| Ближайшая дата курса | 21-23 января 2019 |
| 20-22 марта 2019 | |
| Стоимость обучения | 54.000 рублей |
3х дневный практический курс администрирования кластера Apache Spark, использование Spark SQL, организация потоковой обработки Spark Streaming, библиотеки машинного обучения Spark ML, построение графов Spark GraphX
Аудитория: Специалисты, администраторы, аналитики данных желающие получить опыт настройки и использования компонентов Apache Spark (Spark SQL, MLLib, Spark Streaming, Spark GraphX)
Предварительный уровень подготовки:
- Начальный опыт работы в Unix/SQL
- Начальный опыт программирования (Scala/Python/Java)
Продолжительность: 3 дня, 24 академических часа.
3х дневный интенсивный практический тренинг по знакомству с платформой для распределенной обработки больших данных Apache Spark. В ходе лекций и лабораторных работы вы научитесь настраивать кластер Apache Spark для запуска задач на Scala и R при обработке больших массивов неструктурированных данных, применяя алгоритмы машинного обучения встроенных библиотек Spark MLLib; поймете разницу использования различных форматов хранения данных и использования RDD , dataframes и datasets; обращаться к данным с использование Spark SQL или Hive QL; настраивать и анализировать данные в потоке Spark Streaming; интегрировать компоненты Apache Spark с другими компонентами экосистем Hadoop.
Соотношение теории к практике 40/60
Программа курса
- Введение в Apache Spark
- Сравнение Hadoop и Spark
- Сравнение Batch, Real-Time и in-Memory процессинг
- Особенности Apache Spark
- Компоненты Apache Spark экосистемы
- Введение в RDD — Resilient Distributed Dataset
- Что такое RDD
- Особенности использования RDD, RDD lineage
- Трансформация в Spark RDD
- Lazy evaluation и отказоустойчивость в Spark
- Использование Persistence RDD в памяти и на диске
- Использование key-value пар (ReduceByKey,CountByKey,SortByKey,AggregateByKey)
- Интеграция Hadoop с SparkВыполнение базовых операций с Cloudera Manager.
- Запуск задач в Apache Spark
- Знакомство с Spark-shell
- Выполнение задач в Apache Spark
- Написание программ в Apache Spark
- Чтение данных с локальной файловой системы и HDFS
- Зависимости(Dependencies)
- Кэширование данных в Apache Spark
- Отказоустойчивость (Fault Tolerance)Хранение файлов в HDFS: сжатие, sequence файлы. Формат AVRO, RCfile, ORC, Parquet.
- SparkSQL, DataFrames, DataSet
- Альтернатива RDDs
- Сравнение DataFrame, DataSet и SQL API
- Введение в SparkSQL, пользовательские функции в Spark SQL
- Использование DataFrames и DataSet, DataSets вместо RDD
- Простые запросы, фильтрация и аггрегация DataFrames
- Объединение (JOIN) DataFrames
- Интеграция Hive и Spark: Hive запросы в Spark, создание Hive контекста, запись Dataframe в HiveАрхитектура Apache Spark.
- Управление ресурсами в кластере Apache Spark
- Архитектура Apache Spark
- Особенности управления ресурсами в автономном режиме кластера (Standalone)
- Особенности управления ресурсами в режиме Hadoop кластера с YARN
- Динамическое распределение ресурсов Dynamic Resource Allocation
- Оптимизация Apache Spark: использование разделов (partition hash,range,map, static), управление расписанием (dynamic, fair scheduler), использование переменных (shared, broadcast) и аккумуляторов (accumulators)
- Использование Catalyst Optimizer для оптимизации исполнения запросов
- Project Tungsten — Оптимизация управления памятью и кэшом CPUИмпорт и обработка данных в кластере Hadoop
- Машинное обучение(Machine Learning) в Apache Spark
- Введение в Machine Learning с использованием MLLib
- Алгоритм линейной регрессии (Linear Regression)
- Деревья решений (Decision Trees)
- Случайные леса (Random Forest)
- Использование DataFrames с MLLib Введение в Hive: структура Hive таблиц, синтаксис HiveQL, формат хранения файлов, работа с внешними и внутренними таблицами Hive
- Потоковая обработка (Streaming) в Apache Spark
- Потоковая обработка данных для аналитики больших данных
- Особенности реализации потоковой обработки данных в Apache Spark
- Основные концепции потоковой обработки
- Аггрегированные и не аггрегированные запросы
- Обработка событий Event Time, Window и Late Events (скользящее окно событий)
- Поддержка последних событий (Late Events) в потоковой обработке данных в Apache Spark
- Режимы работы Apache Spark с потоковыми данными
- Введение в GraphX
- GraphX и Pregel
- Поиск в ширину (Breadth-First-Search) с использование GraphX
Cписок практических занятий:
Скачать программу курса «Администрирование кластера Apache Spark» в формате pdf
