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

مدرس Kumaran Ponnambalam

انتشار 2023/10/06

مدت زمان 1h 28m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Architecting Big Data Applications: Batch Mode Application Engineering

برنامه‌های کاربردی داده‌های بزرگ به دانشمندان و تحلیلگران داده اجازه می‌دهند تا داده‌های بزرگ را به دست آورند، ذخیره کنند، مدیریت کنند و از داده‌های بزرگ برای تولید نتایج منسجم‌تر و مبتنی بر داده استفاده کنند. در این دوره، مربی Kumaran Ponnambalam موارد استفاده تجاری در دنیای واقعی و بهترین شیوه‌ها برای معماری برنامه‌های کلان داده با استفاده از فناوری‌های منبع باز موجود را بررسی می‌کند.با نحوه معماری برنامه‌های پردازش دسته‌ای ساده و پیچیده آشنا شوید. اصول اولیه معماری کلان داده مانند مقیاس بندی افقی، پردازش توزیع شده، انتخاب و یکپارچه سازی فناوری و زمان بندی را کشف کنید. کوماران به شما نشان می دهد که چگونه حجم داده ها را به حداقل برسانید و بارهای داده را به طور یکنواخت توزیع کنید، همچنین نحوه استفاده از حافظه پنهان، پردازش مجدد داده ها، عیب یابی خطاها و موارد دیگر را نشان می دهد. در طول مسیر، مهارت‌های جدید خود را با موارد استفاده عملی که دامنه‌های کاربردی و فناوری مختلفی را پوشش می‌دهند، به سطح بالاتری ببرید.

Batch Processing Big Data

Introduction

Architecting big data applications ()

1. Introduction to Big Data Applications

Characteristics of batch processing ()

Challenges building batch applications ()

Technologies for batch big data engineering ()

Use cases for batch big data ()

Architecture process for data engineering ()

2. Big Data Architecture Principles

Making the choice: Real-time vs. batch ()

Horizontal scaling ()

Distributed processing ()

Technology selection ()

Technology integrations ()

3. Batch Application Architecture Principles

Schedule selection ()

Minimizing data volumes ()

Uniform load distribution ()

Using caches ()

Reprocessing ()

4. Use Case 1: Audit Trail Data Archive

Audit trail: Define the problem ()

Audit trail: Study requirements ()

Audit trail: Create a workflow ()

Audit trail: Scale the workflow ()

Audit trail: Select technologies ()

Audit trail: Review final architecture ()

5. Use Case 2: Advertising Analytics

Advertising analytics: Define the problem ()

Advertising analytics: Study requirements ()

Advertising analytics: Create a workflow ()

Advertising analytics: Scale the workflow ()

Advertising analytics: Select technologies ()

Advertising analytics: Review final architecture ()

6. Use Case 3: Product Recommendations

Product recommendations: Define the problem ()

Product recommendations: Study requirements ()

Product recommendations: Create a workflow ()

Product recommendations: Scale the workflow ()

Product recommendations: Select technologies ()

Product recommendations: Review the final architecture ()

Conclusion

Continuing to architect big data applications ()

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.

Apache Spark 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

مهندسی داده یکی از سریع ترین حوزه های در حال رشد در فضای فناوری است. بر ابزارها و مهارت های مورد نیاز برای موفقیت در این بازار به سرعت در حال تحول و تقاضا، مانند Kafka، SQL، Python، dbt و Snowflake تسلط داشته باشید.

آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای ، ایستگاه شماره 4 در مسیر یادگیری کارشناسی ارشد مهندسی داده ، است.