معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای

مدرس Kumaran Ponnambalam

انتشار 2017/10/31

مدت زمان 1h 37m

سطح پیشرفته

فایل تمرینی ندارد

آموزش Architecting Big Data Applications: Batch Mode Application Engineering

حالت دسته ای، عملیات مربوط به داده ها را به منظور کاهش بار روی شبکه ها یکپارچه می کند. حالت دسته‌ای به معماران نرم‌افزار کمک می‌کند تا برنامه‌های کلان داده بسازند که تحت شرایط دنیای واقعی به آرامی و کارآمد عمل کنند. در این دوره آموزشی، می‌توانید با موارد استفاده و بهترین روش‌ها برای معماری برنامه‌های حالت دسته‌ای با استفاده از فناوری‌هایی مانند Hive و Apache Spark آشنا شوید.\r\n\r\n در عوض خواهید دید که چگونه ابزارهای کلان داده می توانند به حل برخی از پیچیده ترین چالش ها برای کسب و کارهایی که حجم زیادی از داده ها را تولید، ذخیره و تجزیه و تحلیل می کنند، کمک کند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و فناوری اطلاعات استخراج شده است. مربی کوماران پونامبالام نحوه تجزیه و تحلیل یک مسئله، ترسیم طرح کلی معماری، انتخاب فناوری های مناسب و نهایی کردن راه حل را نشان می دهد. پس از هر مورد استفاده، او بهترین شیوه های مرتبط را برای اکتساب داده، حمل و نقل، پردازش، ذخیره سازی و خدمات بررسی می کند. هر درس سرشار از تکنیک ها و بینش های عملی از توسعه دهنده ای است که مزایا و کاستی های این فناوری ها را از نزدیک تجربه کرده است.

Big Data

Introduction

Welcome ()

Platforms vs. applications ()

Software architecture vs. design ()

Notes on use cases ()

1. Intro to Big Data Applications

Big data characteristics ()

Traditional vs. big data applications ()

Big data application modules ()

Technologies for big data ()

Strategy for big data apps ()

2. Use Case 1: Data Warehouse (DW)

DW: Analyze the problem ()

DW: Outline the solution ()

DW: Consider technologies ()

DW: Lay out the architecture ()

DW: Design key elements ()

Best practices: Data acquisition ()

3. Use Case 2: Log Accumulation (LA)

LA: Analyze the problem ()

LA: Outline the solution ()

LA: Consider technologies ()

LA: Lay out the architecture ()

LA: Design key elements ()

Best practices: Data transport ()

4. Use Case 3: IT Operations Analytics (OA)

OA: Analyze the problem ()

OA: Outline the solution ()

OA: Consider technologies ()

OA: Lay out the architecture ()

OA: Design key elements ()

Best practices: Data processing ()

5. Use Case 4: Customer 360 (C360)

C360: Analyze the problem ()

C360: Outline the solution ()

C360: Consider technologies ()

C360: Lay out the architecture ()

C360: Design key elements ()

Best practices: Data storage ()

6. Use Case 5: Customer Analytics (CA)

CA: Analyze the problem ()

CA: Outline the solution ()

CA: Consider technologies ()

CA: Lay out the architecture ()

CA: Design key elements ()

Best practices: Data service ()

Conclusion

Next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Architecting Big Data Applications: Batch Mode Application Engineering در 2 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

آپاچی اسپارک به دلیل پخش جریانی، سرعت و مقیاس پذیری، یکی از سریع ترین ابزارهای در حال رشد در علم داده است. داده های لینکدین اسپارک را به عنوان یکی از پرطرفدارترین مهارت ها در مهندسی داده و توسعه داده ها نشان می دهد. این مسیر یادگیری یک منبع ایده آل برای تقویت مهارت ها و رزومه شما است.

آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای ، ایستگاه شماره 5 در مسیر یادگیری مهارت های داده خود را در آپاچی اسپارک ارتقا دهید ، است.

مسیر یادگیری مهارت های داده خود را در آپاچی اسپارک ارتقا دهید

با یادگیری مفاهیم اساسی، مهارت های مهندسی داده و DevOps گسترده ای ایجاد کنید. با استفاده از این مسیر یادگیری، بر ابزارهای تجارت و نحوه استفاده از آنها در محیط ها و پلتفرم های پروژه داده های دنیای واقعی مسلط شوید.

آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای ، ایستگاه شماره 4 در مسیر یادگیری مهندس داده شوید: تسلط بر مفاهیم ، است.