Building Batch Data Analytics Solutions on AWSBBDASAWAmazon Web ServicesAW-BBDAS1.0<p>In diesem Kurs werden Sie lernen:</p>
<ul>
<li>Vergleichen Sie die Funktionen und Vorteile von Data Warehouses, Data Lakes und modernen Datenarchitekturen</li><li>Entwurf und Implementierung einer Lösung für die Batch-Datenanalyse</li><li>Identifizierung und Anwendung geeigneter Techniken, einschliesslich Komprimierung, zur Optimierung der Datenspeicherung</li><li>Auswahl und Einsatz geeigneter Optionen zur Aufnahme, Umwandlung und Speicherung von Daten</li><li>Auswahl der geeigneten Instanz- und Knotentypen, Cluster, der automatischen Skalierung und der Netzwerktopologie für einen bestimmten geschäftlichen Anwendungsfall</li><li>Verstehen, wie sich Datenspeicherung und -verarbeitung auf die Analyse- und Visualisierungsmechanismen auswirken, die für die Gewinnung verwertbarer Geschäftseinblicke erforderlich sind</li><li>Sichere Daten im Ruhezustand und bei der Übertragung</li><li>Überwachen von Analyse-Workloads, um Probleme zu erkennen und zu beheben</li><li>Anwendung bewährter Kostenmanagementverfahren</li></ul><p>Teilnehmer mit mindestens einem Jahr Erfahrung im Umgang mit Open-Source-Datenframeworks wie Apache Spark oder Apache Hadoop profitieren von diesem Kurs.</p><p>Dieser Kurs richtet sich an:</p>
<ul>
<li>Ingenieure für Datenplattformen</li><li>Architekten und Betreiber, die Datenanalyse-Pipelines aufbauen und verwalten</li></ul><h5>Modul A: Überblick über Datenanalyse und die Datenpipeline</h5><ul>
<li>Anwendungsfälle der Datenanalyse</li><li>Nutzung der Datenpipeline für Analysen</li></ul><h5>Modul 1: Einführung in Amazon EMR</h5><ul>
<li>Verwendung von Amazon EMR in Analyselösungen</li><li>Amazon EMR-Cluster-Architektur</li><li>Interaktive Demo 1: Starten eines Amazon EMR-Clusters</li><li>Strategien für das Kostenmanagement</li></ul><h5>Modul 2: Datenanalyse-Pipeline mit Amazon EMR: Ingestion und Speicherung</h5><ul>
<li>Speicheroptimierung mit Amazon EMR</li><li>Techniken für die Datenübernahme</li></ul><h5>Modul 3: Leistungsstarke Batch-Datenanalyse mit Apache Spark auf Amazon EMR</h5><ul>
<li>Apache Spark auf Amazon EMR Anwendungsfälle</li><li>Warum Apache Spark auf Amazon EMR</li><li>Spark-Konzepte</li><li>Interaktive Demo 2: Verbinden mit einem EMR-Cluster und Ausführen von Scala-Befehlen mit der Spark-Shell</li><li>Umwandlung, Verarbeitung und Analyse</li><li>Verwendung von Notebooks mit Amazon EMR</li><li>Praxisübung 1: Datenanalyse mit niedriger Latenz mit Apache Spark auf Amazon EMR</li></ul><h5>Modul 4: Verarbeitung und Analyse von Batch-Daten mit Amazon EMR und Apache Hive</h5><ul>
<li>Verwendung von Amazon EMR mit Hive zur Verarbeitung von Stapeldaten</li><li>Umwandlung, Verarbeitung und Analyse</li><li>Praxisübung 2: Batch-Datenverarbeitung mit Amazon EMR und Hive</li><li>Einführung in Apache HBase auf Amazon EMR</li></ul><h5>Modul 5: Serverlose Datenverarbeitung</h5><ul>
<li>Serverlose Datenverarbeitung, -umwandlung und -analyse</li><li>Verwendung von AWS Glue mit Amazon EMR-Arbeitslasten</li><li>Praxisübung 3: Orchestrierung der Datenverarbeitung in Spark mit AWS Step Functions</li></ul><h5>Modul 6: Sicherheit und Überwachung von Amazon EMR-Clustern</h5><ul>
<li>Sicherung von EMR-Clustern</li><li>Interaktive Demo 3: Client-seitige Verschlüsselung mit EMRFS</li><li>Überwachung und Fehlerbehebung von Amazon EMR-Clustern</li><li>Demo: Überprüfung der Apache Spark-Cluster-Historie</li></ul><h5>Modul 7: Entwurf von Batch Data Analytics-Lösungen</h5><ul>
<li>Anwendungsfälle der Batch-Datenanalyse</li><li>Tätigkeit: Entwurf eines Arbeitsablaufs für die Batch-Datenanalyse</li></ul><h5>Modul B: Entwicklung von modernen Datenarchitekturen auf AWS</h5><ul>
<li>Moderne Datenarchitekturen</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/amazon-bbdas"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>In diesem Kurs werden Sie lernen:
- Vergleichen Sie die Funktionen und Vorteile von Data Warehouses, Data Lakes und modernen Datenarchitekturen
- Entwurf und Implementierung einer Lösung für die Batch-Datenanalyse
- Identifizierung und Anwendung geeigneter Techniken, einschliesslich Komprimierung, zur Optimierung der Datenspeicherung
- Auswahl und Einsatz geeigneter Optionen zur Aufnahme, Umwandlung und Speicherung von Daten
- Auswahl der geeigneten Instanz- und Knotentypen, Cluster, der automatischen Skalierung und der Netzwerktopologie für einen bestimmten geschäftlichen Anwendungsfall
- Verstehen, wie sich Datenspeicherung und -verarbeitung auf die Analyse- und Visualisierungsmechanismen auswirken, die für die Gewinnung verwertbarer Geschäftseinblicke erforderlich sind
- Sichere Daten im Ruhezustand und bei der Übertragung
- Überwachen von Analyse-Workloads, um Probleme zu erkennen und zu beheben
- Anwendung bewährter KostenmanagementverfahrenTeilnehmer mit mindestens einem Jahr Erfahrung im Umgang mit Open-Source-Datenframeworks wie Apache Spark oder Apache Hadoop profitieren von diesem Kurs.Dieser Kurs richtet sich an:
- Ingenieure für Datenplattformen
- Architekten und Betreiber, die Datenanalyse-Pipelines aufbauen und verwaltenModul A: Überblick über Datenanalyse und die Datenpipeline
- Anwendungsfälle der Datenanalyse
- Nutzung der Datenpipeline für Analysen
Modul 1: Einführung in Amazon EMR
- Verwendung von Amazon EMR in Analyselösungen
- Amazon EMR-Cluster-Architektur
- Interaktive Demo 1: Starten eines Amazon EMR-Clusters
- Strategien für das Kostenmanagement
Modul 2: Datenanalyse-Pipeline mit Amazon EMR: Ingestion und Speicherung
- Speicheroptimierung mit Amazon EMR
- Techniken für die Datenübernahme
Modul 3: Leistungsstarke Batch-Datenanalyse mit Apache Spark auf Amazon EMR
- Apache Spark auf Amazon EMR Anwendungsfälle
- Warum Apache Spark auf Amazon EMR
- Spark-Konzepte
- Interaktive Demo 2: Verbinden mit einem EMR-Cluster und Ausführen von Scala-Befehlen mit der Spark-Shell
- Umwandlung, Verarbeitung und Analyse
- Verwendung von Notebooks mit Amazon EMR
- Praxisübung 1: Datenanalyse mit niedriger Latenz mit Apache Spark auf Amazon EMR
Modul 4: Verarbeitung und Analyse von Batch-Daten mit Amazon EMR und Apache Hive
- Verwendung von Amazon EMR mit Hive zur Verarbeitung von Stapeldaten
- Umwandlung, Verarbeitung und Analyse
- Praxisübung 2: Batch-Datenverarbeitung mit Amazon EMR und Hive
- Einführung in Apache HBase auf Amazon EMR
Modul 5: Serverlose Datenverarbeitung
- Serverlose Datenverarbeitung, -umwandlung und -analyse
- Verwendung von AWS Glue mit Amazon EMR-Arbeitslasten
- Praxisübung 3: Orchestrierung der Datenverarbeitung in Spark mit AWS Step Functions
Modul 6: Sicherheit und Überwachung von Amazon EMR-Clustern
- Sicherung von EMR-Clustern
- Interaktive Demo 3: Client-seitige Verschlüsselung mit EMRFS
- Überwachung und Fehlerbehebung von Amazon EMR-Clustern
- Demo: Überprüfung der Apache Spark-Cluster-Historie
Modul 7: Entwurf von Batch Data Analytics-Lösungen
- Anwendungsfälle der Batch-Datenanalyse
- Tätigkeit: Entwurf eines Arbeitsablaufs für die Batch-Datenanalyse
Modul B: Entwicklung von modernen Datenarchitekturen auf AWS
- Moderne DatenarchitekturenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag590.00795.00750.00750.00750.002000.00675.002610.00750.00795.00795.00795.00795.00795.00900.00870.00930.00850.00