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 yönetim alanlarını tek bir çözümde entegre eden, veri odaklı bir platformdur. Rocket ve Intelligence modüllerinin yardımıyla, kurumsal ortamlarda hızlı veri keşfi, dönüştürme ve gelişmiş analitik işlemler gerçekleştirilebilir.

Bu eğitmen rehberli canlı eğitim (çevrimiçi veya yerinde) PySpark'i döngü yapıları, kullanıcı tanımlı fonksiyonlar ve gelişmiş veri mantığı üzerinde odaklanarak Stratio'daki Rocket ve Intelligence modüllerini etkili şekilde kullanmayı öğrenmek isteyen orta seviye veri profesyonellerine yöneliktir.

Bu eğitimden sonra katılımcılar şunları yapabilecekler:

• Rocket ve Intelligence modüllerini kullanarak Stratio platformunda gezinme ve çalışma.
• Veri alımı, dönüştürme ve analiz bağlamında PySpark'ı uygulama.
• Veri iş akışlarını ve özellik mühendisliği görevlerini kontrol etmek için döngüler ve koşullu mantık kullanma.
• PySpark'ta tekrar kullanılabilir veri işlemleri için kullanıcı tanımlı fonksiyonlar (UDFs) oluşturma ve yönetme.

Eğitim Biçimi

• Etkileşimli ders ve tartışma.
• Birçok alıştırma ve uygulama.
• Canlı-lab ortamında el ile uygulama.

Eğitim Özelleştirme Seçenekleri

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

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 yönetilen canlı eğitim Türkiye (çevrimiçi veya kurum içi) orta düzeydeki IT profesyonellerini hedefler ve bu kişilerin IBM DataStage'ı hem yönetim hem de geliştirme açılarından kapsamlı bir anlayışa sahip olmalarına yardımcı olur. Bu sayede eğitilen kişiler, araçları iş yerlerinde etkin şekilde yönetebilir ve kullanabilirler.

Bu eğitimden sonra katılımcılar şunları yapabilecektir:

• DataStage'nın temel kavramlarını anlamak.
• DataStage ortamlarını etkili şekilde yüklemeyi, yapılandırmayı ve yönetmeyi öğrenmek.
• Veritabanlarından, düz metin dosyalarından ve dış kaynaklardan veriyi etkin bir şekilde çekmek 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 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.

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.

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.

Kurs Genel Bakış

Bu kurs, gerçek zamanlı veri akış sistemleri kurma konusunda pratik ve yapılandırılmış bir giriş sağlar. Ölçeklenebilir veri akışlarını işlemek için temel kavramları, mimari desenleri ve endüstriyel araçları kapsar. Katılımcılar, modern çerçeveler kullanarak veri akış hatlarını nasıl tasarlayacaklarını, uygulayacaklarını ve optimize edeceklerini öğreneceklerdir. Kurs, temelleri uygulamaya bağlayarak, katılımcıların üretim ortamında kullanıma hazır gerçek zamanlı çözümleri güvenle geliştirmelerini hedefler.

Eğitim Formatı

• Eğitmen liderliğindeki oturumlar ve rehberli açıklamalar

 • Gerçek dünya örnekleriyle kavramsal açıklamalar

 • Uygulamalı gösterimler ve kodlama alıştırmaları  

• Günlük konulara uygun kademeli laboratuvar uygulamaları

 • Etkileşimli tartışmalar ve soru-cevap oturumları   

Kurs Hedefleri

• Gerçek zamanlı veri akışı kavramlarını ve sistem mimarisini anlamak

 • Toplu (batch) veri işleme ile akış (streaming) veri işleme modelleri arasındaki farkları ayırt etmek  

• Ölçeklenebilir ve hata toleranslı veri akış hatları tasarlamak  

• Dağıtık mesajlaşma araçları ve çerçeveleri ile çalışmak  

 • Olay zamanı (event time) işleme, pencereleme (windowing) ve durumlu işlemleri uygulamak  

 • İşletme gereksinimlerine yönelik gerçek zamanlı veri çözümlerini geliştirip optimize etmek  

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 eğitim, PySpark kullanılarak ölçeklenebilir veri işleme ve Makine Öğrenimi iş akışlarının oluşturulmasına yönelik pratik bir giriş niteliğindedir. Katılımcılar, Apache Spark'ın modern Büyük Veri ekosistemleri içinde nasıl çalıştığını ve dağıtık hesaplama ilkelerini kullanarak büyük veri kümelerini nasıl verimli bir şekilde işleyebileceklerini öğrenir.

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

Bu eğitmen yönlendirilmiş, canlı eğitim Türkiye (çevrimiçi veya yerinde) teknik kişilerin Talend Open Studio for Big Data'yı kullanarak Büyük Verilerin okunması ve işlenmesi sürecini basitleştirmesini amaçlamaktadır.

Bu eğitim sonunda katılımcılar şunları yapabilecekler:

• Talend Open Studio for Big Data'yı yükleyip yapılandırabilirler.
• Cloudera, HortonWorks, MapR, Amazon EMR ve Apache gibi Büyük Veri sistemleriyle bağlantı kurabilirler.
• Open Studio'nun Büyük Veri bileşenlerini ve bağlayıcılarını anlayıp kurabilirler.
• MapReduce kodu otomatik olarak üretilmesi için parametreleri yapılandırabilirler.
• Open Studio'nun sürükleyip bırakma arayüzünü kullanarak Hadoop işleri çalıştırabilirler.
• Büyük Veri hattı taslakları oluşturabilirler.
• Büyük Veri entegrasyon projelerini otomatikleştirebilirler.