Apache Apex: Processing Big Data-in-Motion Training Cursus

Deze instructeur-geleide, live training (ter plaatse of op afstand) is gericht op ingenieurs die Confluent (een distributie van Kafka) willen gebruiken om een realtime gegevensverwerkingsplatform voor hun toepassingen te bouwen en te beheren.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer Confluent Platform.
• Gebruik de beheertools en -services van Confluent om Kafka gemakkelijker uit te voeren.
• Bewaar en verwerk inkomende stroomgegevens.
• Optimaliseer en beheer Kafka-clusters.
• Veilige datastromen.

Indeling van de cursus

• Interactieve lezing en discussie.
• Veel oefeningen en oefenen.
• Praktische implementatie in een live-labomgeving.

Opties voor cursusaanpassing

• Deze cursus is gebaseerd op de open source-versie van Confluent: Confluent Open Source.
• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen.

In deze door een instructeur geleide, live training in België (op locatie of op afstand), leren deelnemers hoe ze verschillende Stream Processing raamwerken kunnen opzetten en integreren met bestaande big data-opslagsystemen en gerelateerde softwareapplicaties en microservices.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer verschillende Stream Processing frameworks, zoals Spark Streaming en Kafka Streaming.
• Begrijp en selecteer het meest geschikte raamwerk voor de taak.
• Verwerken van gegevens continu, gelijktijdig en record voor record.
• Integreer Stream Processing oplossingen met bestaande databases, datawarehouses, datameren, enz.
• Integreer de meest geschikte bibliotheek voor streamverwerking met bedrijfsapplicaties en microservices.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op data-ingenieurs, datawetenschappers en programmeurs die Apache Kafka-functies willen gebruiken in datastreaming met Python.

Aan het einde van deze training kunnen deelnemers Apache Kafka gebruiken om omstandigheden in continue datastromen te monitoren en te beheren met behulp van Python programmeren.

Kafka Streams is een client-side bibliotheek voor het bouwen van applicaties en microservices waarvan de gegevens worden doorgegeven aan en van een Kafka-berichtensysteem. Traditioneel vertrouwde Apache Kafka op Apache Spark of Apache Storm om gegevens tussen berichtproducenten en consumenten te verwerken. Door de Kafka Streams API vanuit een applicatie aan te roepen, kunnen gegevens direct in Kafka worden verwerkt, waardoor de noodzaak om de gegevens naar een afzonderlijk cluster te sturen voor verwerking wordt omzeild.

In deze live training onder leiding van een instructeur leren deelnemers hoe ze Kafka Streams kunnen integreren in een reeks voorbeeld Java applicaties die gegevens van en naar Apache Kafka doorgeven voor stroomverwerking.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de functies en voordelen van Kafka Streams ten opzichte van andere frameworks voor stroomverwerking
• Process stream gegevens rechtstreeks binnen een Kafka-cluster
• Schrijf een Java of Scala applicatie of microservice die kan worden geïntegreerd met Kafka en Kafka Streams
• Schrijf beknopte code die invoer Kafka-onderwerpen omzet in uitvoer Kafka-onderwerpen
• Bouw, verpak en implementeer de applicatie

Publiek

• ontwikkelaars

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Notes

• Neem contact met ons op om een aangepaste training voor deze cursus aan te vragen

Apache Samza is een open-source bijna realtime, asynchroon computationeel raamwerk voor stroomverwerking. Het maakt gebruik van Apache Kafka voor berichten en Apache Hadoop YARN voor fouttolerantie, processorisolatie, beveiliging en bronbeheer.

Deze instructeur-geleide, live training introduceert de principes achter berichtensystemen en gedistribueerde streamverwerking, terwijl deelnemers worden begeleid door het maken van een voorbeeld van een Samza-gebaseerd project en taakuitvoering.

Aan het einde van deze training kunnen deelnemers:

• Gebruik Samza om de code te vereenvoudigen die nodig is om berichten te produceren en te consumeren.
• Koppel de afhandeling van berichten van een applicatie los.
• Gebruik Samza om asynchrone berekening in bijna realtime te implementeren.
• Gebruik stroomverwerking om een hoger abstractieniveau te bieden dan berichtensystemen.

Publiek

• ontwikkelaars

Formaat van de cursus

• Deelcollege, deelbespreking, oefeningen en zware praktijkoefeningen

Deze door een instructeur geleide, live training (op locatie) introduceert de principes en benaderingen achter gedistribueerde stream- en batchgegevensverwerking, en begeleidt deelnemers bij het creëren van een realtime datastreamingapplicatie in Apache Flink.

Aan het einde van deze training kunnen deelnemers:

Zet een omgeving op voor het ontwikkelen van data-analyseapplicaties. Begrijp hoe de grafiekverwerkingsbibliotheek van Apache Flink (Gelly) werkt. Pakket, voer uit en bewaak Flink-gebaseerde, fouttolerante datastreaming-applicaties. Beheer diverse werklasten. Voer geavanceerde analyses uit. Stel een Flink-cluster met meerdere knooppunten in. Meet en optimaliseer prestaties. Integreer Flink met verschillende Big Data systemen. Vergelijk de mogelijkheden van Flink met die van andere raamwerken voor big data-verwerking.

