SMACK Stack for Data Science - Plan Szkolenia
SMACK to zbiór oprogramowania platformy danych, a mianowicie Apache Spark, Apache Mesos, Apache Akka, Apache Cassandra i Apache Kafka. Korzystając ze stosu SMACK, użytkownicy mogą tworzyć i skalować platformy przetwarzania danych.
To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą używać stosu SMACK do tworzenia platform przetwarzania danych dla rozwiązań Big Data.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Wdrożenie architektury potoku danych do przetwarzania dużych zbiorów danych.
- Rozwijanie infrastruktury klastrowej za pomocą Apache Mesos i Docker.
- Analizowanie danych za pomocą Spark i Scala.
- Zarządzanie nieustrukturyzowanymi danymi za pomocą Apache Cassandra.
Format kursu
- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
- Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Plan Szkolenia
Wprowadzenie
Przegląd stosu SMACK
- Czym jest Apache Spark? Funkcje Apache Spark
- Czym jest Apache Mesos? Funkcje Apache Mesos
- Czym jest Apache Akka? Funkcje Apache Akka
- Czym jest Apache Cassandra? Funkcje Apache Cassandra
- Czym jest Apache Kafka? Funkcje Apache Kafka
Scala Język
- Scala składnia i struktura
- Scala przepływ sterowania
Przygotowanie środowiska programistycznego
- Instalowanie i konfigurowanie stosu SMACK
- Instalowanie i konfigurowanie Docker
Apache Akka
- Korzystanie z aktorów
Apache Cassandra
- Tworzenie bazy danych dla operacji odczytu
- Praca z kopiami zapasowymi i odzyskiwaniem
Złącza
- Tworzenie strumienia
- Tworzenie aplikacji Akka
- Przechowywanie danych za pomocą Cassandra
- Przeglądanie konektorów
Apache Kafka
- Praca z klastrami
- Tworzenie, publikowanie i wykorzystywanie wiadomości
Apache Mesos
- Przydzielanie zasobów
- Uruchamianie klastrów
- Praca z Apache Aurora i Docker
- Uruchamianie usług i zadań
- Wdrażanie Sparka, Cassandry i Kafki na platformie Mesos
Apache Spark
- Zarządzanie przepływami danych
- Praca z RDD i ramkami danych
- Przeprowadzanie analizy danych
Rozwiązywanie problemów
- Obsługa awarii usług i błędów
Podsumowanie i wnioski
Wymagania
- Zrozumienie systemów przetwarzania danych
Publiczność
- Naukowcy danych
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
SMACK Stack for Data Science - Plan Szkolenia - Booking
SMACK Stack for Data Science - Plan Szkolenia - ZAPYTANIE O SZKOLENIE
SMACK Stack for Data Science - Zapytanie o Konsultacje
Opinie uczestników (1)
very interactive...
Richard Langford
Szkolenie - SMACK Stack for Data Science
Nadchodzące szkolenia
Szkolenia Powiązane
Kaggle
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi i programistów, którzy chcą uczyć się i budować swoją karierę w Data Science przy użyciu Kaggle.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Dowiedz się więcej o nauce o danych i uczeniu maszynowym.
- Poznaj analitykę danych.
- Poznaj Kaggle i dowiedz się, jak to działa.
Accelerating Python Pandas Workflows with Modin
14 godzinSzkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla analityków danych i programistów, którzy chcą używać Modin do tworzenia i wdrażania równoległych obliczeń z Pandas w celu szybszej analizy danych.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Ustalenie środowiska niezbędnego do rozpoczęcia opracowywania Pandas przepływów pracy na dużą skalę za pomocą Modin.
- Zrozumienie funkcji, architektury i zalet Modin.
- Znać różnice między Modin, Dask i Ray.
- Wykonaj Pandas operacje szybciej dzięki Modin.
- Wdrożenie całego Pandas API i funkcji.
GPU Data Science with NVIDIA RAPIDS
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi i programistów, którzy chcą używać RAPIDS do tworzenia GPU przyspieszonych potoków danych, przepływów pracy i wizualizacji, stosując algorytmy uczenia maszynowego, takie jak XGBoost, cuML itp.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Skonfigurować niezbędne środowisko programistyczne do tworzenia modeli danych za pomocą NVIDIA RAPIDS.
- Zrozumieć funkcje, komponenty i zalety RAPIDS.
- Wykorzystać GPU do przyspieszenia kompleksowych potoków danych i analiz.
- Wdrożenie akcelerowanego przez GPU przygotowywania danych i ETL za pomocą cuDF i Apache Arrow.
