Türkiye Merkezli Büyük Veri Eğitimleri

Bu eğitmen yönetilen canlı eğitim (Türkiye çevrimiçi veya yerel) ortamında, büyük veri işleme ve analizi için Google Colab ve Apache Spark'yi kullanmak isteyen orta düzeyli veri bilimcileri ve mühendislerine yönelik olacak.

Bu eğitim sonunda katılımcılar aşağıdaki becerileri kazanabilecekler:

• Google Colab ve Spark kullanarak büyük veri ortamını kurma.
• Apache Spark ile büyük veri kümelerini etkili bir şekilde işlemek ve analiz etme.
• Kooperatif bir ortamda büyük veriyi görselleştirme.
• Apache Spark'yi bulut tabanlı araçlarla entegre etme.

Stratio, büyük veri, yapay zeka ve yönetimini tek bir çözümde entegre eden bir veri odaklı platformdur. Rocket ve Intelligence modülleri, işletmelerde hızlı veri keşfi, dönüştürme ve ileri analizler sağlar.

Bu eğitmen yönetimi altında yapılan canlı eğitim (çevrimiçi veya yerel) orta seviye veri profesyonellerine yönelik olup, Stratio'daki Rocket ve Intelligence modüllerini etkili bir şekilde kullanmayı amaçlar. Eğitim PySpark konusunda döngü yapısı, kullanıcı tanımlı fonksiyonlar ve ileri düzey veri mantığına odaklanır.

Bu eğitim sonunda katılımcılar şunları başarabilecekler:

• Stratio platformunda Rocket ve Intelligence modüllerini kullanarak gezinme ve çalışma.
• Veri alımı, dönüştürme ve analiz bağlamında PySpark'yi uygulama.
• Döngüler ve koşullu mantığı kullanarak veri akışlarını ve özellik mühendisliği görevlerini kontrol etme.
• PySpark'da yeniden kullanılabilir veri işlemlerine yönelik kullanıcı tanımlı fonksiyonlar (UDF) oluşturma ve yönetme.

Eğitim Formatı

• Etkileşimli ders anlatımı ve tartışma.
• Çok sayıda alıştırma ve uygulama.
• Canlı laboratuvar ortamında el ile uygulama.

Eğitim özelleştirme seçenekleri

• Bu eğitim için özel bir eğitim talep etmek isterseniz, bizimle iletişime geçerek düzenleme yapabilirsiniz.

Veri Depolama, analitik, raporlama ve karar alma süreçlerini destekleyen merkezi veri depolarının tasarım, oluşturma ve işletilmesi uygulamasıdır.

Bu eğitmen yönetilen canlı eğitim (çevrimiçi veya yerinde), boyutsal verilerin modellenmesini, sağlam ETL hatlarının oluşturulmasını ve analitik iş yüklerinin optimize edilmesini öğrenmek isteyen orta seviye veri profesyonellerine yöneliktir.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Temel veri depolama kavramlarını ve mimarilerini açıklayabilir.
• Boyutsal modelleri tasarlar ve yıldız ve karınca schema'sı arasında seçim yapar.
• ETL ve ELT hatlarını güvenilir bir şekilde oluşturur ve yönetir.
• OLTP ile OLAP iş yüklerini ayırt eder ve analitik için optimize eder.

Kurs Formatı

• Etkileşimli ders ve tartışma.
• Çok sayıda alıştırma ve uygulama.
• Canlı laboratuvar ortamında elden geçirme.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek istiyorsanız, lütfen bizimle iletişime geçin.

Bu eğitmen liderliğindeki, canlı eğitim programını tamamlayan katılımcılar, Big Data ve ilgili teknolojileri, metodolojileri ve araçları hakkında pratik ve gerçek dünya anlayışına sahip olacaklardır.

Katılımcılar, bu bilgiyi uygulamalı egzersizler aracılığıyla uygulamaya koyma fırsatına sahip olacaklardır. Grup etkileşimi ve eğitmen geri bildirimi, dersin önemli bir parçasını oluşturmaktadır.

Kurs, Big Data'nin temel kavramlarına bir girişle başlar, ardından Data Analysis gerçekleştirmek için kullanılan programlama dilleri ve metodolojilerine ilerler. Son olarak, Big Data depolama, Dağıtık İşleme ve Scalability'yi sağlayan araçları ve altyapıyı tartışırız.

Greenplum, analitik ve büyük ölçekli veri ortamları için tasarlanmış, kaynaklı bir paralel işlem (MPP) veri platformudur.

Bu eğitmen yönlendirilmiş canlı eğitim (çevrimiçi veya yerinde), Greenplum'un iç mimarisini anlayıp, optimize edilmiş veri modelleri oluşturup, dağıtılmış ortamlarda yüksek performanslı SQL kullanmayı öğrenmek isteyen orta düzeyden ileri seviye teknik kullanıcılar için yöneliktir.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Greenplum'un bir şey paylaşımayan mimarisini ve paralellik modelini anlayacaklardır.
• Sorgu performansı için optimize edilmiş dağıtılmış tablo yapıları ve bölümler tasarlama becerileri kazanacaklardır.
• Indexleme stratejilerini, depolama biçimlerini ve fiziksel tasarım tekniklerini kullanabileceklerdir.
• EXPLAIN planlarını yorumlayıp sorguları en iyi uygulamaları kullanarak optimize edebileceklerdir.

Eğitim Formatı

• Etkileşimli sunum ve tartışma.
• Çeşitli alıştırmalar ve uygulamalar.
• Canlı-lab ortamında elden deneyim.

Eğitim Özelleştirme Seçenekleri

• Bu eğitimin özelleştirilmiş bir sürümünü talep etmek için bizimle iletişime geçin.

Greenplum, PostgreSQL üzerine kurulmuş ve gelişmiş analizler ve büyük ölçekli veri ambarı uygulamaları için tasarlanmış açık kaynak kodlu bir kitle paralel veri platformudur.

Bu eğitmen lider, canlı eğitim (online veya yerinde), orta düzeydeki yöneticilerin Greenplum ortamlarını etkili bir şekilde kurma, yapılandırma ve yönetmelerine yöneliktir, sistem güncellemelerini ve kütüphaneleri yönetme dahil.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Üretim hazır Greenplum kümesini kurma ve yapılandırma.
• Sistemi güvenle güncelleme ve düzeltmeler uygulama.
• Analiz ve uzantılar için Greenplum kütüphane yönetimini yapma.
• Greenplum sistemlerinin sorun giderilmesi ve izlenmesi.

Eğitim Biçimi

• Etkileşimli ders ve tartışma.
• Kontrollü laboratuvar ortamında Greenplum'un pratik kullanımı.
• Küme kurulumu, güncelleme akışları ve sistem uzantılarına odaklanan rehberli alıştırmalar.

Eğitim Özelleştirme Seçenekleri

• Bu eğitimin sizin ortamınız veya veri platformunuz temelinde özelleştirilmiş bir sürümünü talep etmek için bizimle iletişime geçiniz.

Bu eğitmen yönlendirilmiş, canlı eğitim Türkiye (çevrimiçi veya yerinde) gelişmiş düzeyde veri profesyonellerini hedeflemektedir. Eğitim, veri işleme iş akışlarını optimize etme, veri bütünlüğünü sağlama ve modern büyük veri uygulamalarının karmaşıklıklarını yönetebilen güçlü bir data lakehouse çözümü uygulama konularını ele alır.

Bu eğitim sonunda katılımcılar:

• Iceberg mimarisini, meta veri yönetimi ve dosya düzenlemesi dahil olmak üzere kapsamlı bir şekilde anlayacaklardır.
• Iceberg'ın çeşitli ortamlarda optimal performans için nasıl yapılandırılacağını ve birden fazla veri işleme motoruyla nasıl entegre edileceğini öğreneceklerdir.
• Büyük ölçekli Iceberg tablolarını yönetecek, karmaşık şema değişiklikleri gerçekleştirecek ve bölüm evrimi yönetimini ele alacaklardır.
• Büyük veri kümeleri için sorgu performansını ve veri tarama verimliliğini optimize etme tekniklerini öğreneceklerdir.
• Dağıtık ortamlarda veri tutarlılığını sağlamak, işlem garanti yönetimini uygulamak ve hataları yönetmek için mekanizmaları kullanacaklardır.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya yerel) başlangıç seviyesindeki veri uzmanlarına Apache Iceberg'ı etkili bir şekilde kullanarak büyük ölçekli veri kümelerini yönetmeyi, veri bütünlüğünü sağlamak ve veri işleme akışlarını optimize etmek için gerekli bilgi ve becerileri kazanma fırsatı sunmaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Apache Iceberg'ın mimarisi, özellikleri ve faydalarını tam olarak anlamış olacaklardır.
• Tablo formatları, bölüntulama, şema evrimi ve zaman yolculuğu yetenekleri hakkında bilgi edinmiş olacaklardır.
• Apache Iceberg'ı farklı ortamlarda kurma ve yapılandırma işlemlerini öğreneceklerdir.
• Iceberg tablolarını oluşturma, yönetme ve düzenleme işlemlerini gerçekleştirebilecektir.
• Diğer tablo formatlarından Iceberg'a veri geçiş sürecini anlayacaklardır.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya kurum içi) orta seviye IT profesyonellerine yönelik, veri mimarisi, yönetim, bulut bilişim ve büyük veri teknolojilerini etkin bir şekilde kullanarak kuruluşları içindeki veri taşımalarını yönetmeyi ve analiz etmeyi geliştirmek için tasarlanmıştır.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Çeşitli veri mimarilerinin temel kavramlarını ve bileşenlerini anlamak.
• Düzenleyici ortamlarda veri yönetimi ilkelerinin önemini kapsamlı bir şekilde anlamak.
• Dama ve Togaf gibi veri yönetim çerçevelerini uygulamak ve yönetmek.
• Veriyi etkin bir şekilde depolamak, işlemek ve yönetmek için bulut platformlarını kullanmak.

Bu eğitmen tarafından yönetilen canlı eğitim, Türkiye (çevrimiçi veya yerinde) orta düzeydeki veri mühendislerine Azure Data Lake Storage Gen2'yi etkili veri analitiği çözümleri için nasıl kullanacaklarını öğretmeyi amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Azure Data Lake Storage Gen2'nin mimarisini ve temel özelliklerini anlamaları.
• Maliyet ve performans için veri depolama ve erişimini optimize etmeleri.
• Veri analitiği ve işlemesi için Azure Data Lake Storage Gen2'yı diğer Azure hizmetleriyle entegre etmeleri.
• Azure Data Lake Storage Gen2 API'sini kullanarak çözümler geliştirmeleri.
• Sık karşılaşılan sorunları gidermeleri ve depolama stratejilerini optimize etmeleri.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük ve karmaşık veri kümelerini işlemek, analiz etmek ve dönüştürmek için Spark, Hadoop ve Python'yı kullanmak ve entegre etmek isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Spark, Hadoop ve Python ile büyük veri işlemeye başlamak için gerekli ortamı kurmak.
• Spark ve Hadoop'in özelliklerini, temel bileşenlerini ve mimarisini anlamak.
• Büyük veri işleme için Spark, Hadoop ve Python'yı nasıl entegre edeceğini öğrenmek.
• Spark ekosistemindeki araçları (Spark MlLib, Spark Streaming, Kafka, Sqoop, Kafka ve Flume) keşfetmek.
• Netflix, YouTube, Amazon, Spotify ve Google gibi işbirlikçi filtreleme öneri sistemleri oluşturmak.
• Apache Mahout'u kullanarak makine öğrenimi algoritmalarını ölçeklendirmek.

Big Data ve Advanced Analytics, karmaşık büyük veri kümelerini analiz ederek eylem sonrası bilgilere ve stratejik kararlar almak için gelişmiş tekniklerin ve araçların uygulanmasıdır.

Bu eğitmen yönetilen canlı eğitim (çevrimiçi veya yerel olarak) ileri düzey veri profesyonelleri için tasarlanmıştır; bu profesyoneller, tahminsel, rehberci ve gerçek zamanlı analizler için en son analitik yöntemleri ve büyük veri teknolojilerini kullanmak isteyenlerdir.

Eğitim sonunda katılımcılar şunları yapabileceklerdir:

• Yapılanaklı ve yapılandırılmamış veriler için büyük ölçekli veri işleme pipeline'larını tasarlamak ve uygulamak.
• Massif veri kümelerine gelişmiş makine öğrenmesi ve derin öğrenme tekniklerini uygulamak.
• Gerçek zamanlı analizler ve veri akışı için dağıtık hesaplama çerçevelerinden yararlanmak.
• Büyük veri analitiklerini iş zekası ve karar alma sistemlerine entegre etmek.

Eğitim Formatı

• Interaktif ders anlatımı ve tartışma.
• Farklı uygulamalar ve pratik.
• Canlı laboratuvar ortamında el ile uygulama.

Eğitim Özelleştirme Seçenekleri

• Bu eğitim için özel bir eğitim talebinde bulunmak isterseniz, lütfen bizimle iletişime geçin.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya yerinde) orta düzeyde IT profesyonellerine yönelik olarak, IBM DataStage'in hem yönetim hem de geliştirme açısından kapsamlı bir anlayış kazanmalarına yardımcı olmayı amaçlamaktadır. Bu eğitimin sonunda katılanlar bu aracı iş yerlerinde etkin şekilde yönetebilir ve kullanabilir durumda olacaktır.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• DataStage'in temel kavramlarını anlamak.
• DataStage ortamlarını etkin şekilde yüklemeyi, yapılandırmayı ve yönetmeyi öğrenmek.
• Veritabanlarından, düz dosyalardan ve dış kaynaklardan veriyi etkili bir şekilde çıkarmak için çeşitli veri kaynaklarına bağlanmak.
• Etkili veri yükleme tekniklerini uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Spark kümelerini dağıtmak, sürdürmek ve optimize etmek isteyen başlangıç ​​seviyesi ile orta seviye sistem yöneticilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli ortamlarda Apache Spark'yi kurmak ve yapılandırmak.
• Küme kaynaklarını yönetmek ve Spark uygulamalarını izlemek.
• Spark kümelerinin performansını optimize etmek.
• Güvenlik önlemleri uygulamak ve yüksek kullanılabilirlik sağlamak.
• Yaygın Spark sorunlarını ayıklamak ve gidermek.

Bu eğitmen liderliğindeki, canlı eğitim programını tamamlayan katılımcılar, Big Data ve ilgili teknolojileri, metodolojileri ve araçları hakkında pratik ve gerçek dünya anlayışına sahip olacaklardır.

Katılımcılar, bu bilgiyi uygulamalı egzersizler aracılığıyla uygulamaya koyma fırsatına sahip olacaklardır. Grup etkileşimi ve eğitmen geri bildirimi, dersin önemli bir parçasını oluşturmaktadır.

Kurs, Big Data'ün temel kavramlarına bir girişle başlar, ardından Data Analysis gerçekleştirmek için kullanılan programlama dilleri ve metodolojilerine ilerler. Son olarak, Big Data depolama, Dağıtık İşleme ve Scalability'yi sağlayan araçları ve altyapıyı tartışırız.