In deze door een instructeur geleide, live training in België (op locatie of op afstand), leren deelnemers hoe ze Apache NiFi kunnen implementeren en beheren in een live labomgeving.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer Apachi NiFi.
• Verzamel, transformeer en beheer gegevens uit ongelijksoortige, gedistribueerde gegevensbronnen, waaronder databases en big data-meren.
• Automatiseer gegevensstromen.
• Schakel streaminganalyse in.
• Pas verschillende benaderingen toe voor gegevensopname.
• Transformeer Big Data en naar zakelijke inzichten.

In deze door een instructeur geleide, live training leren deelnemers de basisprincipes van flow-gebaseerd programmeren terwijl ze een aantal demo-extensies, componenten en processors ontwikkelen met behulp van Apache NiFi.

Aan het einde van deze training kunnen deelnemers:

• Begrijp de architectuur- en datastroomconcepten van NiFi.
• Ontwikkel extensies met behulp van NiFi en API's van derden.
• Op maat ontwikkelen van hun eigen Apache Nifi-processor.
• Neem realtime gegevens op uit ongelijksoortige en ongebruikelijke bestandsformaten en gegevensbronnen en verwerk deze.

Apache Storm is een gedistribueerde, real-time computing engine gebruikt om real-time business intelligence te vergemakkelijken. Dit gebeurt door toepassingen in staat te stellen onbeperkte gegevensstromen betrouwbaar te verwerken (bv. de stroomverwerking).

"Storm is voor real-time verwerking wat Hadoop is voor batch verwerking!"

In deze instructeur geleide live training zullen de deelnemers leren hoe te installeren en configureren Apache Storm, vervolgens een Apache Storm applicatie ontwikkelen en implementeren voor het verwerken van grote gegevens in real-time.

Enkele van de onderwerpen die in deze training zijn opgenomen, zijn:

• Apache Storm in de context van Hadoop
• Werken met onbeperkte gegevens
• voortdurende berekening
• Realtime analyse
• Distribueerde RPC en ETL verwerking

Vraag deze cursus nu!

Het publiek

• Software en ETL ontwikkelaars
• Mainframe professionals
• Data wetenschappers
• Big data analisten
• [ 1 ] Professionals

Format van de cursus

• Deel lezing, deel discussie, oefeningen en zware praktijken

Apache Beam is een open source, uniform programmeermodel voor het definiëren en uitvoeren van parallelle pijplijnen voor gegevensverwerking De kracht zit hem in de mogelijkheid om zowel batch- als streamingpijplijnen uit te voeren, waarbij de uitvoering wordt uitgevoerd door een van Beam's ondersteunde backends voor gedistribueerde verwerking: Apache Apex, Apache Flink, Apache Spark en Google Cloud Dataflow Apache Beam is nuttig voor ETL-taken (Extract, Transform en Load), zoals het verplaatsen van gegevens tussen verschillende opslagmedia en gegevensbronnen, het transformeren van gegevens in een meer wenselijk formaat en het laden van gegevens op een nieuw systeem In deze live training met instructor (op locatie of op afstand) leren deelnemers hoe de Apache Beam SDK's in een Java- of Python-toepassing kunnen worden geïmplementeerd die een gegevensverwerkingspijplijn definieert voor het decomposeren van een grote dataset in kleinere chunks voor onafhankelijke, parallelle verwerking Aan het einde van deze training kunnen deelnemers: Installeer en configureer Apache Beam Gebruik een enkel programmeermodel om zowel batch- als streamverwerking uit te voeren met behulp van hun Java- of Python-toepassing Voer pijpleidingen uit in meerdere omgevingen Publiek ontwikkelaars Formaat van de cursus Gedeeltelijke lezing, deelbespreking, oefeningen en zware handsonoefeningen Notitie Deze cursus zal in de toekomst beschikbaar zijn voor Scala Neem contact met ons op om dit te regelen .

Deze door een instructeur geleide, live training in België (op locatie of op afstand) is gericht op ontwikkelaars die de principes achter persistente en pure in-memory opslag willen leren terwijl ze de stap zetten naar het maken van een voorbeeld van een in-memory computing-project.

Aan het einde van deze training kunnen deelnemers:

Gebruik Ignite voor persistentie in het geheugen, op schijf en voor een puur gedistribueerde database in het geheugen. Bereik persistentie zonder gegevens terug te synchroniseren naar een relationele database. Gebruik Ignite om SQL en gedistribueerde joins uit te voeren. Verbeter de prestaties door gegevens dichter bij de CPU te plaatsen en RAM als opslag te gebruiken. Verspreid datasets over een cluster om horizontale schaalbaarheid te bereiken. Integreer Ignite met RDBMS-, NoSQL-, Hadoop- en machine learning-processors.

Deze instructeur-geleide, live training in België (op locatie of op afstand) is gericht op ontwikkelaars die Apache Kafka streamverwerking willen implementeren zonder code te schrijven.

Aan het einde van deze training kunnen deelnemers:

• Installeer en configureer Confluent KSQL.
• Zet een streamverwerkingspijplijn op met alleen SQL-opdrachten (geen Java- of Python-codering).
• Voer datafiltering, transformaties, aggregaties, joins, windowing en sessionization volledig in SQL uit.
• Ontwerp en implementeer interactieve, continue queries voor het streamen van ETL en realtime analyses.

Deze door een instructeur geleide, live training (op locatie of op afstand) is gericht op data-ingenieurs, datawetenschappers en programmeurs die Spark Streaming functies willen gebruiken bij het verwerken en analyseren van realtime gegevens.

Aan het einde van deze training kunnen deelnemers Spark Streaming gebruiken om live datastromen te verwerken voor gebruik in databases, bestandssystemen en live dashboards.