Türkiye 'de Online Büyük Veri Eğitimi

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 işlemler, raporlama ve karar verme süreçlerini destekleyen merkezi veri depolarını tasarlamak, inşa etmek ve işletmek için uygulanan bir disiplindir.

Bu eğitmen-led, canlı eğitim (çevrimiçi veya yerinde) orta seviye veri profesyonellerine yönelik olarak boyutlu verileri modellemeyi, sağlam ETL işlem hattı oluşturmayı ve analitik iş yüklerini optimize etmeyi öğretir.

Bu eğitimden sonra katılımcılar:

• Veri depolama temel kavramlarını ve mimarisini açıklayabilecekler.
• Boyutlu modelleri tasarlayarak yıldız ve karıncalı şemalar arasında seçim yapabilecekler.
• ETL ve ELT işlem hattını güvenilir bir şekilde oluşturup yönetebilecekler.
• OLTP ile OLAP iş yükleri arasındaki farkları anlayarak analitik işlemler için optimize edebilecekler.

Eğitim Biçimi

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

Eğitim Özelleştirme Seçenekleri

• Bu eğitimin özelleştirilmiş bir sürümünü talep etmek için 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.

Teknolojilerdeki ilerlemeler ve bilgi miktarında yaşanan artış, hükümet dahil birçok sektörde işin yürütülmesini dönüştürüyor. Mobil cihazlar ve uygulamalar, akıllı sensörler ve cihazlar, bulut bilişim çözümleri ve vatandaşların erişimi olan portalların hızla artan kullanımı nedeniyle hükümet veri üretim ve dijital arşivleme oranları yükselmekte. Dijital bilgi genişledikçe ve karmaşıklaştıkça, bilgi yönetimi, işlemi, depolama, güvenliği ve ortadan kaldırılması da daha karmaşık hale geliyor. Yeni yakalama, arama, keşif ve analiz araçları, organizasyonların yapılandırılmamış verilerinden faydalanmasını sağlıyor. Hükümet piyasası, bilginin stratejik bir varlık olduğunu anlayarak, hem yapılandırılmış hem de yapılandırılmamış bilgiden en iyi şekilde yararlanabilmek için güvenlik, kullanım ve analizini sağlama ihtiyacı hissediyor. Hükümet liderleri veri odaklı organizasyonları geliştirmeye çalışırken, olaylar, kişiler, süreçler ve bilgi arasındaki bağımlılıkları korelasyonlayabilecek temelleri atmaya çalışıyorlar.

Yüksek değerli hükümet çözümleri, en ayırt edici teknolojilerin bir araya getirilmesinden ortaya çıkacak:

• Mobil cihazlar ve uygulamalar
• Bulut hizmetleri
• Sosyal iş teknolojileri ve ağları
• Büyük Veri ve analitik

Büyük Veri, hükümetin büyük hacimdeki verilere dayalı olarak daha iyi kararlar alabilmesine olanak tanıyan zekî endüstri çözümlerinden biridir. Bu veriler arasında ilgili ve ilişkisiz, yapılandırılmış ve yapılandırılmamış veriler bulunabilir.

Bunları başarabilmek için sadece büyük miktarda veri toplamanın yeterli olmadığına dikkat çekmek gerekir. “Bu Büyük Veri hacimlerini anlamlandırmak, farklı ve geniş bilgi akışlarından faydalı bilgileri ayıklamaya olanak tanıyan en son araçlara ve teknolojilere ihtiyaç vardır,” Beyaz Saray Bilim ve Teknoloji Ofisi'nin Tom Kalil ve Fen Zhao, OSTP Blog'da bir yazıda yazdılar.

Hükümet kurumlarının bu teknolojileri bulmalarına yardımcı olmak için Beyaz Saray 2012 yılında Ulusal Büyük Veri Araştırma ve Geliştirme Girişimi'ni başlatmıştır. Bu girişim, Büyük Veri patlamasını en iyi şekilde değerlendirmek ve bunu analiz etmek için gereken araçları içermekteydi.

Büyük Verinin sunduğu zorluklar, vaat ettiği umut kadar korkutucudur. Bilgileri verimli bir şekilde depolama, bütçelerin sıkı olduğu durumlarda her megabayt başına depolama maliyetini en aza indirme ve kullanıcıların ihtiyaç duydukları zaman ve şekillerde erişebilmeleri için bilgileri kolay ulaşılabilir tutma, bu zorluklardan biridir. Büyük hacimdeki veriyi yedekleme, zorlukları artırmaktadır.

Veriyi etkili şekilde analiz etmek de başka bir büyük zorluktur. Birçok kurum, verinin dağlarını tarayıp daha verimli çalışmalarına yardımcı olacak trendleri tespit edebilecek ticari araçlar kullanmaktadır. (MeriTalk'in yakın zamanda gerçekleştirdiği bir araştırmaya göre, federal IT yöneticileri Büyük Verinin kurumların 500 milyon dolardan fazla tasarruf etmesine yardımcı olabileceğini düşünüyor.)

Özel geliştirilmiş Büyük Veri araçları da kurumların verilerini analiz etme ihtiyacını karşılamak için kullanılabilir. Örneğin, Oak Ridge Ulusal Laboratuvarı'nın Hesaplama Veri Analizi Grubu, diğer kurumlara Piranha veri analizi sistemini sundu. Bu sistem, tıp araştırmacılarına dokular anevrizması felci öncesi belirteçler bulmada yardımcı oldu. Ayrıca daha sıradan görevler için de kullanılmaktadır, örneğin iş adaylarını istihdam yöneticileriyle eşleştirmek için özgeçmişleri tarıyor.

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 liderli canlı eğitimde, katılımcılar Büyük Veri teknolojilerine yaklaşmanın nasıl olması gerektiği, mevcut süreçlerin ve politikaların üzerindeki etkilerini değerlendirme ve suç faaliyetlerinin tespiti ve önlenmesi amacıyla bu teknolojilerin uygulanması konusunda bilgi edinecekler. Dünyanın dört bir yanındaki hukuk uygulama kuruluşlarının benimsemeye yönelik yaklaşımları, zorlukları ve sonuçlarını inceleyerek derinlemesine görüşler elde edecektir.

Eğitimin sonunda katılımcılar:

• Sorgulamalar sırasında hikayeyi birleştirmek için Büyük Veri teknolojisini geleneksel veri toplama süreçleriyle nasıl birleştirilebileceği hakkında bilgi sahibi olacaklardır.
• Veri analizi için endüstri standartlı büyük veri depolama ve işleme çözümlerini uygulayabileceklerdir.
• Suç soruşturması için veri odaklı yaklaşımı etkinleştirebilecek en uygun araçları ve süreçleri benimsemek için bir teklif hazırlayabileceklerdir.

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

Erişiminiz olan verilerden anlam çıkarmaya çalışıyorsanız veya internet üzerinde bulunan yapılandırılmamış verileri (Twitter, LinkedIn gibi) analiz etmek istiyorsanız bu kurs size uygundur.

Kursun hedef kitlesi çoğunlukla karar vericilere ve toplamaya değen verilerin ne olduğu ve analiz edilmeye değen verilerin ne olduğu konusunda seçim yapmaları gereken kişilere yöneliktir.

Konfigürasyonu yapan kişiler için tasarlanmamıştır, ancak bu kişiler genel bakıştan faydalanabilirler.

Teslimat Şekli

Kurs sırasında katılımcılara çoğunlukla açık kaynak teknolojileri kullanılarak çalışan örnekler sunulacaktır.

Kısa dersler, katılımcıların sunumu ve basit alıştırmalarıyla takip edilecektir.

İçerik ve Kullanılan Yazılımlar

Kullanılan tüm yazılım, kurs her seferinde çalıştırıldığında güncellenir, bu nedenle mümkün olan en yeni sürümleri kontrol ederiz.

Kurs, veriyi elde etmekten başlayarak, biçimlendirmek, işlemek ve analiz etmeye kadar geçen süreci kapsamaktadır. Makine öğrenimi kullanılarak karar alma sürecinin otomatikleştirilmesini açıklamaktadır.

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 Büyük Veri işleme için en popüler çerçevedir. Bu üç (opsiyonel olarak dört) günlük kursun katılımcıları, Hadoop ve ekosistemi için iş faydaları ve kullanım senaryolarını öğrenecekler, küme dağıtımını ve büyümesini planlamayı, Hadoop'ı yüklemeyi, bakımını yapmayı, izlemeyi, sorun gidermeyi ve optimize etmeyi öğrenecekler. Ayrıca, toplu veri yükleme pratiği yapacaklar, çeşitli Hadoop dağıtımları ile tanışacaklar ve Hadoop ekosistemi araçlarını yükleyip yönetme konusunda pratik yapacaklardır. Kurs, Kerberos kullanarak kümenin güvenliğini sağlama tartışmasıyla sona erecektir.

“…Materiyaller çok iyi hazırlanmış ve kapsamlı bir şekilde ele alınmıştı. Laboratuvar Çok yardımcı ve iyi organize edilmişti.”
— Andrew Nguyen, Microsoft Online Advertising Principal Integration DW Mühendisi

Hedef Kitle

Hadoop yöneticileri

Format

Sözlü açıklamalar ve elden deneme laboratuvarları, yaklaşık olarak 60% sözlü açıklama, 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%).

Kitle:

Bu kurs, büyük veri/hadoop teknolojisini açıklığa kavuşturmayı ve anlaşılmamasının 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 eğitmen yönlü, canlı eğitim Türkiye (yerinde veya uzaktan) katılımcıların farklı Akış İşleme çerçevelerini mevcut büyük veri depolama sistemleri ve ilgili yazılım uygulamalarıyla entegre etmeyi öğrenecektir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek:

• Spark Streaming ve Kafka Streaming gibi farklı Akış İşleme çerçevelerini yükleyip yapılandırmak.
• Görev için en uygun çerçeveyi anlamak ve seçmek.
• Veriyi sürekli, eşzamanlı ve kayıt bazında işlemek.
• Akış İşleme çözümlerini mevcut veritabanları, veri ambarları, veri gölleri gibi sistemlerle entegre etmek.
• Kurumsal uygulamalar ve mikrohizmetlerle en uygun akış işleme kütüphanesini 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.

Apache NiFi, açık kaynaklı, akış tabanlı veri entegrasyonu ve olay işleme platformudur. Farklı sistemler arasında otomatik, gerçek zamanlı veri yönlendirmesi, dönüştürmesi ve sistem aracılaması sağlar. Web tabanlı kullanıcı arayüzü ve detaylı kontrol imkanları sunar.

Bu eğitmen yönlendirilmiş, canlı eğitim (yerinde veya uzaktan), orta düzeydeki yöneticiler ve mühendisler için düzenlenmiştir. Bu kişilerin üretim ortamlarında NiFi veri akışlarını dağıtmayı, yönetmeyi, güvemli hale getirmeyi ve optimize etmeyi öğrenmek istiyor olabilir.

Bu eğitim sonunda katılımcılar şu becerilere sahip olacaklardır:

• Apache NiFi kümelerini kurma, yapılandırma ve bakım yapma.
• Farklı kaynaklardan ve havalardan veri akışları tasarlamayı ve yönetmeyi.
• Akış otomasyonunu, yönlendirmesini ve dönüştürme mantığını uygulama.
• Performansı optimize etme, işlemlerini izleme ve sorunları giderme.

Eğitim Formatı

• Günlük mimari tartışmalarını içeren etkileşimli ders.
• Akışları oluşturma, dağıtım ve yönetme konusunda elden deneyimler.
• Canlı-lab ortamında senaryo tabanlı alıştırmalar.

Eğitim Özelleştirme Seçenekleri

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

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.