
Lokální instruktorem vedené Apache Spark školení České republice.
Reference
Učitel přizpůsobil vzdělávací program našim současným potřebám.
EduBroker Sp. z o.o.
Kurz: Python and Spark for Big Data (PySpark)
Machine Translated
Provádění podobných cvičení různými způsoby skutečně pomáhá pochopit, co každá složka ( Hadoop / Spark, samostatný / klastr) může udělat samostatně a společně. Dalo mi nápady, jak bych měl vyzkoušet svou aplikaci na svém místním počítači, když se vyvíjím, vs, když je nasazen v clusteru.
Thomas Carcaud - IT Frankfurt GmbH
Kurz: Spark for Developers
Machine Translated
individuální pozornost.
ARCHANA ANILKUMAR - PPL
Kurz: Python and Spark for Big Data (PySpark)
Machine Translated
Bylo skvělé pochopit, co se děje pod kapotou Spark. Znalost toho, co se děje pod kapotou, pomáhá lépe pochopit, proč váš kód dělá nebo nedělá to, co očekáváte. Hodně školení bylo ruce, na kterých je vždy skvělé a sekce o optimalizaci byla mimořádně relevantní pro mou současnou práci, která byla hezká.
Intelligent Medical Objects
Kurz: Apache Spark in the Cloud
Machine Translated
Apache Spark Podkategorie
Apache Spark Návrh školení
-
Vytvořte nezbytné prostředí k zahájení zpracování velkých dat pomocí Spark, Hadoop, a Python.
Pochopte vlastnosti, klíčové složky a architekturu Spark a Hadoop.
Naučte se, jak integrovat Spark, Hadoop, a Python pro zpracování velkých dat.
Prozkoumejte nástroje v ekosystému Spark (Spark MlLib, Spark Streaming, Kafka, Sqoop, Kafka a Flume).
Vytvořte společné systémy doporučení pro filtrování podobné Netflix, YouTube, Amazon, Spotify a Google.
Použijte Apache Mahout pro skalování algoritmů strojového učení.
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
- Learn how to use Spark with Python to analyze Big Data.
- Work on exercises that mimic real world cases.
- Use different tools and techniques for big data analysis using PySpark.
- Use Hortonworks to reliably run Hadoop at a large scale.
- Unify Hadoop's security, governance, and operations capabilities with Spark's agile analytic workflows.
- Use Hortonworks to investigate, validate, certify and support each of the components in a Spark project.
- Process different types of data, including structured, unstructured, in-motion, and at-rest.
-
Efektivní vyhledávání, sdílení a připojení geospatiálních datových sítí na stupnici
Implementace geospatiálních údajů v obchodní inteligenci a prediktivních analytických aplikacích
Použijte prostorový kontext k rozšíření kapacity mobilních zařízení, senzorů, záznamů a nosičů
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
-
Rozvíjet aplikaci s Alluxio
Připojení velkých datových systémů a aplikací při zachování jednoho názvového prostoru
Efektivně extrahuje hodnotu z velkých dat v jakémkoli formátu ukládání
Zlepšení výkonu pracovní zátěže
Rozložte a spravujte Alluxio samostatně nebo klastrovaně
-
Data vědci
Vývojář
Systémový administrátor
-
Částečná přednáška, částečná diskuse, cvičení a těžká praxe
- to execute SQL queries.
- to read data from an existing Hive installation. In this instructor-led, live training (onsite or remote), participants will learn how to analyze various types of data sets using Spark SQL. By the end of this training, participants will be able to:
- Install and configure Spark SQL.
- Perform data analysis using Spark SQL.
- Query data sets in different formats.
- Visualize data and query results.
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
- To request a customized training for this course, please contact us to arrange.
- Install and configure different Stream Processing frameworks, such as Spark Streaming and Kafka Streaming.
- Understand and select the most appropriate framework for the job.
- Process of data continuously, concurrently, and in a record-by-record fashion.
