Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Her oturum 2 saattir
1. Gün: Oturum-1: Business Neden Big Data Business Intelligence Govt'de?
- NIH, DoE'den örnek olaylar
- Govt'deki kuruluşlarda Big Data adaptasyon oranı ve gelecekteki operasyonlarını Big Data Predictive Analytics etrafında nasıl uyarlıyorlar
- Sağlık Bakanlığı, NSA, IRS, USDA vb. alanlarda geniş ölçekli uygulama alanı
- Big Data'nin eski verilerle arayüzlenmesi
- Tahmini analizde etkinleştirici teknolojilerin temel anlayışı
- Data Integration & Gösterge panosu görselleştirmesi
- Sahtekarlık yönetimi
- Business Kural/Sahtekarlık algılama üretimi
- Tehdit algılama ve profilleme
- Big Data uygulamasının maliyet-fayda analizi
1. Gün: Oturum-2: Big Data-1'e Giriş
- Big Data'nin temel özellikleri: hacim, çeşitlilik, hız ve doğruluk. Hacim için MPP mimarisi.
- Data Warehouse'ler – statik şema, yavaşça gelişen veri seti
- MPP Database'lar: Greenplum, Exadata, Teradata, Netezza, Vertica vb.
- Hadoop Tabanlı Çözümler – veri setinin yapısı üzerinde herhangi bir koşul yok.
- Tipik desen: HDFS, MapReduce (crunch), HDFS'den alma
- Toplu – analitik/etkileşimli olmayanlar için uygundur
- Hacim: CEP akış verisi
- Tipik seçenekler – CEP ürünleri (örneğin Infostreams, Apama, MarkLogic vb.)
- Üretim için daha az hazır – Storm/S4
- NoSQL Database'lar – (sütunsal ve anahtar-değer): Veri ambarı/veri tabanıya analitik bir ek olarak en uygunudur
1. Gün: Oturum-3: Big Data-2'ye Giriş
NoSQL çözümleri
- KV Mağazası - Keyspace, Flare, SchemaFree, RAMCloud, Oracle NoSQL Database (OnDB)
- KV Mağazası - Dynamo, Voldemort, Dynomite, SubRecord, Mo8onDb, DovetailDB
- KV Mağazası (Hiyerarşik) - GT.m, Cache
- KV Mağazası (Sıralı) - TokyoTyrant, Lightcloud, NMDB, Luxio, MemcacheDB, Actord
- KV Önbelleği - Memcached, Repcached, Coherence, Infinispan, EXtremeScale, JBossCache, Velocity, Terracoqua
- Tuple Mağazası - Gigaspaces, Coord, Apache River
- Nesne Database - ZopeDB, DB40, Shoal
- Belge Mağazası - CouchDB, Cloudant, Couchbase, MongoDB, Jackrabbit, XML-Database'lar, ThruDB, CloudKit, Prsevere, Riak-Basho, Scalaris
- Geniş Sütunsal Mağaza - BigTable, HBase, Apache Cassandra, Hypertable, KAI, OpenNeptune, Qbase, KDI
Veri Çeşitliliği: Big Data sorununa giriş Big Data
- RDBMS – statik yapı/şema, çevik, keşif ortamını teşvik etmez.
- NoSQL – yarı yapılandırılmış, verileri tam bir şemaya sahip olmadan depolamak için yeterli yapı
- Veri temizleme sorunları
1. Gün: Oturum-4: Big Data Giriş-3: Hadoop
- Hadoop'yi ne zaman seçmeli?
- YAPILANDIRILMIŞ - Kurumsal veri ambarları/veri tabanları büyük miktarda veri depolayabilir (bir maliyetle) ancak yapı dayatır (aktif keşif için iyi değil)
- YARI YAPILANDIRILMIŞ veri – geleneksel çözümlerle (DW/DB) yapmak zordur
- Veri ambarlama = uygulama sonrasında bile büyük bir çaba ve statik
- Çeşitlilik ve veri hacmi için, ucuz donanımda ezilmiş – HADOOP
- Hadoop Kümesi oluşturmak için ucuz donanım gerekir
Map Reduce /HDFS'ye Giriş
- MapReduce – hesaplamayı birden fazla sunucuya dağıtın
- HDFS – verileri hesaplama işlemi için yerel olarak kullanılabilir hale getirin (artıklık ile)
- Veri – yapılandırılmamış/şemasız olabilir (RDBMS'den farklı olarak)
- Verilerden anlam çıkarmak geliştiricinin sorumluluğundadır
- Programming MapReduce = Java ile çalışmak (artıları/eksileri), verileri manuel olarak HDFS'ye yüklemek
2. Gün: Oturum-1: Big Data Ekosistemi - Big Data ETL oluşturma: Big Data Araçlarının evreni - ne zaman hangisini kullanmalısınız?
- Hadoop vs. Diğer NoSQL çözümleri
- Veriye etkileşimli, rastgele erişim için
- Hbase (sütunsal veri tabanı) Hadoop üzerinde
- Rastgele veri erişimi ancak kısıtlamalar vardır (maks. 1 PB)
- Ad-hoc analiz için iyi değil, günlük kaydı, sayma, zaman serisi için iyidir
- Sqoop - Veri tabanlarından Hive'a veya HDFS'ye aktarın (JDBC/ODBC erişimi)
- Flume – Veri akışını (örneğin günlük verisi) HDFS'ye aktarın
2. Gün: Oturum-2: Büyük Data Management Sistemi
- Hareketli parçalar, hesaplama düğümleri başlatılır/başarısız olur: ZooKeeper - Yapılandırma/koordinasyon/adlandırma hizmetleri için
- Karmaşık işlem hattı/iş akışı: Oozie – iş akışını, bağımlılıkları, zincirleme yönetin
- Dağıtın, yapılandırın, küme yönetimi, yükseltme vb. (sistem yöneticisi): Ambari
- Bulutta: Whirr
2. Gün: Oturum-3: Business Intelligence'de Tahmini Analitik-1: Temel Teknikler ve Makine Öğrenimine Dayalı BI:
- Makine Öğrenimine Giriş
- Sınıflandırma tekniklerini öğrenin
- Bayes Tahmini - eğitim dosyası hazırlama
- Destek Vektör Makinesi
- KNN p-Ağacı Cebiri ve dikey madencilik
- Sinir Ağı
- Big Data büyük değişken problemi - Rastgele Orman (RF)
- Big Data Otomasyon problemi – Çoklu model topluluğu RF
- Otomasyon Soft10-M aracılığıyla
- Metin analitik aracı - Treeminer
- Agile öğrenme
- Ajan tabanlı öğrenme
- Dağıtılmış öğrenme
- Tahmini analitik için açık kaynak araçlarına giriş: R, Rapidminer, Mahut
2. Gün: Oturum-4: Tahmini analitik ekosistemi-2: Govt'de yaygın tahmini analitik problemleri.
- İçgörü analitiği
- Görselleştirme analitiği
- Yapılandırılmış tahmini analitik
- Yapılandırılmamış tahmini analitik
- Tehdit/sahtekarlık/satıcı profilleme
- Öneri Motoru
- Desen algılama
- Kural/Senaryo keşfi – başarısızlık, sahtekarlık, optimizasyon
- Kök neden keşfi
- Duygu analizi
- CRM analitiği
- Ağ analitiği
- Metin Analitiği
- Teknoloji destekli inceleme
- Sahtekarlık analitiği
- Gerçek Zamanlı Analitik
3. Gün: Oturum-1: Hadoop Üzerinde Gerçek Zamanlı ve Scalalenebilir Analitik
- Neden yaygın analitik algoritmaları Hadoop/HDFS'de başarısız olur?
- Apache Hama - Toplu Senkronize dağıtılmış hesaplama için
- Apache SPARk - Gerçek zamanlı analitik için küme hesaplama
- CMU Graphics Lab2 - Dağıtılmış hesaplama için grafik tabanlı asenkron yaklaşım
- Treeminer'den KNN p-Ağacı tabanlı yaklaşım, operasyon maliyetini azaltır
3. Gün: Oturum-2: eKeşif ve Adli Bilişim Araçları
- Big Data ETL API'si aracılığıyla sosyal medya verilerini çıkarma
- Metin, resim, meta veri ve video
- Sosyal medya akışından duygu analizi
- Bağlamsal ve bağlamsal olmayan sosyal medya akışını filtreleme
- Social Media Gösterge panosu, çeşitli sosyal medyayı entegre edin
- Sosyal medya profilini otomatik profilleme
- Her analitiğin canlı demosu Treeminer Aracı aracılığıyla verilecektir.