Bu eğitmen liderliğindeki, canlı eğitimde Türkiye, katılımcılar büyük verileri analiz etmek için Python ve Spark'ı birlikte nasıl kullanacaklarını uygulamalı egzersizler yaparak öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python ile Spark'ı kullanarak Big Data analiz etmeyi öğreneceklerdir.
• Gerçek dünya senaryolarını taklit eden egzersizler üzerinde çalışacaklardır.
• PySpark kullanarak büyük veri analizi için farklı araç ve teknikleri kullanacaklardır.

Hedef Kitle:

Bu kurs, dağıtılmış bir sistem ortamında büyük veri kümelerini depolama ve işlemek için çözüm arayan IT uzmanları içindir.

Goal:

Derinlemesine Hadoop küme yönetimi bilgisi.

Teknolojideki gelişmeler ve artan bilgi miktarı, hükümet de dahil olmak üzere birçok sektörde iş yapış şeklini dönüştürmektedir. Mobil cihazlar ve uygulamalar, akıllı sensörler ve cihazlar, bulut bilişim çözümleri ve vatandaş odaklı portallar nedeniyle hükümet veri üretimi ve dijital arşivleme oranları artmaktadır. Dijital bilgi genişledikçe ve karmaşıklaştıkça, bilgi yönetimi, işlenmesi, depolanması, güvenliği ve imhası da karmaşıklaşmaktadır. Yeni yakalama, arama, keşif ve analiz araçları, kuruluşların yapılandırılmamış verilerinden içgörü elde etmelerine yardımcı olmaktadır. Hükümet pazarı, bilginin stratejik bir varlık olduğunun farkına varmakta ve hükümetin görev gereksinimlerini daha iyi karşılamak ve yerine getirmek için hem yapılandırılmış hem de yapılandırılmamış bilgileri koruması, kullanması ve analiz etmesi gerekmektedir. Hükümet liderleri, görevlerini başarıyla tamamlamak için veri odaklı kuruluşlara dönüşmeye çalışırken, olaylar, insanlar, süreçler ve bilgiler arasındaki bağımlılıkları ilişkilendirmek için zemin hazırlamaktadır.

Yüksek değerli hükümet çözümleri, en yıkıcı teknolojilerin bir karışımından oluşturulacaktır:

• Mobil cihazlar ve uygulamalar
• Bulut hizmetleri
• Sosyal iş teknolojileri ve ağ oluşturma
• Big Data ve analitik

IDC, 2020 yılına kadar BT endüstrisinin 5 trilyon dolara ulaşacağını, yani günümüzden yaklaşık 1,7 trilyon dolar daha fazla olacağını ve endüstrinin büyümesinin %80'inin bu 3. Platform teknolojileri tarafından yönlendirileceğini tahmin etmektedir. Uzun vadede, bu teknolojiler artan dijital bilginin karmaşıklığıyla başa çıkmak için temel araçlar olacaktır. Big Data, akıllı endüstri çözümlerinden biridir ve hükümetin büyük miktarda veriyi analiz ederek ortaya çıkan kalıplara dayanarak harekete geçerek daha iyi kararlar almasını sağlar — ilişkili ve ilişkisiz, yapılandırılmış ve yapılandırılmamış.

Ancak bu başarıları elde etmek, sadece büyük miktarda veri biriktirmekten çok daha fazlasını gerektirir. Beyaz Saray Bilim ve Teknoloji Politikası Ofisi'nden Tom Kalil ve Fen Zhao, OSTP Blog'daki bir gönderide, “Bu Big Data hacminin anlamlandırılması, geniş ve çeşitli bilgi akışlarından analiz edip faydalı bilgi çıkarabilecek son teknoloji araçlar ve teknolojiler gerektirir” diye yazdı.

Beyaz Saray, ajansların bu teknolojileri bulmasına yardımcı olmak için 2012 yılında Ulusal Big Data Araştırma ve Geliştirme Girişimi'ni başlattı. Girişim, Big Data'nin patlamasından ve onu analiz etmek için gereken araçlardan en iyi şekilde yararlanmak için 200 milyon dolardan fazla içeriyordu.

Big Data'nin oluşturduğu zorluklar, vaat ettiği kadar caydırıcıdır. Verileri verimli bir şekilde depolamak bu zorluklardan biridir. Her zaman olduğu gibi, bütçeler dardır, bu nedenle ajanslar depolama başına megabayt fiyatını en aza indirmeli ve kullanıcıların istediklerinde ve ihtiyaç duydukları şekilde erişebilmeleri için verileri kolayca erişilebilir tutmalıdır. Büyük miktarda veriyi yedeklemek zorluğu artırır.

Verileri etkili bir şekilde analiz etmek bir diğer büyük zorluktur. Birçok ajans, dağlarca veriyi eleyerek ve onlara daha verimli çalışmalarına yardımcı olabilecek eğilimleri tespit etmelerini sağlayarak ticari araçlar kullanmaktadır. (MeriTalk tarafından yapılan son bir araştırmaya göre, federal BT yöneticileri Big Data'nin ajansların 500 milyar dolardan fazla tasarruf etmesine ve aynı zamanda görev hedeflerini yerine getirmesine yardımcı olabileceğine inanıyor.).

Özel olarak geliştirilen Big Data araçları da ajansların verilerini analiz etme ihtiyacını karşılamasına olanak tanıyor. Örneğin, Oak Ridge Ulusal Laboratuvarı'nın Hesaplamalı Veri Analitiği Grubu, Piranha veri analitiği sistemini diğer ajansların kullanımına sundu. Sistem, tıbbi araştırmacıların aort anevrizmalarına karşı doktorları uyarabilecek bir bağlantı bulmasına yardımcı oldu. Ayrıca, özgeçmişleri eleyerek iş adaylarını işe alım yöneticileriyle eşleştirmek gibi daha basit görevler için de kullanılmaktadır.

1. Gün - temel Big Data konu alanlarına genel bir bakış sunar. Modül, her biri uygulamalı bir egzersizle desteklenen bir dizi bölümden oluşur.

2. Gün - Big Data ortamları için analiz uygulamaları ve araçlarıyla ilgili bir dizi konuyu araştırır. Uygulama veya programlama detaylarına girmez, bunun yerine kapsamı kavramsal düzeyde tutar ve katılımcıların Big Data çözümleri tarafından sunulan yaygın analiz fonksiyonlarını ve özelliklerini kapsamlı bir şekilde anlamalarını sağlayan konulara odaklanır.

3. Gün - Big Data çözüm platformu mimarisi ile ilgili temel ve önemli konu alanlarına genel bir bakış sunar. Bir Big Data çözüm platformunun geliştirilmesi için gerekli Big Data mekanizmalarını ve bir veri işleme platformu oluşturmak için mimari seçenekleri kapsar. Yaygın senaryolar da bir Big Data çözüm platformunun genel olarak nasıl kullanıldığına dair temel bir anlayış sağlamak için sunulmaktadır.

4. Gün - 3. Günde ele alınan konuları temel alarak Big Data çözüm platformu mimarisi ile ilgili ileri düzey konuları araştırır. Özellikle, veri kaynakları, veri girişi, veri depolama, veri işleme ve güvenlik dahil olmak üzere Big Data çözüm platformunu oluşturan farklı mimari katmanlar tanıtılır ve tartışılır.

5. Gün - katılımcıların 3. ve 4. Günlerde ele alınan konularla ilgili bilgilerini uygulama becerilerini test etmek için tasarlanmış bir dizi egzersiz ve problem içerir.

Büyük veri analitiği, korelasyonları, gizli kalıpları ve diğer faydalı bilgileri ortaya çıkarmak amacıyla büyük ve çeşitli veri kümelerinin incelenmesi sürecini içerir.

Sağlık sektörü, karmaşık ve heterojen tıbbi ve klinik verilerin büyük miktarlarına sahiptir. Sağlık verileri üzerinde büyük veri analitiği uygulamak, sağlık hizmetlerinin sunumunu iyileştirmek için öngörüler elde etme konusunda büyük bir potansiyel sunar. Ancak, bu veri kümelerinin büyüklüğü, analizlerde ve klinik ortamlara pratik uygulamalarda büyük zorluklar oluşturur.

Bu eğitmen liderliğindeki, canlı (uzaktan) eğitimde katılımcılar, bir dizi uygulamalı canlı laboratuvar egzersiziyle sağlık alanında büyük veri analitiği yapmayı öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Hadoop MapReduce ve Spark gibi büyük veri analitiği araçlarını kurmak ve yapılandırmak
• Tıbbi verilerin özelliklerini anlamak
• Tıbbi verilerle başa çıkmak için büyük veri tekniklerini uygulamak
• Sağlık uygulamaları bağlamında büyük veri sistemlerini ve algoritmalarını incelemek

Hedef Kitle

• Geliştiriciler
• Veri Bilimciler

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı pratik.

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek düzenleme yapınız.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Big Data teknolojilerine yaklaşım için gereken zihniyeti öğrenecek, mevcut süreçler ve politikalar üzerindeki etkilerini değerlendirecek ve bu teknolojileri suç faaliyetlerini tespit etmek ve suçu önlemek amacıyla uygulayacaklar. Dünya çapındaki kolluk kuvvetleri örgütlerinden vaka çalışmaları incelenerek, benimseme yaklaşımları, karşılaştıkları zorluklar ve elde edilen sonuçlar hakkında içgörüler kazanılacak.

Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Bir soruşturma sırasında hikayeyi bir araya getirmek için Big Data teknolojisini geleneksel veri toplama süreçleriyle birleştirmek.
• Veri analizi için endüstriyel büyük veri depolama ve işleme çözümlerini uygulamak.
• Suç soruşturmasında veriye dayalı bir yaklaşımı etkinleştirmek için en uygun araçlar ve süreçlerin benimsenmesi için bir öneri hazırlamak.

Big Data, büyük veri kümelerini depolamak ve işlemek için tasarlanmış çözümleri ifade eden bir terimdir. Başlangıçta Google tarafından geliştirilen bu Big Data çözümleri, zamanla gelişmiş ve birçok açık kaynaklı benzer projeye ilham vermiştir. R, finans sektöründe popüler bir programlama dilidir.

Geleneksel depolama teknolojileri, depolamanız gereken veri miktarını karşılayamadığında yüzlerce alternatif bulunmaktadır. Bu kurs, katılımcılara Big Data verileri depolamak ve analiz etmek için hangi alternatiflerin mevcut olduğunu ve bunların avantaj ve dezavantajlarını anlatmayı amaçlamaktadır.

Bu kurs, ağırlıklı olarak çözüm tartışmalarına ve sunumlarına odaklanmaktadır, ancak talep üzerine uygulamalı egzersizler de mevcuttur.

Bu kurs, Veri Bilimcisi beceri setinin bir parçasıdır (Alan: Veri ve Teknoloji).

This classroom based training session will explore Big Data. Delegates will have computer based examples and case study exercises to undertake with relevant big data tools

Hedef Kitle

Elinizdeki verilere anlam vermeye çalışıyorsanız veya internette (Twitter, LinkedIn vb.) bulunan yapılandırılmamış verileri analiz etmek istiyorsanız, bu kurs tam size göre.

Esas olarak karar vericiler ve hangi verilerin toplanmaya ve analiz edilmeye değer olduğuna karar vermesi gereken kişiler hedeflenmektedir.

Çözümü yapılandıran kişiler hedeflenmese de, bu kişiler de genel bakış açısından faydalanacaktır.

Sunum Şekli

Kurs boyunca katılımcılara ağırlıklı olarak açık kaynak teknolojilerinin çalışan örnekleri sunulacaktır.

Kısa derslerin ardından katılımcılar tarafından sunumlar ve basit egzersizler yapılacaktır.

İçerik ve Kullanılan Yazılımlar

Kullanılan tüm yazılımlar, her kurs çalıştırmasında güncellenir, böylece mümkün olan en yeni sürümler kontrol edilir.

Veri elde etme, biçimlendirme, işleme ve analiz sürecinden, makine öğrenimi ile karar alma sürecini nasıl otomatikleştirileceğine kadar her şey kapsanır.

Büyük veri, geleneksel veri işleme uygulama yazılımlarının yetersiz kaldığı kadar hacimli ve karmaşık veri kümeleridir. Büyük veri zorlukları arasında veri yakalama, veri depolama, veri analizi, arama, paylaşım, aktarım, görselleştirme, sorgulama, güncelleme ve bilgi gizliliği yer alır.

Bu kurs, dağıtık sistem ortamında büyük veri kümelerini depolama ve işleme çözümü arayan IT uzmanları için tasarlanmıştır.

Kurs hedefi:

Hadoop küme yönetimi hakkındaki bilgi edinme

Apache Hadoop, sunucu kümelerinde işlem yapma için en popüler Framework'dir. Bu üç (isteğe bağlı olarak dört) günlük kursta, katılımcılar Hadoop ve ekosistemine iş yararları ve kullanım durumlarını öğreneceklerdir, küme dağıtımını ve büyümesini planlama, Hadoop'ü kurma, bakımı, izleme, hata giderme ve optimize etme konularında bilgi edineceklerdir. Ayrıca kümeye toplu veri yükleme uygulamaları yapacaklar, çeşitli Hadoop dağıtımlarına aşina olacaklar ve Hadoop ekosistemi araçlarını kurma ve yönetme konularında pratik yapacaklardır. Kurs, Kerberos ile kümenin güvenliğini sağlama konusunda bir tartışma ile sona erecektir.

“…Materyaller çok iyi hazırlanmış ve kapsamlıydı. Laboratuvar çok yardımcı ve düzenliydi”
— Andrew Nguyen, Ana Jenerik DW Mühendisi, Microsoft Online Advertising

Kilavuzluk

Hadoop yöneticileri

Biçim

Sempozyumlar ve pratik laboratuvarlar, yaklaşık dengesi: %60 sempozyum, %40 laboratuvar.

Apache Hadoop, sunucu kümelerinde işlemeyi Big Data yapmanın en popüler çerçevesidir. Bu kurs, geliştiricilere çeşitli bileşenlerle (HDFS, MapReduce, Pig, Hive ve HBase) Hadoop ekosisteminin tanıtımını sağlayacak.

Apache Hadoop, sunucu kümesinde veri işleme Big Data için en popüler keretelerden biridir. Bu kurs, HDFS'deki veri yönetimi, gelişmiş Pig, Hive ve HBase konularını inceliyor.  Bu gelişmiş programlama teknikleri, deneyimli Hadoop geliştiriciler için faydalıdır.

Hedef Kitlesi: geliştiriciler

Süre: üç gün

Biçimi: davetler (50%) ve el ile laboratuvarlar (50%).