- Dowiedz się, jak wykonywać zadania uczenia maszynowego za pomocą algorytmów XGBoost i cuML.
- Twórz wizualizacje danych i wykonuj analizę wykresów za pomocą cuXfilter i cuGraph.
Anaconda Ecosystem for Data Scientists
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą korzystać z ekosystemu Anaconda do przechwytywania, zarządzania i wdrażania pakietów i przepływów pracy analizy danych na jednej platformie.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Instalacja i konfiguracja komponentów i bibliotek Anaconda.
- Zrozumienie podstawowych pojęć, funkcji i zalet Anacondy.
- Zarządzanie pakietami, środowiskami i kanałami przy użyciu Anaconda Navigator.
- Używaj pakietów Conda, R i Python do nauki o danych i uczenia maszynowego.
- Poznanie praktycznych przypadków użycia i technik zarządzania wieloma środowiskami danych.
Python and Spark for Big Data (PySpark)
21 godzinW tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy dowiedzą się, jak używać Python i Spark razem do analizy dużych zbiorów danych podczas pracy nad ćwiczeniami praktycznymi.
Pod koniec tego szkolenia uczestnicy będą mogli:
- Dowiedzieć się, jak używać Sparka z Python do analizy Big Data.
- Pracować nad ćwiczeniami, które naśladują rzeczywiste przypadki.
- Używać różnych narzędzi i technik do analizy dużych zbiorów danych przy użyciu PySpark.
Introduction to Graph Computing
28 godzinW tym prowadzonym przez instruktora szkoleniu na żywo w Polsce uczestnicy zapoznają się z ofertą technologiczną i podejściami wdrożeniowymi do przetwarzania danych grafowych. Celem jest identyfikacja obiektów świata rzeczywistego, ich cech i relacji, a następnie modelowanie tych relacji i przetwarzanie ich jako danych przy użyciu podejścia Graph Computing (znanego również jako Graph Analytics). Zaczynamy od szerokiego przeglądu i zawężamy się do konkretnych narzędzi, przechodząc przez serię studiów przypadków, ćwiczeń praktycznych i wdrożeń na żywo.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zrozumieć, w jaki sposób dane wykresu są utrwalane i przemierzane.
- Wybrać najlepszą platformę dla danego zadania (od grafowych baz danych po ramy przetwarzania wsadowego).
- Zaimplementować Hadoop, Spark, GraphX i Pregel do równoległego przetwarzania grafów na wielu maszynach.
- Postrzeganie rzeczywistych problemów związanych z dużymi zbiorami danych w kategoriach grafów, procesów i przejść.
Sztuczna inteligencja - najczęściej stosowane rzeczy - Data Analysis + rozproszona sztuczna inteligencja + NLP
21 godzinTen kurs jest skierowany do programistów i naukowców zajmujących się danymi, którzy chcą zrozumieć i wdrożyć sztuczną inteligencję w swoich aplikacjach. Szczególna uwaga poświęcona jest analizie danych, rozproszonej sztucznej inteligencji i przetwarzaniu języka naturalnego.
Apache Spark MLlib
35 godzinMLlib to biblioteka Spark’s do uczenia maszynowego (ML). Jej celem jest uczynienie praktycznego uczenia maszynowego skalowalnym i łatwym. Składa się z popularnych algorytmów uczenia się i narzędzi, w tym klasyfikacji, regresji, klastrowania, filtrowania opartego na współpracy, redukcji wymiarowości, a także prymitywów optymalizacji niższego poziomu i interfejsów API potoków wyższego poziomu.
Dzieli się na dwa pakiety:
- spark.mllib zawiera oryginalny interfejs API zbudowany na bazie RDD.
- spark.ml zapewnia API wyższego poziomu zbudowane na DataFrames do konstruowania potoków ML.
Publiczność
Ten kurs jest skierowany do inżynierów i programistów, którzy chcą korzystać z wbudowanej biblioteki maszynowej dla Apache Spark
Introduction to Data Science and AI using Python
35 godzinJest to 5-dniowe wprowadzenie do Data Science i sztucznej inteligencji (AI).
Kurs obejmuje przykłady i ćwiczenia z wykorzystaniem Python
Big Data Business Intelligence for Telecom and Communication Service Providers
35 godzinPrzegląd
Communication Dostawcy usług (CSP) stoją w obliczu presji na redukcję kosztów i maksymalizację średniego przychodu na użytkownika (ARPU), przy jednoczesnym zapewnieniu doskonałego doświadczenia klienta, ale ilość danych wciąż rośnie. Globalny ruch danych w sieciach komórkowych będzie rósł w tempie 78% rocznie (CAGR) do 2016 roku, osiągając 10,8 eksabajtów miesięcznie.
W międzyczasie CSP generują duże ilości danych, w tym rejestry szczegółów połączeń (CDR), dane sieciowe i dane klientów. Firmy, które w pełni wykorzystują te dane, zyskują przewagę konkurencyjną. Według niedawnego badania przeprowadzonego przez The Economist Intelligence Unit, firmy, które wykorzystują podejmowanie decyzji w oparciu o dane, cieszą się 5-6% wzrostem produktywności. Jednak 53% firm wykorzystuje tylko połowę swoich cennych danych, a jedna czwarta respondentów zauważyła, że ogromne ilości przydatnych danych pozostają niewykorzystane. Ilość danych jest tak duża, że ich ręczna analiza jest niemożliwa, a większość starszych systemów oprogramowania nie nadąża, przez co cenne dane są odrzucane lub ignorowane.
Dzięki szybkiemu, skalowalnemu oprogramowaniu Big Data & Analytics&rsquo, dostawcy usług CSP mogą wydobywać wszystkie swoje dane w celu podejmowania lepszych decyzji w krótszym czasie. Różne produkty i techniki Big Data zapewniają kompleksową platformę oprogramowania do gromadzenia, przygotowywania, analizowania i prezentowania wniosków z dużych zbiorów danych. Obszary zastosowań obejmują monitorowanie wydajności sieci, wykrywanie oszustw, wykrywanie rezygnacji klientów i analizę ryzyka kredytowego. Produkty Big Data & Analytics skalują się do obsługi terabajtów danych, ale wdrożenie takich narzędzi wymaga nowego rodzaju systemu baz danych opartego na chmurze, takiego jak Hadoop lub masowego procesora obliczeń równoległych (KPU itp.).
Ten kurs na temat Big Data BI dla Telco obejmuje wszystkie pojawiające się nowe obszary, w które CSP inwestują w celu zwiększenia produktywności i otwarcia nowego strumienia przychodów biznesowych. Kurs zapewni pełny 360-stopniowy przegląd Big Data BI w Telco, dzięki czemu decydenci i menedżerowie będą mieli bardzo szeroki i kompleksowy przegląd możliwości Big Data BI w Telco w celu zwiększenia produktywności i przychodów.
Cele kursu
Głównym celem kursu jest wprowadzenie nowych technik analityki biznesowej Big Data w 4 sektorach Telecom biznesu (marketing / sprzedaż, operacje sieciowe, operacje finansowe i zarządzanie relacjami z klientami). Studenci zostaną zapoznani z następującymi zagadnieniami:
- Wprowadzenie do Big Data - czym są 4V (objętość, szybkość, różnorodność i prawdziwość) w Big Data - generowanie, ekstrakcja i zarządzanie z perspektywy Telco
- Czym różni się analityka Big Data od dotychczasowej analityki danych
- Wewnętrzne uzasadnienie Big Data - perspektywa Telco
- Wprowadzenie do ekosystemu Hadoop - znajomość wszystkich narzędzi Hadoop, takich jak Hive, Pig, SPARC – kiedy i jak są one wykorzystywane do rozwiązywania problemów Big Data
- W jaki sposób Big Data są pozyskiwane do analizy w narzędziach analitycznych - w jaki sposób analiza biznesowa może zmniejszyć ból związany z gromadzeniem i analizą danych dzięki zintegrowanemu podejściu do pulpitu nawigacyjnego Hadoop
- Podstawowe wprowadzenie do analityki Insight, analityki wizualizacyjnej i analityki predykcyjnej dla Telco
- Analityka rezygnacji klientów i Big Data - jak analityka Big Data może zmniejszyć rezygnację klientów i niezadowolenie klientów w Telco - studia przypadków
- Analiza awarii sieci i usług na podstawie metadanych sieciowych i IPDR
- Analiza finansowa - oszustwa, marnotrawstwo i szacowanie ROI na podstawie danych sprzedażowych i operacyjnych
- Problem pozyskiwania klientów - marketing docelowy, segmentacja klientów i sprzedaż krzyżowa na podstawie danych sprzedażowych
- Wprowadzenie i podsumowanie wszystkich produktów analitycznych Big Data i ich miejsca w przestrzeni analitycznej Telco
- Podsumowanie - jak krok po kroku wprowadzić Big Data Business Intelligence w swojej organizacji
Docelowi odbiorcy
- Operacje sieciowe, menedżerowie finansowi, menedżerowie CRM i najlepsi menedżerowie IT w biurze Telco CIO.