3. Gün: Oturum-3: Big Data Analitiği görüntü işleme ve video akışlarında
- Büyük resim verileri için görüntü depolama teknikleri - petabaytleri aşan veriler için depolama çözümü
- LTFS ve LTO
- GPFS-LTFS (Büyük resim verileri için katmanlı depolama çözümü)
- Temel görüntü analitiği
- Nesne tanıma
- Görüntü segmentasyonu
- Hareket izleme
- 3-D görüntü yeniden yapılandırması
4. Gün: Oturum-4: Big Data uygulamaları NIH:
- Ortaya çıkan Bio -bilgisi alanları
- Meta-genomik ve Big Data madencilik sorunları
- Big Data Tahmini analitiği Farmakogenomik, Metabolomik ve Proteomik için
- Big Data aşağı yönlü Genomik süreçte
- Büyük veri tahmini analitiğinin Halk Sağlığında uygulanması
Big Data Gösterge panosu, çeşitli verilere ve görüntülemeye hızlı erişim için:
- Mevcut uygulama platformunun Big Data Gösterge panosu ile entegrasyonu
- Big Data yönetimi
- Örnek olay incelemesi Tableau ve Pentaho
- Govt'de konum tabanlı hizmetleri etkinleştirmek için Big Data uygulamasını kullanın.
- İzleme sistemi ve yönetimi
5. Gün: Oturum-1: Big Data BI uygulamasının bir kuruluş içinde haklı çıkarılması:
- Big Data uygulamasının ROI'sini tanımlama
- Veri toplama ve hazırlama için analist süresini kurtarmak için örnek olaylar - üretkenlik kazancı
- Lisanslı veri tabanı maliyetinden tasarruf sağlayan gelir örnek olayları
- Konum tabanlı hizmetlerden elde edilen gelir
- Sahtekarlıktan tasarruf sağlama
- Maliyetlere karşı gelir/tasarrufları hesaplamak için entegre bir elektronik tablo yaklaşımı Big Data uygulaması.
5. Gün: Oturum-2: Eski veri sistemini Big Data Sistemine dönüştürmek için adım adım prosedür:
- Pratik Big Data Geçiş Yol Haritasını anlama
- Big Data uygulamasını tasarlamadan önce hangi bilgilerin gerekli olduğunu anlama
- Veri hacmini, hızını, çeşitliliğini ve doğruluğunu nasıl hesaplayacağınızı anlama
- Veri büyümesini nasıl tahmin edeceğinizi anlama
- Örnek olaylar
5. Gün: Oturum-4: Big Data Satıcılarının ve ürünlerinin gözden geçirilmesi. Soru-Cevap oturumu:
- Accenture
- APTEAN (Eski CDC Software)
- Cisco Sistemler
- Cloudera
- Dell
- EMC
- GoodData Corporation
- Guavus
- Hitachi Data Systems
- Hortonworks
- HP
- IBM
- Informatica
- Intel
- Jaspersoft
- Microsoft
- MongoDB (Eski 10Gen)
- MU Sigma
- Netapp
- Opera Solutions
- Oracle
- Pentaho
- Platfora
- Qliktech
- Quantum
- Rackspace
- Revolution Analytics
- Salesforce
- SAP
- SAS Enstitüsü
- Sisense
- Software AG/Terracotta
- Soft10 Otomasyon
- Splunk
- Sqrrl
- Supermicro
- Tableau Yazılım
- Teradata
- Think Big Analytics
- Tidemark Systems
- Treeminer
- VMware (EMC'nin bir parçası)
Kurs İçin Gerekli Önbilgiler
- İş operasyonları ve kendi alanlarındaki veri sistemleri hakkında temel bilgi
- SQL/Oracle veya ilişkisel veritabanı hakkında temel anlayış
- Statistics (Elektronik Tablo seviyesinde) hakkında temel anlayış
35 Saat
Danışanlarımızın Yorumları (1)
The ability of the trainer to align the course with the requirements of the organization other than just providing the course for the sake of delivering it.
