GerðKennsla í kennslustofunni
SKRÁNING

Hafðu samband við okkur

Reitir merktir með * þarf

 

stór gögn hadoop vottun námskeið

Big Data Hadoop vottunarskeið og þjálfun

Yfirlit

Áhorfendur og forsendur

Námskeiðsyfirlit

Stundaskrá og gjöld

vottun

Big Data Hadoop vottun námskeið Yfirlit

Það er alhliða Hadoop Big Data námskeið sem hönnuð er af sérfræðingum iðnaðarins miðað við núverandi iðnaðar kröfur til að veita ítarlegri námi á stórum gögnum og Hadoop Modules. Þetta er iðnaður viðurkennt Big Data vottun námskeið sem er sambland af námskeið í Hadoop verktaki, Hadoop stjórnandi, Hadoop próf og greiningar. Þetta Cloudera Hadoop þjálfun mun undirbúa þig til að hreinsa stór gögn vottun.

Markmið

  • Helstu grundvallaratriði Hadoop 2.7 og YARN og skrifaðu forrit sem nota þau
  • Uppsetning Pseudo hnúður og Multi hnútaþyrping á Amazon EC2
  • Master HDFS, MapReduce, Hive, Svín, Oozie, Sqoop, Flume, Zookeeper, HBase
  • Lærðu Spark, Spark RDD, Graphx, MLlib skrifað Spark forrit
  • Master Hadoop gjöf starfsemi eins og stjórnun þyrping, eftirlit, stjórnun og bilanaleit
  • Stilling ETL verkfæri eins Pentaho / Talend að vinna með MapReduce, Hive, Svín, osfrv
  • Ítarlegar upplýsingar um Big Data greiningu
  • Hadoop prófa forrit með MR Unit og önnur verkfæri sjálfvirkni.
  • Vinna með Avro gagnasnið
  • Practice raunveruleg verkefni með því að nota Hadoop og Apache Spark
  • Vertu búinn að hreinsa Big Data Hadoop vottun.

Fyrirhugaður Áhorfendur

  • Forritunarmiðlarar og kerfisstjórar
  • Reyndir vinnuaðilar, verkefnastjórar
  • Big DataHadoop Hönnuðir fús til að læra önnur lóðrétt eins og að prófa, Analytics, stjórnun
  • Aðalframleiðendur, arkitektar og prófunarfræðingar
  • Viðskipti Intelligence, Data Warehousing og Analytics Professionals
  • Útskriftarnema, grunnskólakennarar sem vilja að læra nýjustu Big Data tækni geta tekið þessa Big Data Hadoop vottun á netinu þjálfun

Forsendur

  • Það er engin forsenda þess að taka þessa stóra gagnaþjálfun og að læra Hadoop. En grunnatriði UNIX, SQL og Java væri gott. Á Intellipaat, bjóðum við ókeypis unix og Java námskeið með okkar Big Data vottun þjálfun til að bursta upp nauðsynleg færni þannig að þú ert góður á þér Hadoop námslóð.

Námskeið Útlit Lengd: 2 Days

Inngangur að Big Data & Hadoop og vistkerfi þess, korta minnka og HDFS

Hvað er stór gögn, Hvar hefur Hadoop passað inn, Hadoop dreift skráarkerfi - afrit, blokkastærð, Secondary Namenode, hár framboð, skilningur GARN - ResourceManager, NodeManager, munur á milli 1.x og 2.x

Hadoop Uppsetning og skipulag

Hadoop 2.x Þyrpingarkitektúr, Samtök og hátækni, Dæmigert framleiðsluþyrpingarskipulag, Hadoop Cluster Modes, Common Hadoop Shell Commands, Hadoop 2.x Stillingar Skrá, Cloudera Single hnút þyrping

Deep Dive í Mapreduce

Hvernig Mapreduce virkar, hvernig Reduceer virkar, hvernig ökumaður vinnur, sameiningartæki, skiptingarmiðlar, innsláttarformanir, útgangsformanir, blanda og raða, tengi á kortinu, minnka hliðarskrá, MRUnit, dreift skyndiminni

Lab æfingar:

Vinna með HDFS, Ritun WordCount Program, Ritun sérsniðin skipting, Mapreduce með Combiner, Map Side Join, Minnka hliðarþáttur, Unit Testing Mapreduce, Running Mapreduce í LocalJobRunner Mode

Teikning á vandamálum

Hvað er graf, myndgreining, breidd fyrsta leitarreiknirit, grafmyndun kortamyndunar, hvernig á að gera línurit reiknirit, dæmi um línurit minnka,

    Æfing 1: Æfing 2: Æfing 3:

Nákvæm skilningur á svín

A. Inngangur að svín

Skilningur Apache Pig, aðgerðirnar, ýmsar notkanir og nám til að hafa samskipti við svín

B. Dreifing svína til gagnagreiningu

Samantekt á svín Latin, hinum ýmsu skilgreiningum, gögnum flokka og sía, gagnategundir, beita svín fyrir ETL, gagnahleðsla, töflureikning, gildissvið, aðgerðir sem almennt eru notaðar.

