HDDE: Hadoop для инженеров данных

Практические курсы для инженеров данных по организации Data lake в Школе Больших данных в Москве
Ближайшая дата курса 2-6 декабря
  17-21 февраля 2020
   20-24 апреля 2020
Стоимость обучения    90.000 рублей

курсы обучения Hadoop и машинного обучения

5-дневный практический тренинг по настройке batch/streaming потоков данных средствами Apache FlumeKafka, sqoop, Hive, Spark для организации озера данных (Data Lake) на кластере Hadoop и процессов ETL/ELT 

Примечание: с 1 января 2019 года данный курс проводится в объединенном формате по дистрибутивам Hadoop версии 2  компаний Cloudera/HortonWorks/ArenaData на выбор для пользователей. Для корпоративного формата обучения возможна выделенная программа по одной версии дистрибутива Hadoop (уточняйте у менеджера).

Аудитория: Специалисты по работе с большими данными, ответственные за настройку и сопровождение ввода данных в Data Lake, а также желающие получить теоретические знания и практические навыки по подготовке больших данных, специфике использования процессов ETL/ELT в кластерах Hadoop, и организации pipelines в HadoopBatch, stream и realtime процессинга больших данных с использованием компонентов экосистемы Hadoop.

Предварительный уровень подготовки:

  • Начальный опыт работы в Unix
  • Начальный опыт работы с SQL

Продолжительность: 5 дней, 40 академических часа.

Данный курс  направлен на формирование практических и теоретических  навыков планирования, формирования и сопровождения Hadoop Data Lake (озеро данных). Рассматриваются примеры интеграции, настройки и обслуживания «pipelines» — традиционных источников поступления данных (корпоративные базы данных, web-логи, файловые системы, интернет данные, транзакции)  для последующего анализа больших данных. Практические занятия выполняются в  AWS и локальной кластерной системе с использованием дистрибутивов  Cloudera Hadoop,  HortonWorks Data Platform и ArenadataHadoop.

Соотношение теории к практике 40/60

Программа курса

  1. Основные концепции Hadoop и Data Lake

    • Основы Hadoop. Жизненный цикл аналитики больших данных. Хранение, накопление, подготовка и процессинг больших данных.  Тенденции развития Hadoop.
    • Организация хранения данных в Hadoop Data Lake 
    • Архитектура HDFS. Операции чтения и записи, назначения HDFS. Блоки HDFS. Основные команды работы с HDFS.
    • Ведение в MapReduce. Компоненты MapReduce. Работа программы MapReduce. Архитектура YARN. Способы обработки распределенных данных с использованием Apache Spark, YARN и MapReduce v2/v3.
    • Управление ресурсами и очередями задач. FIFO/Capacity/Fair scheduler.
  2. Инструменты управления кластером

    • Выполнение базовых операций с Cloudera Manager/Apache Ambari.
    • Настройка компонент Apache ZooKeeper.
    • Создание и управление запросами и данными с использованием сервиса Hue/ Ambari View.
  3. Хранение данных в HDFS

    • Хранение файлов в HDFS: сжатие, sequence файлы. Формат AVRO, ORC, Parquet.
    • Введение в Apache Pig: формат хранения данных, сложные и вложенные типы данных, синтаксис Pig Latin, оптимизация операций Join.
  4. Импорт/экспорт  данных в кластер Hadoop — формирование Data Lake

    • Импорт и обработка данных в кластере Hadoop
    • Интеграция с реляционными базами данных
    • Структура хранения данных в таблицах
    • Сравнительная характеристика решений Hadoop SQL
    • Введение в Sqoop: импорт и экспорт данных Sqoop, формат файлов, инкрементальный импорт
  5. Apache Hive

    • Введение в Hive: структура Hive таблиц, синтаксис HiveQL, формат хранения файлов,  работа с внешними и внутренними таблицами Hive, оптимизация Join операций. Операции импорта и экспорта данных и взаимодействия с внешними источниками. Настройка производительности
    • Hive LLAP, Hive on Spark/Tez
  6. Cloudera Impala

    • Введение в Cloudera Impala: архитектура и компоненты, Impala синтаксис, типы данных, написание запросов, загрузка данных, взаимодействие  Spark, Hive
    • Оптимизация Impala запросов
  7. Потоковые данные в Data Lake

    • Event Processing System. Импорт потоковых данных в кластер
    • Использование Kafka для работы с потоковыми данными
    • Использование Flume  для работы с потоковыми данными
    • Интеграция Flume + Kafka
    • Процессинг данных с использование Apache NiFi

Cписок практических занятий: 

  • Автоматическая установка 3-узлового кластера в облаке Amazon Web Services с использованием Cloudera Manager/HortonWorks и выполнение базовых операций с кластером Hadoop и HDFS (опционально)
  • Управление очередями ресурсами и запуском задач с использованием YARN .
  • Использование Apache Pig для подготовки данных, операции JOIN
  • Использование Apache Hive для анализа данных
  • Оптимизация запросов JOIN в Apache Hive
  • Настройка partition и bucket в Apache Hive
  • Инкрементальный импорт/экспорт данных с помощью Apache sqoop
  • SQL аналитика данных с помощью Cloudera Impala
  • Импорт данных с помощью Apache Flume
  • Построение Event Processing System с использованием Apache Flume и Kafka
  • Создание и управление запросами sqoop, MapReduce, Hive, Impala с использованием веб-интерфейса
  • Построение Dataflow с использованием Apache NiFi

курсы обучения Hadoop и машинного обучения

Скачать программу курса «Hadoop для инженеров данных» в формате pdf

 

Data Lake

Оптимизация запросов JOIN в Apache HIVE