دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای (2017)
1 ساعت 38 دقیقهپیشرفته2017-10-31
مدرسین

Kumaran Ponnambalam
Working with data for 20+ years
جزئیات دوره
حالت دسته ای، عملیات مربوط به داده ها را به منظور کاهش بار روی شبکه ها یکپارچه می کند. حالت دستهای به معماران نرمافزار کمک میکند تا برنامههای کلان داده بسازند که تحت شرایط دنیای واقعی به آرامی و کارآمد عمل کنند. در این دوره آموزشی، میتوانید با موارد استفاده و بهترین روشها برای معماری برنامههای حالت دستهای با استفاده از فناوریهایی مانند Hive و Apache Spark آشنا شوید.
هیچ کدنویسی در کار نیست. در عوض خواهید دید که چگونه ابزارهای کلان داده می توانند به حل برخی از پیچیده ترین چالش ها برای کسب و کارهایی که حجم زیادی از داده ها را تولید، ذخیره و تجزیه و تحلیل می کنند، کمک کند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و فناوری اطلاعات استخراج شده است. مربی کوماران پونامبالام نحوه تجزیه و تحلیل یک مسئله، ترسیم طرح کلی معماری، انتخاب فناوری های مناسب و نهایی کردن راه حل را نشان می دهد. پس از هر مورد استفاده، او بهترین شیوه های مرتبط را برای اکتساب داده، حمل و نقل، پردازش، ذخیره سازی و خدمات بررسی می کند. هر درس سرشار از تکنیک ها و بینش های عملی از توسعه دهنده ای است که مزایا و کاستی های این فناوری ها را از نزدیک تجربه کرده است.
اهداف یادگیری
اجزای یک برنامه داده بزرگ
استراتژی های توسعه برنامه داده های بزرگ
موارد استفاده: بایگانی گزارش های حسابرسی و انجام تجزیه و تحلیل مشتری
گزینه های فناوری
طراحی راه حل ها
بهترین شیوه ها
هیچ کدنویسی در کار نیست. در عوض خواهید دید که چگونه ابزارهای کلان داده می توانند به حل برخی از پیچیده ترین چالش ها برای کسب و کارهایی که حجم زیادی از داده ها را تولید، ذخیره و تجزیه و تحلیل می کنند، کمک کند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و فناوری اطلاعات استخراج شده است. مربی کوماران پونامبالام نحوه تجزیه و تحلیل یک مسئله، ترسیم طرح کلی معماری، انتخاب فناوری های مناسب و نهایی کردن راه حل را نشان می دهد. پس از هر مورد استفاده، او بهترین شیوه های مرتبط را برای اکتساب داده، حمل و نقل، پردازش، ذخیره سازی و خدمات بررسی می کند. هر درس سرشار از تکنیک ها و بینش های عملی از توسعه دهنده ای است که مزایا و کاستی های این فناوری ها را از نزدیک تجربه کرده است.
اهداف یادگیری
اجزای یک برنامه داده بزرگ
استراتژی های توسعه برنامه داده های بزرگ
موارد استفاده: بایگانی گزارش های حسابرسی و انجام تجزیه و تحلیل مشتری
گزینه های فناوری
طراحی راه حل ها
بهترین شیوه ها
مهارت ها
Data EngineeringData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and ToolsDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - خوش آمدید
- 02 - پلتفرمها در مقابل برنامه ها
- 03 - معماری نرمافزار در مقابل طراحی
- 04 - نکات مربوط به موارد استفاده
1. معرفی برنامههای کاربردی دادههای بزرگ
- 05 - ویژگیهای کلان داده
- 06 - برنامههای کاربردی سنتی در مقابل دادههای بزرگ
- 07 - ماژولهای کاربردی دادههای بزرگ
- 08 - فن آوری برای دادههای بزرگ
- 09 - استراتژی برای برنامههای دادههای بزرگ
2. استفاده از مورد 1 - انبار داده (DW)
- 10 - DW - مسئله را تجزیهوتحلیل کنید
- 11 - DW - راه حل را مشخص کنید
- 12 - DW - فن آوریها را در نظر بگیرید
- 13 - DW - طرح بندی معماری
- 14 - DW - طراحی عناصر کلیدی
- 15 - بهترین شیوهها - جمعآوری داده ها
3. استفاده از مورد 2 - انباشت گزارش (LA)
- 16 - LA - مشکل را تجزیهوتحلیل کنید
- 17 - LA - راه حل را مشخص کنید
- 18 - LA - فن آوریها را در نظر بگیرید
- 19 - LA - معماری را بچینید
- 20 - LA - عناصر کلیدی را طراحی کنید
- 21 - بهترین شیوهها - انتقال داده ها
4. از مورد 3 - تجزیهوتحلیل عملیات فناوری اطلاعات (OA) استفاده کنید
- 22 - OA - مشکل را تجزیهوتحلیل کنید
- 23 - OA - راه حل را مشخص کنید
- 24 - OA - فن آوریها را در نظر بگیرید
- 25 - OA - طرح بندی معماری
- 26 - OA - طراحی عناصر کلیدی
- 27 - بهترین شیوهها - پردازش داده ها
5. استفاده از مورد 4 - مشتری 360 (C360)
- 28 - C360 - مسئله را تجزیهوتحلیل کنید
- 29 - C360 - راه حل را مشخص کنید
- 30 - C360 - فن آوریها را در نظر بگیرید
- 31 - C360 - معماری را بچینید
- 32 - C360 - طراحی عناصر کلیدی
- 33 - بهترین شیوهها - ذخیرهسازی داده ها
6. از مورد 5 - تجزیهوتحلیل مشتری (CA) استفاده کنید
- 34 - CA - مشکل را تجزیهوتحلیل کنید
- 35 - CA - راه حل را مشخص کنید
- 36 - CA - فن آوریها را در نظر بگیرید
- 37 - CA - معماری را بچینید
- 38 - CA - طراحی عناصر کلیدی
- 39 - بهترین شیوهها - سرویس داده
نتیجه
- 40 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای
- دوره آموزشی پردازش پیشرفته دادهها: معماریهای دستهای، زمان واقعی و ابری برای هوش مصنوعی
- دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی برنامه های زمان واقعی
- دوره آموزشی مبانی تحول دیجیتال
- دوره آموزشی چرخه حیات توسعه نرمافزار (SDLC)
- دوره آموزشی آزور برای توسعه دهندگان: بهینه سازی با Azure Application Gateway
- دوره آموزشی مبانی محاسبات لبه (Edge): معماری برنامههای متصل به GDC برای لبه شبکه
- دوره آموزشی ساخت هوش مصنوعی با قابلیت یادآوری: معماری عاملهای سازمانی قابلاعتماد و آگاه به متن (Context-Aware)
مسیرهای مرتبط
- مسیر آموزشی ارتقا مهارت های خود به عنوان یک متخصص اسپارک آپاچی
- مسیر آموزشی تبدیل شدن به یک مهندس داده مسلط بر مفاهیم
- مسیر آموزشی تبدیل شدن به یک استاد مهندسی داده
- مسیر آموزشی کار با داده: گردآوری، پردازش و ذخیرهسازی داده برای هوش مصنوعی
- مسیر آموزشی برتری در سی شارپ: معماری راهحلهای با عملکرد بالا
- مسیر آموزشی شروع کار با PHP
- مسیر آموزشی آماده شدن برای گواهینامه Google Cloud Professional Machine Learning Engineer
- مسیر آموزشی ملزومات هوش مصنوعی برای طراحان تجربه کاربری