Hedef Kitle:

Bu kurs, büyük veri/Hadoop teknolojisini basitçe açıklamayı ve anlamakta zor olmadığını göstermeyi amaçlamaktadır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kuruluşları içindeki Hadoop kümelerini kurmak, dağıtmak ve yönetmek isteyen sistem yöneticilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apache Hadoop'i kurun ve yapılandırın.
• Hadoop ekosistemindeki dört ana bileşeni anlayın: HDFS, MapReduce, YARN ve Hadoop Common.
• Hadoop Dağıtılmış Dosya Sistemi'ni (HDFS) kullanarak bir kümeyi yüzlerce veya binlerce düğüme ölçeklendirin.
• HDFS'yi, şirket içi Spark dağıtımları için depolama motoru olarak ayarlayın.
• Spark'ın Amazon S3 gibi alternatif depolama çözümlerine ve Redis, Elasticsearch, Couchbase, Aerospike vb. gibi NoSQL veritabanı sistemlerine erişmesini sağlayın.
• Bir Apache Hadoop kümesini sağlama, yönetme, izleme ve güvenliğini sağlama gibi yönetimsel görevleri yerine getirin.

Bu kurs, Hadoop üzerine kurulu bir NoSQL deposu olan HBase'i tanıtır. Kurs, uygulamalar geliştirmek için HBase'i kullanacak geliştiriciler ve HBase kümelerini yönetecek yöneticiler için tasarlanmıştır.

Bir geliştiriciyi HBase mimarisi ve veri modellemesi ve HBase üzerinde uygulama geliştirme konusunda yönlendireceğiz. Ayrıca MapReduce ile HBase kullanımı ve performans optimizasyonu ile ilgili bazı yönetim konuları da tartışılacaktır. Kurs, birçok laboratuvar egzersizi ile çok uygulamalıdır.

Süre: 3 gün

Hedef Kitle: Geliştiriciler ve Yöneticiler

Bu eğitimin Türkiye (yerinde veya uzaktan) gerçekleştirdiği, katılımcılar farklı Akış İşlemesi çerçevelerini mevcut büyük veri depolama sistemleri ve ilgili yazılım uygulamalarıyla entegre etme şekillerini öğrenecektir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Farklı Akış İşlemesi çerçevelerini, örneğin Spark Streaming ve Kafka Streaming'ı, yükleyip yapılandırmak.
• Görev için en uygun çerçeveyi anlamak ve seçmek.
• Veriyi sürekli, eşzamanlı ve kayda kaydına şeklinde işlemek.
• Akış İşlemesi çözümlerini mevcut veritabanları, veri ambarları, veri gölleri gibi sistemlerle entegre etmek.
• Kurumsal uygulamalar ve mikrohizmetlerle en uygun akış işlemesi kitaplığını entegre etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), büyük verilerin kullanımını en üst düzeye çıkararak makine öğrenimi stratejisi uygulamayı öğrenmek isteyen teknik personele yöneliktir.

Bu eğitimin sonunda katılımcılar:

• Makine öğreniminin evrimini ve eğilimlerini anlayacaklardır.
• Makine öğreniminin farklı sektörlerde nasıl kullanıldığını bileceklerdir.
• Bir organizasyon içinde makine öğrenimi uygulamak için mevcut araçlar, beceriler ve hizmetler hakkında bilgi sahibi olacaklardır.
• Makine öğreniminin veri madenciliğini ve analizini nasıl geliştirebileceğini anlayacaklardır.
• Veri orta arka ucunun ne olduğunu ve işletmeler tarafından nasıl kullanıldığını öğreneceklerdir.
• Büyük verilerin ve akıllı uygulamaların sektörler genelindeki rolünü anlayacaklardır.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye yerinde veya uzaktan), katılımcılar Apache NiFi'ü canlı bir laboratuvar ortamında nasıl dağıtacaklarını ve yöneteceklerini öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apachi NiFi'yi kurun ve yapılandırın.
• Veritabanları ve büyük veri gölleri de dahil olmak üzere farklı, dağıtılmış veri kaynaklarından veri alın, dönüştürün ve yönetin.
• Veri akışlarını otomatikleştirin.
• Akış analitiğini etkinleştirin.
• Veri alımı için çeşitli yaklaşımlar uygulayın.
• Big Data ve verilerini iş içgörülerini dönüştürün.

Bu eğitmen liderliğindeki canlı eğitimde Türkiye'da, katılımcılar Apache NiFi kullanarak bir dizi demo uzantısı, bileşen ve işlemci geliştirirken akış tabanlı programlamanın temellerini öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NiFi'nin mimarisini ve veri akışı kavramlarını anlayabilecektir.
• NiFi ve üçüncü taraf API'lerini kullanarak uzantılar geliştirebilecektir.
• Kendi Apache Nifi işlemcilerini özel olarak geliştirebilecektir.
• Çeşitli ve alışılmadık dosya formatlarından ve veri kaynaklarından gerçek zamanlı verileri alıp işleyebilecektir.

Bu eğitmen öncülüğünde, canlı eğitim Türkiye (online veya yerinde) veri bilimcilerinin SMACK yığınını kullanarak büyük veri çözümleri için veri işleme platformları oluşturmak isteyenler için düzenlenmiştir.

Bu eğitimin sonunda katılımcılar şu becerilere sahip olacaklardır:

• Büyük veri işleme için bir veri boru hattı mimarisi uygulayabileceklerdir.
• Apache Mesos ve Docker ile bir küme altyapısı geliştirilebilecektir.
• Spark ve Scala ile veri analizi yapabileceklerdir.
• Apache Cassandra ile yapılandırılmamış verileri yönetebileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çok büyük miktarda veriyi işlemek için Apache Spark sistemini kurmak ve dağıtmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apache Spark'ü kurun ve yapılandırın.
• Çok büyük veri kümelerini hızlı bir şekilde işleyin ve analiz edin.
• Apache Spark ve Hadoop MapReduce arasındaki farkı anlayın ve hangisini ne zaman kullanacağınızı bilin.
• Apache Spark'ü diğer makine öğrenimi araçlarıyla entegre edin.

Apache Spark'nin öğrenme eğrisi başlangıçta yavaş yükselir ve ilk sonuçları elde etmek için çok çaba gerektirir. Bu kursun amacı, bu zorlu başlangıcı atlatmanıza yardımcı olmaktır. Bu kursu tamamlayan katılımcılar, Apache Spark'ün temellerini anlayacak, RDD ile DataFrame arasındaki farkı net bir şekilde ayırt edebilecek, Python ve Scala API'lerini öğrenecek, yürütücüler ve görevler hakkında bilgi sahibi olacaklardır. Ayrıca en iyi uygulamaları takip ederek, bu kurs bulut dağıtımı, Databricks ve AWS'ye güçlü bir şekilde odaklanmaktadır. Öğrenciler ayrıca AWS EMR ve AWS Glue arasındaki farkları, AWS'nin en son Spark hizmetlerinden birini anlayacaklardır.

HEDEF KİTLE:

Veri Mühendisi, DevOps, Veri Bilimcisi

AMAÇ:

Bu kurs, Apache Spark'i tanıtacaktır. Öğrenciler, Spark'ın Big Data ekosistemine nasıl uyduğunu ve Spark'ı veri analizi için nasıl kullanacaklarını öğreneceklerdir. Kurs, etkileşimli veri analizi için Spark kabuğunu, Spark iç yapılarını, Spark API'lerini, Spark SQL'i, Spark akışını, makine öğrenimi ve GraphX'i kapsamaktadır.

HEDEF KİTLE:

Geliştiriciler / Veri Analistleri

Türkiye dilindeki bu eğitmen liderliğindeki canlı eğitim (çevrimiçi veya yerinde), Apache Spark üzerine kurulu Spark NLP'u kullanarak doğal dil metin işleme modelleri ve hatları geliştirmek, uygulamak ve ölçeklemek isteyen veri bilimcileri ve geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar;

• Spark NLP ile NLP boru hatlarının inşasına başlamak için gerekli geliştirme ortamını kurun.
• Spark NLP'un özelliklerini, mimarisini ve kullanım avantajlarını anlayın.
• Metin işlemeyi uygulamak için Spark NLP'da bulunan önceden eğitilmiş modelleri kullanın.
• Üretim düzeyindeki projeler için Spark NLP modellerin nasıl oluşturulacağını, eğitileceğini ve ölçeklendirileceğini öğrenin.
• Sınıflandırma, çıkarım ve duygu analizini gerçek dünya kullanım durumlarına (klinik veriler, müşteri davranışı içgörüleri vb.) uygulayın.

Spark SQL, Apache Spark'nin yapılandırılmış ve yapılandırılmamış verilerle çalışmak için kullandığı modüldür. Spark SQL, verilerin yapısı ve gerçekleştirilen işlem hakkında bilgi sağlar. Bu bilgiler optimizasyonlar yapmak için kullanılabilir. Spark SQL'in iki yaygın kullanım amacı şunlardır:
- SQL sorgularını yürütmek.
- mevcut bir Hive kurulumundan veri okumak.

Bu eğitmen liderliğindeki, canlı eğitimde (yerinde veya uzaktan), katılımcılar Spark SQL kullanarak çeşitli veri kümelerini analiz etmeyi öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Spark SQL'i kurmak ve yapılandırmak.
• Spark SQL kullanarak veri analizi yapmak.
• Farklı formatlardaki veri kümelerini sorgulamak.
• Verileri ve sorgu sonuçlarını görselleştirmek.

Kurs Formatı

• İnteraktif ders ve tartışma.
• Çok sayıda alıştırma ve uygulama.
• Canlı laboratuvar ortamında uygulamalı uygulama.

Kurs Özelleştirme Seçenekleri

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Big Data verilerini okuma ve işleme sürecini basitleştirmek amacıyla Talend Open Studio'yu kullanmak isteyen teknik personele yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Talend Open Studio for Big Data'i kurmak ve yapılandırmak.
• Cloudera, HortonWorks, MapR, Amazon EMR ve Apache gibi Big Data sistemlerine bağlanmak.
• Open Studio'nun büyük veri bileşenlerini ve bağlayıcılarını anlamak ve kurmak.
• MapReduce kodunu otomatik olarak oluşturmak için parametreleri yapılandırmak.
• Hadoop işlerini çalıştırmak için Open Studio'nun sürükle-bırak arayüzünü kullanmak.
• Büyük veri işlem hatlarını prototiplemek.
• Büyük veri entegrasyon projelerini otomatikleştirmek.