- Integrate Stream Processing solutions with existing databases, data warehouses, data lakes, etc.
- Integrate the most appropriate stream processing library with enterprise applications and microservices.
- Install and configure big data analytics tools such as Hadoop MapReduce and Spark
- Understand the characteristics of medical data
- Apply big data techniques to deal with medical data
- Study big data systems and algorithms in the context of health applications
- Developers
- Data Scientists
- Part lecture, part discussion, exercises and heavy hands-on practice.
- To request a customized training for this course, please contact us to arrange.
- Vytvořte aplikace Spark s programovacím jazykem Scala .
- Pomocí technologie Spark Stream můžete zpracovávat nepřetržité datové proudy.
- Zpracovávejte datové proudy dat v reálném čase pomocí technologie Spark Streaming.
- Interaktivní přednáška a diskuse.
- Spousta cvičení a cvičení.
- Praktická implementace v prostředí živé laboratoře.
- Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás a domluvte se.
-
Vytvořte architekturu datového potrubí pro zpracování velkých dat.
Rozvíjet infrastrukturu klastru s Apache Mesos a Docker.
Analýza dat pomocí Spark a Scala.
Řízení nestrukturovaných dat pomocí Apache Cassandra.
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
-
Instalace a nastavení Apache Spark.
Uvědomte si rozdíl mezi Apache Spark a Hadoop MapReduce a kdy použít.
Rychle si přečtěte a analyzujte velmi velké datové sady.
Integrujte Apache Spark s jinými nástroji strojového učení.
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
-
Instalace a nastavení Apache Spark.
Pochopte, jak.NET implementuje Spark API tak, aby byly přístupné z aplikace.NET.
Rozvíjet aplikace pro zpracování dat pomocí C# nebo F#, schopné zpracovávat datové sady, jejichž velikost je měřena v terabytích a pedabytích.
Rozvíjet funkce strojového učení pro aplikaci.NET pomocí funkcí Apache Spark.
Provádějte průzkumnou analýzu pomocí SQL dotazů na velkých datových souborech.
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
-
Instalace a nastavení Apache Hadoop.
Pochopte čtyři hlavní složky Hadoop ekosystému: HDFS, MapReduce, YARN a Hadoop Common.
Použijte Hadoop Distributed File System (HDFS) pro skalování klastru na stovky nebo tisíce uzlin. •
Nainstalujte HDFS, aby fungoval jako skladovací motor pro on-premise Spark deploymenty.
Nastavení Spark pro přístup k alternativním úložným řešením, jako je Amazon S3 a NoSQL databázových systémů, jako jsou Redis, Elasticsearch, Couchbase, Aerospike, atd.
Provádět administrativní úkoly, jako je poskytování, řízení, monitorování a zabezpečení Apache Hadoop klastru.
-
Interaktivní přednáška a diskuse.
Mnoho cvičení a praxe.
Hands-on implementace v živém laboratoři prostředí.
-
Chcete-li požádat o přizpůsobené školení pro tento kurz, kontaktujte nás, abyste uspořádali.
- Set up the necessary development environment to start building NLP pipelines with Spark NLP.
- Understand the features, architecture, and benefits of using Spark NLP.
- Use the pre-trained models available in Spark NLP to implement text processing.
- Learn how to build, train, and scale Spark NLP models for production-grade projects.
- Apply classification, inference, and sentiment analysis on real-world use cases (clinical data, customer behavior insights, etc.).
- spark.mllib contains the original API built on top of RDDs.
- spark.ml provides higher-level API built on top of DataFrames for constructing ML pipelines.
- Understand how graph data is persisted and traversed.
- Select the best framework for a given task (from graph databases to batch processing frameworks.)
- Implement Hadoop, Spark, GraphX and Pregel to carry out graph computing across many machines in parallel.
- View real-world big data problems in terms of graphs, processes and traversals.
Last Updated: