation en présentiel avec instructeur à <lieu>, les participants apprendront les principes fondamentaux de la programmation basée sur les flux tout en développant plusieurs extensions de démonstration, composants et processeurs à l'aide d'Apache NiFi.

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

• Comprendre l'architecture de NiFi et les concepts de flux de données.
• Développer des extensions en utilisant NiFi et des API tierces.
• Créer sur mesure leur propre processeur Apache NiFi.
• Ingrérer et traiter des données en temps réel provenant de formats de fichiers et de sources de données diversifiés et inhabituels.