- Business Analitycy w Telco
- Menedżerowie/analitycy biura CFO
- Menedżerowie operacyjni
- Menedżerowie QA
Introduction to Google Colab for Data Science
14 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla początkujących naukowców zajmujących się danymi i specjalistów IT, którzy chcą nauczyć się podstaw nauki o danych przy użyciu Google Colab.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Konfigurować i nawigować Google Colab.
- Pisać i wykonywać podstawowy Python kod.
- Importować i obsługiwać zestawy danych.
- Tworzyć wizualizacje przy użyciu bibliotek Python.
A Practical Introduction to Data Science
35 godzinUczestnicy, którzy ukończą to szkolenie, zdobędą praktyczne, rzeczywiste zrozumienie Data Science i powiązanych z nim technologii, metodologii i narzędzi.
Uczestnicy będą mieli okazję wykorzystać tę wiedzę w praktyce poprzez praktyczne ćwiczenia. Interakcja w grupie i informacje zwrotne od instruktora stanowią ważny element zajęć.
Kurs rozpoczyna się od wprowadzenia do podstawowych pojęć Data Science, a następnie przechodzi do narzędzi i metodologii stosowanych w Data Science.
Publiczność
- Deweloperzy
- Analitycy techniczni
- Konsultanci IT
Format kursu
- Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna
Uwaga
- Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Data Science for Big Data Analytics
35 godzinBig data to zbiory danych, które są tak obszerne i złożone, że tradycyjne aplikacje do przetwarzania danych nie są w stanie sobie z nimi poradzić. Wyzwania związane z dużymi zbiorami danych obejmują przechwytywanie danych, przechowywanie danych, analizę danych, wyszukiwanie, udostępnianie, przesyłanie, wizualizację, zapytania, aktualizację i prywatność informacji.
Data Science essential for Marketing/Sales professionals
21 godzinTen kurs jest przeznaczony dla Marketing specjalistów ds. sprzedaży, którzy zamierzają zagłębić się w zastosowanie nauki o danych w Marketing / sprzedaży. Kurs zapewnia szczegółowe omówienie różnych technik data science stosowanych w “upsale”, “cross-sale”, segmentacji rynku, brandingu i CLV.
Różnica między Marketing a sprzedażą - Czym różni się sprzedaż od marketingu?
W bardzo prostych słowach sprzedaż można określić jako proces, który koncentruje się lub jest skierowany do osób lub małych grup. [Z drugiej strony, sprzedaż skierowana jest do większej grupy lub ogółu społeczeństwa. [Marketing obejmuje badania (identyfikacja potrzeb klienta), rozwój produktów (wytwarzanie innowacyjnych produktów) i promowanie produktu (poprzez reklamy) oraz tworzenie świadomości na temat produktu wśród konsumentów. Jako taki marketing oznacza generowanie potencjalnych klientów. Gdy produkt jest już dostępny na rynku, zadaniem sprzedawcy jest przekonanie klienta do zakupu produktu. Sprzedaż oznacza przekształcanie potencjalnych klientów w zakupy i zamówienia, podczas gdy marketing jest ukierunkowany na dłuższe okresy, sprzedaż dotyczy krótszych celów.
F# for Data Science
21 godzinNauka o danych to zastosowanie analizy statystycznej, uczenia maszynowego, wizualizacji danych i programowania w celu zrozumienia i interpretacji danych ze świata rzeczywistego. F# jest dobrze dostosowanym językiem programowania do nauki o danych, ponieważ łączy w sobie wydajne wykonywanie, pisanie skryptów REPL, potężne biblioteki i skalowalną integrację danych.
W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać F# do rozwiązywania szeregu rzeczywistych problemów związanych z nauką o danych.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Zintegrowane pakiety nauki o danych w języku F#'
- Wykorzystanie języka F# do współpracy z innymi językami i platformami, w tym Excel, R, Matlab i Python.
- Wykorzystanie pakietu Deedle do rozwiązywania problemów związanych z szeregami czasowymi
- Przeprowadzanie zaawansowanych analiz przy minimalnej liczbie linii kodu o jakości produkcyjnej
- Zrozumienie, w jaki sposób programowanie funkcjonalne jest naturalnym rozwiązaniem dla obliczeń naukowych i dużych zbiorów danych
- Dostęp do danych i ich wizualizacja za pomocą F#
- Zastosuj F# do uczenia maszynowego
Poznaj rozwiązania problemów w dziedzinach takich jak analityka biznesowa i gry społecznościowe.
Publiczność
- Programiści
- Naukowcy zajmujący się danymi
Format kursu
- Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna