Скачать [ВigData Тeam] Практический курс по Big Data. Часть 1, 2, 3. HDFS, Map Reduce, Hive (2023)

[M()eSTRo]

[ВigData Тeam] Практический курс по Big Data. Часть 1, 2, 3. HDFS, Map Reduce, Hive (2023)

Практический курс по Big Data. Часть 1. HDFS, Map Reduce, Hive [bigdata team]

Кому подойдет этот курс:

• Разработчикам
  Вы программируете, но хотите расширить профессиональные возможности и получить практические навыки работы с большими данными? На курсе вы научитесь работать с Hadoop, MapReduce, Hive, Spark, Kafka, Cassandra и будете выполнять задания на реальном кластере.
• Data Engineers
  Хотите расширить свой арсенал для работы с данными и структурировать свои знания в DE? Вы узнаете о современных технологиях работы с Big Data, научитесь грамотно их использовать и понимать, какую технологию в каких случаях лучше применять.
• Аналитикам
  Хотите освоить работу с большими данными, чтобы решать более сложные и интересные аналитические задачи? Вы научитесь использовать инструменты работы с большими данными, проводить аналитику с помощью SQL и NoSQL инструментов, готовить данные и отчеты на основе больших массивов информации.
• Data Scientists
  Ловите себя на мысли, что качество модели во многом зависит от правильного сбора и предобработки данных? Вы получите базу по современным инструментам и подходам, необходимым для сбора, хранения и обработки данных; изучите особенности укладки данных для оптимизации вычислений, подготовки фичей и масштабирования ML-моделей.

Вы научитесь работать с распределенными файловыми системами, познакомитесь с экосистемой Hadoop, разберетесь с оптимизацией MapReduce вычислений и работой с Hive.

Часть 1. HDFS, Map Reduce, Hive
В этом модуле вы изучите:

• вводная часть: знакомство (задачи, оценки, дедлайны), подробности курса;
• распределенные файловые системы (GFS, HDFS). Их составляющие, достоинства, недостатки и сфера применения;
• чтение и запись в HDFS. HDFS APIs: Web, shell.
• Hadoop Streaming;
• элементы Hadoop-задачи (Mapper, reducer, combiner, partitioner, comparator).
• приложения с несколькими Hadoop-задачами;
• тюнинг Hadoop-job (настройка партиционирования, сложные ключи, uber jobs);
• задачи с несколькими входами. Joins в Hadoop.
• архитектура Hive, виды таблиц, форматы хранения данных;
• трансляция Hive-запросов в MapReduce-задачи;
• сериализация и десериализация;
• тюнинг Join'ов в Hive;
• партиционирование, бакетирование, семплирование;
• User defined functions, Hive Streaming.

Практический курс по Big Data. Часть 2. Spark: from zero to hero [bigdata team]

На протяжении этой части курса вы будете работать со Spark: от основных терминов и RDD до Spark DataFrames и оптимизации Spark вычислений.

В этом модуле вы изучите:

• cхема выполнения задачи в Spark;
• основные термины Spark (job, task, stage);
• представление вычислений в виде графа. Spark Python API. Spark RDD API;
• Broadcast-сообщения и счетчики.
• взаимодействие Hive и Spark SQL;
• отличия DF от RDD.
• Spark on YARN;
• типы stage в Spark;
• оптимизация операции shuffle;
• настройка Garbage Collection, тюнинг потребления памяти.

Практический курс по Big Data. Часть 3. RT, NoSQL, Data layout, Kafka [bigdata team]

Вы научитесь работать с потоковой обработкой данных, познакомитесь с Kafka и Spark Structured Streaming, освоите NoSQL поверх больших данных, подружите Spark с Cassandra.

В этом модуле вы изучите:

• подходы к Realtime-обработке;
• гарантии обработки, переход от одной гарантии к другой, архитектуры "Лямбда" и "Каппа";
• Spark Streaming vs. Spark RDD, Spark Structured Streaming vs. Spark DataFrames, DStream;
• архитектура Kafka, Kafka Streams, репликация в Kafka. Отличие Kafka от классических очередей;
• семантики доставки сообщений, сжатие данных в Kafka, синхронная и асинхронная репликация.
• отличия Key-Value хранилищ от реляционных БД;
• компактификация и её виды, CQLSH;
• архитектура Cassandra;
• обеспечение надёжности и высокодоступности в Key-Value хранилищах;
• интеграция Spark с Cassandra.
• как бороться с Data Skew с помощью MapReduce подходов в разных фреймворках;
• trade-off между CPU и IO-bound приложениями, подходы к сжатию в Big Data, горячие и холодные данные;
• форматы данных в Big Data: ORC vs Parquet, Avro, ...

Продажник:

Вам необходимо зрегистрироваться для просмотра ссылок

Скачать: