AWS Cloud9 for Data Science Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde) bulut mühendisleri ve geliştiricilerin, AWS ekosistemi içindeki altyapı kaynaklarını yönetmek için CloudFormation'i kullanmalarını amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Altyapı yönetimini otomatikleştirmek için CloudFormation şablonlarını uygulayın.
• Mevcut AWS kaynaklarını CloudFormation ile entegre edin.
• Çoklu hesaplar ve bölgeler arasında yığınları yönetmek için StackSet'leri kullanın.

Bu, Data Science ve Artificial Intelligence (AI)'a 5 günlük bir giriş dersidir.

Ders, örnekler ve alıştırmalarla Python kullanılarak sunulmaktadır.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), paketleri ve veri analizi iş akışlarını tek bir platformda yakalamak, yönetmek ve dağıtmak için Anaconda ekosistemini kullanmak isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Anaconda bileşenlerini ve kütüphanelerini kurmak ve yapılandırmak.
• Anaconda'ün temel kavramlarını, özelliklerini ve faydalarını anlamak.
• Anaconda Navigator kullanarak paketleri, ortamları ve kanalları yönetmek.
• Veri bilimi ve makine öğrenimi için Conda, R ve Python paketlerini kullanmak.
• Çoklu veri ortamlarını yönetmek için bazı pratik kullanım durumlarını ve teknikleri öğrenmek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), web uygulamasına bir aDynamoDB NoSQL veritabanı entegre etmek isteyen geliştiricilere yöneliktir ve AWS üzerinde barındırılır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Verileri DynamoDB'ye entegre etmeye başlamak için gerekli geliştirme ortamını kurmak.
• DynamoDB'yi web ve mobil uygulamalara entegre etmek.
• AWS hizmetlerini kullanarak AWS'de verileri taşımak.
• AWS DAX ile işlemler uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (yerinde veya uzaktan) AWS üzerinde IoT cihazlarını dağıtmak ve yönetmek isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar, bir arka uç, ağ geçidi ve cihazların AWS üzerinde dağıtımını ve yönetimini içeren bir IoT platformu oluşturabileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çeşitli cihazlar için uygulamalar oluşturmak amacıyla AWS IoT Greengrass özelliklerini kurmak, yapılandırmak ve yönetmek isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar, AWS IoT Greengrass kullanarak akıllı cihazlarda uygulamalar oluşturabilecek, dağıtabilecek, yönetebilecek, güvenliğini sağlayabilecek ve izleyebileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim Türkiye (yerinde veya uzaktan) geliştiricilerin, yürütme ortamı (sunucular, VM'ler ve kapsayıcılar, kullanılabilirlik, ölçeklenebilirlik, depolama vb.) sağlamadan hizmetleri ve uygulamaları buluta oluşturmak ve dağıtmak için AWS Lambda'u kullanmayı amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Bir işlevi yürütmek için AWS Lambda'u yapılandırmak.
• FaaS (Hizmet Olarak İşlevler) ve sunucusuz geliştirmenin avantajlarını anlamak.
• AWS Lambda işlevlerini oluşturmak, yüklemek ve yürütmek.
• Lambda işlevlerini farklı olay kaynaklarıyla entegre etmek.
• Lambda tabanlı uygulamaları paketlemek, dağıtmak, izlemek ve sorun gidermek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), AWS altyapısını yönetme sürecini otomatikleştirmek için AWS CloudFormation'i kullanmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Altyapıyı yönetmeye başlamak için AWS hizmetlerini etkinleştirmek.
• "Altyapı olarak kod" ilkesini anlamak ve uygulamak.
• Altyapı dağıtımının kalitesini artırmak ve maliyetleri düşürmek.
• YAML kullanarak AWS CloudFormation Şablonları yazmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), DevOps uygulamalarını derinleştirmek ve AWS Cloud9 kullanarak geliştirme süreçlerini kolaylaştırmak isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AWS Cloud9'u DevOps iş akışları için kurmak ve yapılandırmak.
• Sürekli entegrasyon ve sürekli teslimat (CI/CD) hatları uygulamak.
• AWS Cloud9 kullanarak test, izleme ve dağıtım süreçlerini otomatikleştirmek.
• Lambda, EC2 ve S3 gibi AWS hizmetlerini DevOps iş akışlarına entegre etmek.
• GitHub veya GitLab gibi kaynak kontrol sistemlerini AWS Cloud9 içinde kullanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), AWS Cloud9 ve AWS Lambda üzerinde sunucusuz uygulamaları etkili bir şekilde oluşturmak, dağıtmak ve sürdürmek isteyen orta düzeydeki profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sunucusuz mimarinin temellerini anlayabilecektir.
• Sunucusuz uygulama geliştirme için AWS Cloud9'u kurabilecektir.
• AWS Lambda kullanarak sunucusuz uygulamalar geliştirebilecek, test edebilecek ve dağıtabilecektir.
• AWS Lambda'u API Gateway ve S3 gibi diğer AWS hizmetleriyle entegre edebilecektir.
• Sunucusuz uygulamaları performans ve maliyet verimliliği için optimize edebilecektir.

Summery:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Alerts and events
• Sensor calibration

Summary:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage using DynamoDB.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Hands on with Raspberry PI and AWS IoT Core to build a smart device.
• Sensor data visualization and communication with web interface.

Bu eğitmen liderliğindeki, canlı eğitim (online veya yerinde), Data Science kullanarak kariyerlerini geliştirmek isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Veri bilimi ve makine öğrenimi hakkında bilgi edinin.
• Veri analitiğini keşfedin.
• Kaggle hakkında bilgi edinin ve nasıl çalıştığını öğrenin.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), daha hızlı veri analizi için Pandas ile paralel hesaplamalar oluşturmak ve uygulamak isteyen veri bilimcileri ve geliştiricileri hedeflemektedir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Modin ile ölçeklenebilir Pandas iş akışlarını geliştirmek için gerekli ortamı kurmak.
• Modin'in özelliklerini, mimarisini ve avantajlarını anlamak.
• Modin, Dask ve Ray arasındaki farkları bilmek.
• Modin ile Pandas işlemlerini daha hızlı gerçekleştirmek.
• Tüm Pandas API'sini ve işlevlerini uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), RAPIDS kullanarak GPU hızlandırılmış veri işlem hatları, iş akışları ve görselleştirmeler oluşturmak isteyen veri bilimcileri ve geliştiricilere yöneliktir; XGBoost, cuML gibi makine öğrenimi algoritmalarını uygulayarak.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• NVIDIA RAPIDS ile veri modelleri oluşturmak için gerekli geliştirme ortamını kurmak.
• RAPIDS’nin özelliklerini, bileşenlerini ve avantajlarını anlamak.
• Uçtan uca veri ve analiz işlem hatlarını hızlandırmak için GPU’ları kullanmak.
• cuDF ve Apache Arrow ile GPU hızlandırılmış veri hazırlama ve ETL uygulamak.
• XGBoost ve cuML algoritmalarıyla makine öğrenimi görevlerini nasıl gerçekleştireceğini öğrenmek.
• cuXfilter ve cuGraph ile veri görselleştirmeleri oluşturmak ve grafik analizi yapmak.