C. Svín fyrir flókin gagnavinnslu

Ýmsar gerðir gagna, þar á meðal hreiður og flókinn, vinnslu gagna með Svín, hópað gögnum endurtekning, hagnýt æfing

D. Performing multi-dataset aðgerðir

Uppsetning gagnasamskipta, skipting gagna, ýmsar aðferðir við gagnasöfnun sameina, stillt aðgerð, handfrjáls æfing

E. Útbreiddur svín

Skilningur notenda skilgreindar aðgerðir, framkvæma gagnavinnslu með öðrum tungumálum, innflutningur og fjölvi, með straumspilun og UDF til að lengja Svín, hagnýt æfingar

F. Pig Jobs

Vinna með raunveruleg gagnasett sem felur í sér Walmart og Electronic Arts sem dæmi

Ítarlegur skilningur á Hive

A. Hive Inngangur

Skilningur Hive, hefðbundin gagnasafn samanburður við Hive, Svín og Hive samanburð, geymsla gagna í Hive og Hive áætlun, Hive samskipti og ýmsum tilvikum notkun Hive

B. Hive fyrir venslagagnargreiningu

Að skilja HiveQL, undirstöðu setningafræði, ýmsar töflur og gagnagrunna, gagnategundir, gagnasamsetning, ýmsar innbyggðar aðgerðir, beita Hive fyrirspurnum á forskriftir, skel og Hue.

C. Gögn stjórnun með Hive

Hinar ýmsu gagnagrunna, stofnun gagnagrunna, gagnasnið í Hive, gagnasamsetningu, Hive-stjórnað töflur, sjálfstýrðar töflur, gögn hleðsla, breyta gagnagrunna og töflum, fyrirspurn einföldun með skoðunum, leiða til að geyma fyrirspurnir, gögn aðgangur stjórna, stjórna gögn með Hive, Hive Metastore og Thrift miðlara.

D. Optimisation of Hive

Nám árangur fyrirspurn, gögn flokkun, skipting og bucketing

E. Útbreiddur Hive

Dreifa notanda skilgreindum aðgerðum til að lengja Hive

F. Hendur á æfingum - vinna með stórum gagnasöfnum og víðtæka fyrirspurn

Dreifa Hive fyrir mikið magn af gagnasöfnum og mikið magn af fyrirspurnum

G. UDF, fyrirspurn hagræðingu

Vinna mikið með notendaskilgreindum fyrirspurnum, læra hvernig á að hagræða fyrirspurnum, ýmsar aðferðir til að gera frammistöðu.

Impala

A. Inngangur að Impala

Hvað er Impala ?, Hvernig Impala frábrugðnar Hive og Svín, Hvernig Impala frábrugðnar Vensla gagnagrunna, Takmarkanir og framtíðarleiðbeiningar, með Impala Shell

B. Velja besta (Hive, Svín, Impala)

C. Modeling og stjórnun gagna með Impala og Hive

Gagnageymsla Yfirlit, Búa til gagnagrunna og töflur, Hlaða gögn í töflur, HCatalog, Impala lýsigögn Caching

D. Gögn skipting

Skipting yfirlits, skipting í Impala og Hive

(AVRO) Gögn snið

Val á skráarsnið, Tólstuðningur fyrir skráarsnið, Avro skjöl, Notkun Avro með Hive og Sqoop, Avro Schema Evolution, Compression

Inngangur að Hbase arkitektúr

Hvað er Hbase, Hvar passar það, Hvað er NOSQL

Apache Spark

A. Afhverju neisti? Vinna með Spark og Hadoop dreift skráarkerfi

Hvað er Spark, Samanburður milli Spark og Hadoop, hluti af Spark

B. Spark Components, Common Spark Reiknirit-Iterative Reiknirit, Graf greiningu, Machine Learning

Apache Spark-Inngangur, Samkvæmni, Framboð, Skipting, Sameinað Stack Gegn, Spark Components, Scalding Dæmi, mahout, stormur, línurit

C. Hlaupandi neisti á klasa, Ritunarkrafaforrit með Python, Java, Scala

Útskýrið python dæmi, Sýnið uppsetningu neisti, Útskýrið bílstjóri forrit, Útskýrið neisti samhengi við dæmi, Skilgreindu slökkt breytilegt, Sameina Scala og Java óaðfinnanlega, Útskýrið samhverfi og dreifingu., Útskýrið hvað er eiginleiki, Útskýrið hærri röð virka með dæmi, skilgreindu OFI tímasetningar, kostir nafns, dæmi um Lamda með neisti, útskýrðu Mapreduce með dæmi

Hadoop Cluster Uppsetning og Running Map Minnka Jobs

Multi Node Cluster Skipulag með Amazon ec2 - Búa til 4 hnúta þyrping skipulag, Running Map draga úr störfum á þyrping

Helstu verkefni - að setja það saman og tengja punkta

Setja allt saman og tengja punkta, vinna með stórum gagnasöfnum, stíga sem taka þátt í að greina stórar upplýsingar

ETL tengsl við Hadoop vistkerfi

Hvernig ETL verkfæri vinna í stórum gögnum Iðnaður, Tenging við HDFS frá ETL tól og flytja gögn úr staðbundnu kerfi til HDFS, flytja gögn frá DBMS til HDFS, vinna með Hive með ETL tól, búa til kort Draga úr starfi í ETL tól, endar endar ETL PoC sýnir stór gögn sameining með ETL tól.

Klasa stillingar

Stillingar yfirlit og mikilvægar stillingarskrá, Stillingar breytur og gildi, HDFS breytur MapReduce breytur, Hadoop umhverfis skipulag, "Include" og "Exclude" stillingar skrá, Lab: MapReduce Performance Tuning

Gjöf og viðhald

Namenode / Datanode skrá uppbygging og skrár, Skráarkerfi mynd og Breyta skrár, The Checkpoint Málsmeðferð, Namenode bilun og bata málsmeðferð, Safe Mode, lýsigögn og gögn varabúnaður, Möguleg vandamál og lausnir / hvað á að leita, bæta við og fjarlægja hnúður, Lab: MapReduce File System Recovery

Vöktun og bilanaleit

Bestar aðferðir við að fylgjast með þyrping, Nota logs og stafla ummerki til að fylgjast með og leysa úr vandræðum, Nota opinn tól til að fylgjast með þyrpingunni

Atvinna Tímaáætlun: Kortið dregur úr vinnuuppgjöf flæði

Hvernig á að skipuleggja störf á sama þyrping, FIFO Stundaskrá, Rétt áætlun og stillingar hennar

Multi Node Cluster Skipulag og hlaupakort Minnka störf á Amazon Ec2

Multi Node Cluster Skipulag með Amazon ec2 - Búa til 4 hnúta þyrping skipulag, Running Map draga úr störfum á þyrping

ZOOKEEPER

ZOOKEEPER Inngangur, ZOOKEEPER notkun tilvikum, ZOOKEEPER Þjónusta, ZOOKEEPER gögn Model, Znodes og tegundir hans, Znodes aðgerð, Znodes klukkur, Znodes les og skrifar, samkvæmni ábyrgðir, Cluster stjórnun, leiðtogafundur, dreift Exclusive Lock, mikilvæg atriði

Advance Oozie

Hvers vegna Oozie ?, Installing Oozie, Running a dæmi, Oozie-workflow vél, Dæmi M / R aðgerð, Word Count dæmi, Workflow umsókn, Workflow uppgjöf, Workflow ástand umbreytingum, Oozie vinnslu vinnslu, Oozie öryggi, Hvers vegna Oozie öryggi ?, Atvinna uppgjöf , Multi leiga og sveigjanleiki, Tímalína Oozie starf, Coordinator, Knippi, Útdráttarlag, Arkitektúr, Notkunarsaga 1: Tími kallar, Notkun Case 2: Gögn og tími kallar, Nota Case 3: Rúlla gluggi

Advance Flume

Yfirlit yfir Apache Flume, Líkamlega dreift Gögn uppspretta, Breyting á uppbyggingu gagna, Nánar útlit, Líffærafræði Flume, Kjarna hugtök, Viðburður, Viðskiptavinir, Umboðsmenn, Heimild, Rásir, Vaskar, Interceptors, Rásir, Sink örgjörva, Gögn inntaka , Gagnasamskipti, Sending og endurtekning, Af hverju rásir?, Notaðu tilfelli - Skráamyndun, Bætiefni, Hreinsun miðlara bæjarins, Gögn rúmmál á hverja umboðsmanni, Dæmi sem lýsir einum hnúði

Advance HUE

HUE kynning, HUE vistkerfi, Hvað er HUE ?, HUE alvöru heimsmynd, Kostir HUE, Hvernig á að hlaða upp gögnum í File Browser ?, Skoða innihald, Sameina notendur, Sameina HDFS, Undirstöður HUE FRONTEND

Advance Impala

IMPALA Yfirlit: Markmið, Notandi sýn Impala: Yfirlit, Notandi sýn Impala: SQL, Notandi sýn Impala: Apache HBase, Impala arkitektúr, Impala ríkisins verslun, