Ankara Merkezli Büyük Veri Eğitimleri

Bu eğitmen liderliğindeki, canlı eğitim programını tamamlayan katılımcılar, Big Data ve ilgili teknolojileri, metodolojileri ve araçları hakkında pratik ve gerçek dünya anlayışına sahip olacaklardır. Katılımcılar, bu bilgiyi uygulamalı egzersizler aracılığıyla uygulamaya koyma fırsatına sahip olacaklardır. Grup etkileşimi ve eğitmen geri bildirimi, dersin önemli bir parçasını oluşturmaktadır. Kurs, Big Data'nin temel kavramlarına bir girişle başlar, ardından Data Analysis gerçekleştirmek için kullanılan programlama dilleri ve metodolojilerine ilerler. Son olarak, Big Data depolama, Dağıtık İşleme ve Scalability'yi sağlayan araçları ve altyapıyı tartışırız.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), modern büyük veri uygulamalarının karmaşıklıklarını yönetebilecek sağlam bir veri gölü evi çözümü uygulamak, veri işleme iş akışlarını optimize etmek ve veri bütünlüğünü sağlamak isteyen ileri düzey veri profesyonellerine yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Iceberg’in mimarisi, meta veri yönetimi ve dosya düzeni dahil olmak üzere derinlemesine bir anlayış kazanmak.
• Iceberg’i çeşitli ortamlarda optimum performans için yapılandırmak ve çoklu veri işleme motorlarıyla entegre etmek.
• Büyük ölçekli Iceberg tablolarını yönetmek, karmaşık şema değişiklikleri yapmak ve bölüm evrimini ele almak.
• Büyük veri kümeleri için sorgu performansını ve veri tarama verimliliğini optimize etmek için tekniklerde ustalaşmak.
• Veri tutarlılığını sağlamak, işlem garantilerini yönetmek ve dağıtık ortamlarda hataları ele almak için mekanizmalar uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), büyük ölçekli veri kümelerini yönetmek, veri bütünlüğünü sağlamak ve veri işleme iş akışlarını optimize etmek için gerekli bilgi ve becerileri edinmek isteyen yeni başlayan seviyedeki veri profesyonellerine yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apache Iceberg'in mimarisi, özellikleri ve faydaları hakkında kapsamlı bir anlayış kazanmak.
• Tablo formatları, bölümlendirme, şema evrimi ve zaman yolculuğu yetenekleri hakkında bilgi edinmek.
• Apache Iceberg'i farklı ortamlarda kurmak ve yapılandırmak.
• Iceberg tablolarını oluşturmak, yönetmek ve manipüle etmek.
• Diğer tablo formatlarından Iceberg'e veri taşıma sürecini anlamak.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), kuruluşları içindeki veri geçişi için büyük veri kümelerini etkili bir şekilde yönetmek ve analiz etmek amacıyla veri mimarisi, yönetişim, bulut bilişim ve büyük veri teknolojilerindeki becerilerini geliştirmek isteyen orta düzeydeki BT profesyonellerine yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli veri mimarilerinin temel kavramlarını ve bileşenlerini anlayabilecektir.
• Veri yönetişim ilkelerini ve düzenleyici ortamlardaki önemini kapsamlı bir şekilde anlayabilecektir.
• Dama ve Togaf gibi veri yönetişim çerçevelerini uygulayabilecek ve yönetebilecektir.
• Verimli veri depolama, işleme ve yönetim için bulut platformlarından yararlanabilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), etkili veri analitiği çözümleri için Azure Data Lake Storage Gen2'yi kullanmayı öğrenmek isteyen orta düzeydeki veri mühendislerine yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Azure Data Lake Storage Gen2'nin mimarisini ve temel özelliklerini anlayabilecektir.
• Maliyet ve performans için veri depolama ve erişimini optimize edebilecektir.
• Azure Data Lake Storage Gen2'yi analitik ve veri işleme için diğer Azure hizmetleriyle entegre edebilecektir.
• Azure Data Lake Storage Gen2 API'sini kullanarak çözümler geliştirebilecektir.
• Yaygın sorunları giderebilecek ve depolama stratejilerini optimize edebilecektir.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), IBM DataStage'i hem yönetim hem de geliştirme açısından kapsamlı bir şekilde anlamak isteyen orta düzeydeki BT profesyonellerine yöneliktir. Bu eğitim, katılımcıların bu aracı kendi iş yerlerinde etkili bir şekilde yönetmelerini ve kullanmalarını sağlayacaktır. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• DataStage'in temel kavramlarını anlayabilecektir.
• DataStage ortamlarını etkili bir şekilde kurmayı, yapılandırmayı ve yönetmeyi öğrenebilecektir.
• Çeşitli veri kaynaklarına bağlanabilecek ve veritabanlarından, düz dosyalardan ve harici kaynaklardan verileri verimli bir şekilde çıkarabilecektir.
• Etkili veri yükleme teknikleri uygulayabilecektir.

Ankara'da (çevrimiçi veya yerel) gerçekleştirilen bu eğitmen yönetimi altında olan canlı eğitim, gerçek zamanlı veri ambarları oluşturmak ve büyük ölçekli veri kümelerinde çok boyutlu analiz yapmak isteyen orta düzeyde büyük veri uzmanlarına yönelik olmaktadır.Eğitim sonunda, katılımcılar şunları yapabileceklerdir:

• Gerçek zamanlı akış veri kaynaklarıyla Apache Kylin’ü kurma ve yapılandırma.
• Tamponlu ve akış verileri için OLAP küpleri tasarlamak ve oluşturma.
• Kylin'in SQL arayüzünü kullanarak alt saniye gecikmeli karmaşık sorgular gerçekleştirmek.
• Interaktif veri görselleştirmesi için Kylin'i BI araçlarıyla entegrasyon yapmak.
• Kylin'de performansı optimize etmek ve kaynakları etkili bir şekilde yönetmek.

Bu eğitmen liderliğindeki, canlı eğitim programını tamamlayan katılımcılar, Big Data ve ilgili teknolojileri, metodolojileri ve araçları hakkında pratik ve gerçek dünya anlayışına sahip olacaklardır. Katılımcılar, bu bilgiyi uygulamalı egzersizler aracılığıyla uygulamaya koyma fırsatına sahip olacaklardır. Grup etkileşimi ve eğitmen geri bildirimi, dersin önemli bir parçasını oluşturmaktadır. Kurs, Big Data'ün temel kavramlarına bir girişle başlar, ardından Data Analysis gerçekleştirmek için kullanılan programlama dilleri ve metodolojilerine ilerler. Son olarak, Big Data depolama, Dağıtık İşleme ve Scalability'yi sağlayan araçları ve altyapıyı tartışırız.

Bu eğitmen liderliğindeki, canlı eğitimde Ankara, katılımcılar büyük verileri analiz etmek için Python ve Spark'ı birlikte nasıl kullanacaklarını uygulamalı egzersizler yaparak öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Python ile Spark'ı kullanarak Big Data analiz etmeyi öğreneceklerdir.
• Gerçek dünya senaryolarını taklit eden egzersizler üzerinde çalışacaklardır.
• PySpark kullanarak büyük veri analizi için farklı araç ve teknikleri kullanacaklardır.

Bu kurs, Hive SQL dilinin (aynı zamanda: Hive HQL, SQL üzerinde Hive, HiveQL) Hive'den veri çıkaran kişiler için nasıl kullanılacağını kapsamaktadır.

This instructor-led, live training in Ankara (online or onsite) is aimed at intermediate-level database administrators, developers, and analysts who wish to master advanced SQL functionalities for complex data operations and database management. By the end of this training, participants will be able to:

• Perform advanced querying techniques using unions, subqueries, and complex joins.
• Add, update, and delete data, tables, views, and indexes with precision.
• Ensure data integrity through transactions and manipulate database structures.
• Create and manage databases efficiently for robust data storage and retrieval.

Dremio, farklı veri kaynaklarını sorgulamayı hızlandıran açık kaynaklı bir "self-servis veri platformudur". Dremio, ilişkisel veritabanları, Apache Hadoop, MongoDB, Amazon S3, ElasticSearch ve diğer veri kaynaklarıyla entegre olur. SQL'yi destekler ve sorguları oluşturmak için bir web arayüzü sağlar. Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, Dremio'u veri analiz araçları ve temel veri depoları için birleştirici bir katman olarak nasıl kuracaklarını, yapılandıracaklarını ve kullanacaklarını öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Dremio'u kurmak ve yapılandırmak
• Konum, boyut veya yapıdan bağımsız olarak birden çok veri kaynağına sorgular çalıştırmak
• Dremio'u Tableau ve Elasticsearch gibi BI ve veri kaynaklarıyla entegre etmek

Hedef Kitle

• Veri bilimcileri
• Business analistleri
• Veri mühendisleri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, alıştırmalar ve yoğun uygulamalı çalışma

Notlar

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek ayarlama yapınız.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), becerilerini Oracle SQL geliştirme ve yönetimi alanında geliştirmek isteyen orta seviyedeki veritabanı profesyonellerine yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Karmaşık SQL sorgularını oluşturma ve optimize etme.
• Oracle SQL araçlarını kullanarak veritabanlarını verimli bir şekilde yönetme.
• Veritabanı geliştirme ve bakımında en iyi uygulamaları uygulama.
• Oracle ortamında kullanıcı erişimini ve veritabanı güvenliğini yönetme.

Apache Accumulo, sağlam, ölçeklenebilir veri depolama ve erişim sağlayan sıralı, dağıtılmış bir anahtar/değer deposudur. Google'ün BigTable tasarımına dayanır ve Apache Hadoop, Apache Zookeeper ve Apache Thrift tarafından desteklenmektedir. Bu eğitmen liderliğindeki, canlı kurs, Accumulo'nun arkasındaki çalışma prensiplerini kapsar ve katılımcıları Apache Accumulo üzerinde örnek bir uygulama geliştirmeye yönlendirir. Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, uygulamalı geliştirme ve uygulama, anlayışı ölçmek için ara sıra testler

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), Teradata veritabanının daha gelişmiş kullanımlarını öğrenmek isteyen uygulama geliştiricileri ve mühendisler hedeflenmektedir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Teradata alanını yönetmek.
• Teradata içinde verileri korumak ve dağıtmak.
• Explain Plan'ı okumak.
• SQL yeterliliğini geliştirmek.
• Teradata'nin ana araçlarını kullanmak.

Bu kurs, uygulamalarında yapay zekayı anlamak ve uygulamak isteyen geliştiricilere ve veri bilimcilerine yöneliktir. Özellikle veri analizi, dağıtık yapay zeka ve doğal dil işleme konularına odaklanmaktadır.

Amazon Redshift, AWS'deki petabayt ölçeğinde, bulut tabanlı bir veri ambarı hizmetidir. Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar Amazon Redshift'in temellerini öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Amazon Redshift'i kurmak ve yapılandırmak
• Amazon Redshift ile verileri yüklemek, yapılandırmak, dağıtmak, sorgulamak ve görselleştirmek

Hedef Kitle

• Geliştiriciler
• BT Profesyonelleri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek düzenleme yapabilirsiniz.

Apache ActiveMQ, Java ile yazılmış açık kaynaklı bir mesaj aracısıdır.

Teknolojideki gelişmeler ve artan bilgi miktarı, hükümet de dahil olmak üzere birçok sektörde iş yapış şeklini dönüştürmektedir. Mobil cihazlar ve uygulamalar, akıllı sensörler ve cihazlar, bulut bilişim çözümleri ve vatandaş odaklı portallar nedeniyle hükümet veri üretimi ve dijital arşivleme oranları artmaktadır. Dijital bilgi genişledikçe ve karmaşıklaştıkça, bilgi yönetimi, işlenmesi, depolanması, güvenliği ve imhası da karmaşıklaşmaktadır. Yeni yakalama, arama, keşif ve analiz araçları, kuruluşların yapılandırılmamış verilerinden içgörü elde etmelerine yardımcı olmaktadır. Hükümet pazarı, bilginin stratejik bir varlık olduğunun farkına varmakta ve hükümetin görev gereksinimlerini daha iyi karşılamak ve yerine getirmek için hem yapılandırılmış hem de yapılandırılmamış bilgileri koruması, kullanması ve analiz etmesi gerekmektedir. Hükümet liderleri, görevlerini başarıyla tamamlamak için veri odaklı kuruluşlara dönüşmeye çalışırken, olaylar, insanlar, süreçler ve bilgiler arasındaki bağımlılıkları ilişkilendirmek için zemin hazırlamaktadır. Yüksek değerli hükümet çözümleri, en yıkıcı teknolojilerin bir karışımından oluşturulacaktır:

• Mobil cihazlar ve uygulamalar
• Bulut hizmetleri
• Sosyal iş teknolojileri ve ağ oluşturma
• Big Data ve analitik

IDC, 2020 yılına kadar BT endüstrisinin 5 trilyon dolara ulaşacağını, yani günümüzden yaklaşık 1,7 trilyon dolar daha fazla olacağını ve endüstrinin büyümesinin %80'inin bu 3. Platform teknolojileri tarafından yönlendirileceğini tahmin etmektedir. Uzun vadede, bu teknolojiler artan dijital bilginin karmaşıklığıyla başa çıkmak için temel araçlar olacaktır. Big Data, akıllı endüstri çözümlerinden biridir ve hükümetin büyük miktarda veriyi analiz ederek ortaya çıkan kalıplara dayanarak harekete geçerek daha iyi kararlar almasını sağlar — ilişkili ve ilişkisiz, yapılandırılmış ve yapılandırılmamış. Ancak bu başarıları elde etmek, sadece büyük miktarda veri biriktirmekten çok daha fazlasını gerektirir. Beyaz Saray Bilim ve Teknoloji Politikası Ofisi'nden Tom Kalil ve Fen Zhao, OSTP Blog'daki bir gönderide, “Bu Big Data hacminin anlamlandırılması, geniş ve çeşitli bilgi akışlarından analiz edip faydalı bilgi çıkarabilecek son teknoloji araçlar ve teknolojiler gerektirir” diye yazdı. Beyaz Saray, ajansların bu teknolojileri bulmasına yardımcı olmak için 2012 yılında Ulusal Big Data Araştırma ve Geliştirme Girişimi'ni başlattı. Girişim, Big Data'nin patlamasından ve onu analiz etmek için gereken araçlardan en iyi şekilde yararlanmak için 200 milyon dolardan fazla içeriyordu. Big Data'nin oluşturduğu zorluklar, vaat ettiği kadar caydırıcıdır. Verileri verimli bir şekilde depolamak bu zorluklardan biridir. Her zaman olduğu gibi, bütçeler dardır, bu nedenle ajanslar depolama başına megabayt fiyatını en aza indirmeli ve kullanıcıların istediklerinde ve ihtiyaç duydukları şekilde erişebilmeleri için verileri kolayca erişilebilir tutmalıdır. Büyük miktarda veriyi yedeklemek zorluğu artırır. Verileri etkili bir şekilde analiz etmek bir diğer büyük zorluktur. Birçok ajans, dağlarca veriyi eleyerek ve onlara daha verimli çalışmalarına yardımcı olabilecek eğilimleri tespit etmelerini sağlayarak ticari araçlar kullanmaktadır. (MeriTalk tarafından yapılan son bir araştırmaya göre, federal BT yöneticileri Big Data'nin ajansların 500 milyar dolardan fazla tasarruf etmesine ve aynı zamanda görev hedeflerini yerine getirmesine yardımcı olabileceğine inanıyor.). Özel olarak geliştirilen Big Data araçları da ajansların verilerini analiz etme ihtiyacını karşılamasına olanak tanıyor. Örneğin, Oak Ridge Ulusal Laboratuvarı'nın Hesaplamalı Veri Analitiği Grubu, Piranha veri analitiği sistemini diğer ajansların kullanımına sundu. Sistem, tıbbi araştırmacıların aort anevrizmalarına karşı doktorları uyarabilecek bir bağlantı bulmasına yardımcı oldu. Ayrıca, özgeçmişleri eleyerek iş adaylarını işe alım yöneticileriyle eşleştirmek gibi daha basit görevler için de kullanılmaktadır.

Apache Beam, paralel veri işleme hatlarını tanımlamak ve yürütmek için birleşik bir programlama modelidir. Gücü, hem toplu hem de akış hatlarını çalıştırabilme yeteneğinde yatar; yürütme, Beam'in desteklediği dağıtılmış işleme arka uçlarından biri tarafından gerçekleştirilir: Apache Apex, Apache Flink, Apache Spark ve Google Cloud Dataflow. Apache Beam, verileri farklı depolama ortamları ve veri kaynakları arasında taşımak, verileri daha arzu edilen bir formata dönüştürmek ve verileri yeni bir sisteme yüklemek gibi ETL (Çıkar, Dönüştür ve Yükle) görevleri için kullanışlıdır. Bu eğitmen liderliğindeki, canlı eğitimde (yerinde veya uzaktan), katılımcılar, büyük bir veri kümesini bağımsız, paralel işleme için daha küçük parçalara ayıracak bir veri işleme hattı tanımlayan bir Java veya Python uygulamasında Apache Beam SDK'larını nasıl uygulayacaklarını öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apache Beam'ü kurmak ve yapılandırmak.
• Tek bir programlama modeli kullanarak Java veya Python uygulamaları içinden hem toplu hem de akış işleme gerçekleştirmek.
• Hattı birden fazla ortamda yürütmek.

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu kurs gelecekte Scala olarak sunulacaktır. Lütfen düzenlemek için bizimle iletişime geçin.

This classroom based training session will explore Big Data. Delegates will have computer based examples and case study exercises to undertake with relevant big data tools

1. Gün - temel Big Data konu alanlarına genel bir bakış sunar. Modül, her biri uygulamalı bir egzersizle desteklenen bir dizi bölümden oluşur. 2. Gün - Big Data ortamları için analiz uygulamaları ve araçlarıyla ilgili bir dizi konuyu araştırır. Uygulama veya programlama detaylarına girmez, bunun yerine kapsamı kavramsal düzeyde tutar ve katılımcıların Big Data çözümleri tarafından sunulan yaygın analiz fonksiyonlarını ve özelliklerini kapsamlı bir şekilde anlamalarını sağlayan konulara odaklanır. 3. Gün - Big Data çözüm platformu mimarisi ile ilgili temel ve önemli konu alanlarına genel bir bakış sunar. Bir Big Data çözüm platformunun geliştirilmesi için gerekli Big Data mekanizmalarını ve bir veri işleme platformu oluşturmak için mimari seçenekleri kapsar. Yaygın senaryolar da bir Big Data çözüm platformunun genel olarak nasıl kullanıldığına dair temel bir anlayış sağlamak için sunulmaktadır. 4. Gün - 3. Günde ele alınan konuları temel alarak Big Data çözüm platformu mimarisi ile ilgili ileri düzey konuları araştırır. Özellikle, veri kaynakları, veri girişi, veri depolama, veri işleme ve güvenlik dahil olmak üzere Big Data çözüm platformunu oluşturan farklı mimari katmanlar tanıtılır ve tartışılır. 5. Gün - katılımcıların 3. ve 4. Günlerde ele alınan konularla ilgili bilgilerini uygulama becerilerini test etmek için tasarlanmış bir dizi egzersiz ve problem içerir.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar Big Data teknolojilerine yaklaşım için gereken zihniyeti öğrenecek, mevcut süreçler ve politikalar üzerindeki etkilerini değerlendirecek ve bu teknolojileri suç faaliyetlerini tespit etmek ve suçu önlemek amacıyla uygulayacaklar. Dünya çapındaki kolluk kuvvetleri örgütlerinden vaka çalışmaları incelenerek, benimseme yaklaşımları, karşılaştıkları zorluklar ve elde edilen sonuçlar hakkında içgörüler kazanılacak.Bu eğitimin sonunda katılımcılar şunları yapabilecekler:

• Bir soruşturma sırasında hikayeyi bir araya getirmek için Big Data teknolojisini geleneksel veri toplama süreçleriyle birleştirmek.
• Veri analizi için endüstriyel büyük veri depolama ve işleme çözümlerini uygulamak.
• Suç soruşturmasında veriye dayalı bir yaklaşımı etkinleştirmek için en uygun araçlar ve süreçlerin benimsenmesi için bir öneri hazırlamak.

Big Data, büyük veri kümelerini depolamak ve işlemek için tasarlanmış çözümleri ifade eden bir terimdir. Başlangıçta Google tarafından geliştirilen bu Big Data çözümleri, zamanla gelişmiş ve birçok açık kaynaklı benzer projeye ilham vermiştir. R, finans sektöründe popüler bir programlama dilidir.

Geleneksel depolama teknolojileri, depolamanız gereken veri miktarını karşılayamadığında yüzlerce alternatif bulunmaktadır. Bu kurs, katılımcılara Big Data verileri depolamak ve analiz etmek için hangi alternatiflerin mevcut olduğunu ve bunların avantaj ve dezavantajlarını anlatmayı amaçlamaktadır. Bu kurs, ağırlıklı olarak çözüm tartışmalarına ve sunumlarına odaklanmaktadır, ancak talep üzerine uygulamalı egzersizler de mevcuttur.

Bu kurs, Veri Bilimcisi beceri setinin bir parçasıdır (Alan: Veri ve Teknoloji).

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), uygulamaları için gerçek zamanlı veri işleme platformu oluşturmak ve yönetmek için Confluent'i (Kafka'nın bir dağıtımı) kullanmak isteyen mühendislere yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Confluent Platform'u kurmak ve yapılandırmak.
• Kafka'yı daha kolay çalıştırmak için Confluent'in yönetim araçlarını ve hizmetlerini kullanmak.
• Gelen akış verilerini depolamak ve işlemek.
• Kafka kümelerini optimize etmek ve yönetmek.
• Veri akışlarını güvence altına almak.

Kurs Formatı

• Etkileşimli ders ve tartışma.
• Çok sayıda alıştırma ve uygulama.
• Canlı laboratuvar ortamında uygulamalı uygulama.

Kurs Özelleştirme Seçenekleri

• Bu kurs, Confluent'in açık kaynak sürümüne dayanmaktadır: Confluent Open Source.
• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin.

Hedef Kitle Elinizdeki verilere anlam vermeye çalışıyorsanız veya internette (Twitter, LinkedIn vb.) bulunan yapılandırılmamış verileri analiz etmek istiyorsanız, bu kurs tam size göre. Esas olarak karar vericiler ve hangi verilerin toplanmaya ve analiz edilmeye değer olduğuna karar vermesi gereken kişiler hedeflenmektedir. Çözümü yapılandıran kişiler hedeflenmese de, bu kişiler de genel bakış açısından faydalanacaktır. Sunum Şekli Kurs boyunca katılımcılara ağırlıklı olarak açık kaynak teknolojilerinin çalışan örnekleri sunulacaktır. Kısa derslerin ardından katılımcılar tarafından sunumlar ve basit egzersizler yapılacaktır. İçerik ve Kullanılan Yazılımlar Kullanılan tüm yazılımlar, her kurs çalıştırmasında güncellenir, böylece mümkün olan en yeni sürümler kontrol edilir. Veri elde etme, biçimlendirme, işleme ve analiz sürecinden, makine öğrenimi ile karar alma sürecini nasıl otomatikleştirileceğine kadar her şey kapsanır.

Bu Ankara konumunda gerçekleştirilen, eğitmen liderliğindeki canlı eğitimde katılımcılar Data Vault oluşturmayı öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Data Vault 2.0'ın mimarisini ve tasarım kavramlarını, Big Data, NoSQL ve Yapay Zeka ile etkileşimini anlayabileceklerdir.
• Veri ambarında geçmiş verilere denetim, izleme ve inceleme olanağı sağlamak için veri kasası tekniklerini kullanabileceklerdir.
• Tutarlı ve tekrarlanabilir bir ETL (Veri Çıkarma, Dönüştürme, Yükleme) süreci geliştirebileceklerdir.
• Yüksek ölçeklenebilir ve tekrarlanabilir veri ambarları oluşturup dağıtabileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), verileri sanallaştırma yoluyla veri yönetimini optimize etmek ve hızlandırmak için Denodo Platformunu kullanmak isteyen mimarlar, geliştiriciler ve yöneticiler hedeflenmektedir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Denodo Platformunu kurmak ve yapılandırmak.
• Denodo Platformunun özelliklerini ve mimarisini anlamak.
• Veri sanallaştırmanın temel kavramlarını, faydalarını ve kullanım senaryolarını anlamak.
• Denodo Platformu sunucusunu nasıl yapılandıracağınızı ve yöneteceğinizi öğrenmek.
• Veri güvenliği, kullanıcı erişimi ve hizmet kimlik doğrulamasını uygulamak.
• Operasyon izleme ve performans optimizasyonu için araçları ve teknikleri uygulamak.

Apache Druid, Java ile yazılmış, açık kaynaklı, sütun odaklı, dağıtılmış bir veri deposudur. Bu sistem, büyük miktarda olay verisini hızlı bir şekilde almak ve bu veriler üzerinde düşük gecikmeli OLAP sorguları yürütmek için tasarlanmıştır. Druid, genellikle iş zekası uygulamalarında yüksek hacimli gerçek zamanlı ve geçmiş verileri analiz etmek için kullanılır. Ayrıca, son kullanıcılar için hızlı, etkileşimli analitik panellerini desteklemek için de uygundur. Druid, Alibaba, Airbnb, Cisco, eBay, Netflix, Paypal ve Yahoo gibi şirketler tarafından kullanılmaktadır. Bu eğitmen liderliğindeki, canlı eğitimde, veri ambarı çözümlerinin bazı sınırlamalarını keşfediyor ve Druid'in bu teknolojileri tamamlayarak esnek ve ölçeklenebilir bir akış analizi yığını oluşturabileceğini tartışıyoruz. Birçok örnek üzerinden ilerliyor ve katılımcılara laboratuvar ortamında Druid tabanlı çözümleri uygulamaları ve test etmeleri için fırsat sunuyoruz. Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, yoğun uygulamalı çalışma, anlayışı ölçmek için ara sıra testler

Büyük veri, geleneksel veri işleme uygulama yazılımlarının yetersiz kaldığı kadar hacimli ve karmaşık veri kümeleridir. Büyük veri zorlukları arasında veri yakalama, veri depolama, veri analizi, arama, paylaşım, aktarım, görselleştirme, sorgulama, güncelleme ve bilgi gizliliği yer alır.

Bu eğitmen liderliğindeki, canlı eğitimde Ankara (çevrimiçi veya yerinde), dağıtılmış akış ve toplu veri işleme prensipleri ve yaklaşımları tanıtılır ve katılımcılar Apache Flink içinde gerçek zamanlı, veri akışı uygulaması oluşturma konusunda yönlendirilir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri analizi uygulamaları geliştirmek için bir ortam kurmak.
• Apache Flink'nin grafik işleme kütüphanesi (Gelly) nasıl çalıştığını anlamak.
• Hata toleranslı, Flink tabanlı, veri akışı uygulamalarını paketlemek, çalıştırmak ve izlemek.
• Çeşitli iş yüklerini yönetmek.
• Gelişmiş analizler yapmak.
• Çok düğümlü bir Flink kümesi kurmak.
• Performansı ölçmek ve optimize etmek.
• Flink'i farklı Big Data sistemleriyle entegre etmek.
• Flink yeteneklerini diğer büyük veri işleme çerçevelerinin yetenekleriyle karşılaştırmak.

Bu eğitmen liderliğindeki canlı eğitimde, katılımcılar grafik verileri işleme teknolojilerini ve uygulama yaklaşımlarını Ankara bölgesinde öğreneceklerdir. Amaç, gerçek dünyadaki nesneleri, özelliklerini ve ilişkilerini belirlemek, ardından bu ilişkileri modellemek ve Graph Computing (aynı zamanda Grafik Analitiği olarak da bilinir) yaklaşımını kullanarak bunları veri olarak işlemektir. Geniş bir genel bakışla başlayıp bir dizi vaka çalışması, uygulamalı alıştırma ve canlı dağıtım aracılığıyla belirli araçlara odaklanacağız. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Grafik verilerin nasıl kalıcı hale getirildiğini ve gezildiğini anlayabilmek.
• Belirli bir görev için en iyi çerçeveyi seçebilmek (grafik veritabanlarından toplu işleme çerçevelerine kadar).
• Hadoop, Spark, GraphX ve Pregel'i birçok makinede paralel olarak grafik hesaplaması yapmak için uygulayabilmek.
• Gerçek dünya büyük veri sorunlarını grafikler, süreçler ve geçişler açısından görebilmek.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), iş zekası ve veri ambarı çözümleri için Greenplum Database kurmak isteyen yöneticilere yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Greenplum ile işleme ihtiyaçlarını karşılayabilecektir.
• Veri işleme için ETL işlemleri gerçekleştirebilecektir.
• Mevcut sorgu işleme altyapılarından yararlanabilecektir.

Bu eğitmen liderliğindeki, canlı eğitimde Ankara (çevrimiçi veya yerinde) Hortonworks Data Platform (HDP) tanıtılacak ve katılımcılar Spark + Hadoop çözümünün dağıtımı konusunda yönlendirilecektir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Hortonworks'ü kullanarak Hadoop'u büyük ölçekte güvenilir bir şekilde çalıştırmak.
• Hadoop'un güvenlik, yönetişim ve operasyon yeteneklerini Spark'ın çevik analitik iş akışlarıyla birleştirmek.
• Hortonworks'ü kullanarak bir Spark projesindeki her bir bileşeni araştırmak, doğrulamak, onaylamak ve desteklemek.
• Yapılandırılmış, yapılandırılmamış, hareket halindeki ve hareketsiz veriler dahil olmak üzere farklı veri türlerini işlemek.

Cloudera Impala is an open source massively parallel processing (MPP) SQL query engine for Apache Hadoop clusters. Impala enables users to issue low-latency SQL queries to data stored in Hadoop Distributed File System and Apache Hbase without requiring data movement or transformation. Audience This course is aimed at analysts and data scientists performing analysis on data stored in Hadoop via Business Intelligence or SQL tools. After this course delegates will be able to

• Extract meaningful information from Hadoop clusters with Impala.
• Write specific programs to facilitate Business Intelligence in Impala SQL Dialect.
• Troubleshoot Impala.

Bu eğitmen liderliğindeki, canlı eğitimde (Ankara yerinde veya uzaktan), katılımcılar farklı Stream Processing çerçevelerini mevcut büyük veri depolama sistemleri ve ilgili yazılım uygulamaları ve mikro hizmetlerle nasıl kuracaklarını ve entegre edeceklerini öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Farklı Stream Processing çerçevelerini, örneğin Spark Streaming ve Kafka Streaming'i kurmak ve yapılandırmak.
• İş için en uygun çerçeveyi anlamak ve seçmek.
• Veriyi sürekli, eşzamanlı ve kayıt bazında işlemek.
• Stream Processing çözümlerini mevcut veritabanları, veri ambarları, veri gölleri vb. ile entegre etmek.
• En uygun akış işleme kütüphanesini kurumsal uygulamalar ve mikro hizmetlerle entegre etmek.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), veri mühendisleri, veri bilimcileri ve Python ile veri akışında Apache Kafka özelliklerini kullanmak isteyen programcılar için tasarlanmıştır. Bu eğitimin sonunda katılımcılar, Python programlamayı kullanarak sürekli veri akışlarındaki koşulları izlemek ve yönetmek için Apache Kafka'ü kullanabilecektir.

Kafka Streams, bir Kafka mesajlaşma sistemine veri aktaran ve bu sistemden veri alan uygulamalar ve mikro hizmetler oluşturmak için kullanılan bir istemci tarafı kütüphanesidir. Geleneksel olarak, Apache Kafka, mesaj üreticileri ve tüketicileri arasında verileri işlemek için Apache Spark veya Apache Storm'a güveniyordu. Bir uygulamadan Kafka Streams API'si çağrılarak, veriler doğrudan Kafka içinde işlenebilir ve verileri ayrı bir kümeye gönderme ihtiyacı ortadan kalkar. Bu eğitmen liderliğindeki, canlı eğitimde katılımcılar, akış işleme için Apache Kafka'e veri aktaran ve bu sistemden veri alan bir dizi örnek Java uygulamasına Kafka Streams'i nasıl entegre edeceklerini öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kafka Streams özelliklerini ve diğer akış işleme çerçevelerine göre avantajlarını anlayabilmek
• Veri akışını doğrudan bir Kafka kümesi içinde işleyebilmek
• Kafka ve Kafka Streams ile entegre olan bir Java veya Scala uygulaması veya mikro hizmeti yazabilmek
• Giriş Kafka konularını çıkış Kafka konularına dönüştüren özlü kod yazabilmek
• Uygulamayı oluşturmak, paketlemek ve dağıtmak

Hedef Kitle

• Geliştiriciler

KursunFormatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı pratik

Notlar

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçin

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), kod yazmadan Apache Kafka akış işlemeyi uygulamak isteyen geliştiricilere yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Confluent KSQL'i kurmak ve yapılandırmak.
• Yalnızca SQL komutlarını kullanarak bir akış işleme hattı kurmak (ne Java ne de Python kodlama).
• Veri filtreleme, dönüştürme, toplama, birleştirme, pencereleme ve oturumlaştırma işlemlerini tamamen SQL içinde gerçekleştirmek.
• Akış ETL ve gerçek zamanlı analiz için etkileşimli, sürekli sorgular tasarlamak ve dağıtmak.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), büyük verilerin kullanımını en üst düzeye çıkararak makine öğrenimi stratejisi uygulamayı öğrenmek isteyen teknik personele yöneliktir. Bu eğitimin sonunda katılımcılar:

• Makine öğreniminin evrimini ve eğilimlerini anlayacaklardır.
• Makine öğreniminin farklı sektörlerde nasıl kullanıldığını bileceklerdir.
• Bir organizasyon içinde makine öğrenimi uygulamak için mevcut araçlar, beceriler ve hizmetler hakkında bilgi sahibi olacaklardır.
• Makine öğreniminin veri madenciliğini ve analizini nasıl geliştirebileceğini anlayacaklardır.
• Veri orta arka ucunun ne olduğunu ve işletmeler tarafından nasıl kullanıldığını öğreneceklerdir.
• Büyük verilerin ve akıllı uygulamaların sektörler genelindeki rolünü anlayacaklardır.

Bu eğitmen liderliğindeki, canlı eğitimde (Ankara yerinde veya uzaktan), katılımcılar Apache NiFi'ü canlı bir laboratuvar ortamında nasıl dağıtacaklarını ve yöneteceklerini öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Apachi NiFi'yi kurun ve yapılandırın.
• Veritabanları ve büyük veri gölleri de dahil olmak üzere farklı, dağıtılmış veri kaynaklarından veri alın, dönüştürün ve yönetin.
• Veri akışlarını otomatikleştirin.
• Akış analitiğini etkinleştirin.
• Veri alımı için çeşitli yaklaşımlar uygulayın.
• Big Data ve verilerini iş içgörülerini dönüştürün.

Bu eğitmen liderliğindeki canlı eğitimde Ankara'da, katılımcılar Apache NiFi kullanarak bir dizi demo uzantısı, bileşen ve işlemci geliştirirken akış tabanlı programlamanın temellerini öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NiFi'nin mimarisini ve veri akışı kavramlarını anlayabilecektir.
• NiFi ve üçüncü taraf API'lerini kullanarak uzantılar geliştirebilecektir.
• Kendi Apache Nifi işlemcilerini özel olarak geliştirebilecektir.
• Çeşitli ve alışılmadık dosya formatlarından ve veri kaynaklarından gerçek zamanlı verileri alıp işleyebilecektir.

Apache SolrCloud, dağıtık bir ağ üzerinde dosya arama ve indeksleme işlemlerini kolaylaştıran dağıtık bir veri işleme motorudur. Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, Amazon AWS üzerinde bir SolrCloud örneğini nasıl kuracaklarını öğreneceklerdir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• SolCloud'un özelliklerini ve bunların geleneksel master-slave kümelerinden nasıl farklı olduğunu anlayabilmek
• SolCloud merkezi bir küme yapılandırabilmek
• Parçalarla iletişim kurma, parçalara belge ekleme vb. gibi süreçleri otomatikleştirebilmek
• SolrCloud ile birlikte Zookeeper'ı kullanarak süreçleri daha da otomatikleştirebilmek
• Hata raporlamasını yönetmek için arayüzü kullanabilmek
• SolrCloud kurulumunu yük dengeleme yapabilmek
• Sürekli işleme ve hata toleransı için SolrCloud'ü yapılandırabilmek

Hedef Kitle

• Solr Geliştiricileri
• Proje Yöneticileri
• Sistem Yöneticileri
• Arama Analistleri

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, alıştırmalar ve yoğun uygulamalı çalışma

Bu eğitmen liderliğindeki, canlı eğitim (online veya yerinde), gerçek zamanlı verileri işleme ve analiz etmede Spark Streaming özelliklerini kullanmak isteyen veri mühendisleri, veri bilimcileri ve programcılar için tasarlanmıştır. Bu eğitimin sonunda katılımcılar, veritabanlarında, dosya sistemlerinde ve canlı gösterge panolarında kullanılmak üzere canlı veri akışlarını işlemek için Spark Streaming'yi kullanabilecektir.

MLlib, Spark’ın makine öğrenimi (ML) kütüphanesidir. Amacı, pratik makine öğrenimini ölçeklenebilir ve kolay hale getirmektir. Sınıflandırma, regresyon, kümeleme, işbirlikçi filtreleme, boyut azaltma gibi yaygın öğrenme algoritmaları ve yardımcı programlarının yanı sıra daha düşük seviyeli optimizasyon öncülleri ve daha yüksek seviyeli pipeline API’lerinden oluşur. İki pakete ayrılır:

• spark.mllib, RDD’ler üzerine inşa edilmiş orijinal API’yi içerir.
• spark.ml, ML pipeline’ları oluşturmak için DataFrames üzerine inşa edilmiş daha yüksek seviyeli bir API sağlar.

Hedef Kitle Bu kurs, Apache Spark için yerleşik bir Makine Öğrenimi Kütüphanesini kullanmak isteyen mühendisler ve geliştiricilere yöneliktir.

Bu eğitmen liderliğindeki, canlı eğitim (Ankara çevrimiçi veya yerinde), Big Data verilerini okuma ve işleme sürecini basitleştirmek amacıyla Talend Open Studio'yu kullanmak isteyen teknik personele yöneliktir. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Talend Open Studio for Big Data'i kurmak ve yapılandırmak.
• Cloudera, HortonWorks, MapR, Amazon EMR ve Apache gibi Big Data sistemlerine bağlanmak.
• Open Studio'nun büyük veri bileşenlerini ve bağlayıcılarını anlamak ve kurmak.
• MapReduce kodunu otomatik olarak oluşturmak için parametreleri yapılandırmak.
• Hadoop işlerini çalıştırmak için Open Studio'nun sürükle-bırak arayüzünü kullanmak.
• Büyük veri işlem hatlarını prototiplemek.
• Büyük veri entegrasyon projelerini otomatikleştirmek.

Teradata, popüler İlişkisel Database Management Sistemlerinden biridir. Esas olarak büyük ölçekli veri ambarı uygulamaları oluşturmak için uygundur. Teradata bunu paralellik kavramıyla başarır. Bu kurs, katılımcılara Teradata'yi tanıtacaktır.

Bu eğitmen liderliğindeki canlı eğitim, etkileşimli veri analizinin temel kavramlarını sunar ve katılımcılara tek kullanıcılı veya çok kullanıcılı bir ortamda Zeppelin'in kurulumu ve kullanımı konusunda rehberlik eder. Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Zeppelin'i kurmak ve yapılandırmak
• Verileri tarayıcı tabanlı bir arayüzde geliştirmek, düzenlemek, yürütmek ve paylaşmak
• Komut satırına veya küme ayrıntılarına başvurmadan sonuçları görselleştirmek
• Uzun iş akışlarını yürütmek ve üzerinde işbirliği yapmak
• Örneğin Scala (ile Apache Spark), Python (ile Apache Spark), Spark SQL, JDBC, Markdown ve Shell gibi çok sayıda eklenti dil/veri işleme arka ucunu kullanmak.
• Zeppelin'i Spark, Flink ve Map Reduce ile entegre etmek
• Apache Shiro ile çok kullanıcılı Zeppelin örneklerini güvenceye almak

ZooKeeper, yapılandırma bilgilerini sürdürmek, adlandırma yapmak, dağıtılmış senkronizasyon sağlamak ve grup hizmetleri sunmak için merkezi bir hizmettir.