تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای

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

1 ساعت 28 دقیقهپیشرفته2023-10-06

مدرسین

Kumaran Ponnambalam

Kumaran Ponnambalam

Working with data for 20+ years

جزئیات دوره

برنامه های کاربردی داده های بزرگ به دانشمندان و تحلیلگران داده اجازه می دهد تا داده های بزرگ را به دست آورند، ذخیره کنند، مدیریت کنند و از داده های بزرگ برای تولید نتایج منسجم تر و مبتنی بر داده استفاده کنند. در این دوره، مربی Kumaran Ponnambalam موارد استفاده تجاری در دنیای واقعی و بهترین شیوه‌ها را برای معماری برنامه‌های کلان داده با استفاده از فناوری‌های منبع باز موجود بررسی می‌کند.

یاد بگیرید که چگونه برنامه‌های پردازش دسته‌ای ساده و پیچیده را طراحی کنید، زیرا اصول اولیه معماری داده‌های بزرگ مانند مقیاس‌بندی افقی، پردازش توزیع‌شده، انتخاب و یکپارچه‌سازی فناوری، و زمان‌بندی را کشف می‌کنید. Kumaran 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 مختلف عملکردی و فناوری را پوشش می‌دهند، به سطح بعدی ببرید.

مهارت ها

HiveData CentersApache SparkApacheData EngineeringDatabase ManagementData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and ToolsDeep Dive (X:Y)

سرفصل ها

0. مقدمه

  • 01 - معماری برنامه‌های کاربردی داده‌های بزرگ

1. مقدمه ای بر کاربردهای کلان داده

  • 02 - ویژگی‌های پردازش دسته ای
  • 03 - ساخت برنامه‌های دسته ای را به چالش می‌کشد
  • 04 - فن آوری برای مهندسی داده‌های بزرگ دسته ای
  • 05 - از موارد برای داده‌های بزرگ دسته ای استفاده کنید
  • 06 - فرآیند معماری برای مهندسی داده

2. اصول معماری کلان داده

  • 07 - انتخاب - زمان واقعی در مقابل دسته
  • 08 - مقیاس بندی افقی
  • 09 - پردازش توزیع شده
  • 10 - انتخاب فناوری
  • 11 - ادغام فناوری

3. اصول معماری کاربرد دسته ای

  • 12 - انتخاب زمانبندی
  • 13 - به حداقل رساندن حجم داده ها
  • 14 - توزیع یکنواخت بار
  • 15 - استفاده از کش
  • 16 - پردازش مجدد

4. از مورد 1 - بایگانی داده‌های دنباله حسابرسی استفاده کنید

  • 17 - مسیر حسابرسی - مشکل را تعریف کنید
  • 18 - مسیر حسابرسی - الزامات مطالعه
  • 19 - مسیر حسابرسی - یک گردش کار ایجاد کنید
  • 20 - مسیر حسابرسی - مقیاس گردش کار
  • 21 - مسیر حسابرسی - انتخاب فناوری ها
  • 22 - مسیر حسابرسی - بررسی معماری نهایی

5. از مورد 2 - تجزیه‌و‌تحلیل تبلیغات استفاده کنید

  • 23 - تجزیه‌و‌تحلیل تبلیغات - مشکل را تعریف کنید
  • 24 - تجزیه‌و‌تحلیل تبلیغات - الزامات مطالعه
  • 25 - تجزیه‌و‌تحلیل تبلیغات - گردش کار ایجاد کنید
  • 26 - تجزیه‌و‌تحلیل تبلیغات - مقیاس گردش کار
  • 27 - تجزیه‌و‌تحلیل تبلیغات - فناوری‌ها را انتخاب کنید
  • 28 - تجزیه‌و‌تحلیل تبلیغات - بررسی معماری نهایی

6. از مورد 3 - توصیه‌های محصول استفاده کنید

  • 29 - توصیه‌های محصول - مشکل را تعریف کنید
  • 30 - توصیه‌های محصول - الزامات مطالعه
  • 31 - توصیه‌های محصول - گردش کار ایجاد کنید
  • 32 - توصیه‌های محصول - مقیاس گردش کار
  • 33 - توصیه‌های محصول - فناوری‌ها را انتخاب کنید
  • 34 - توصیه‌های محصول - بررسی معماری نهایی

نتیجه

  • 35 - ادامه معماري برنامه هاي بزرگ داده

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal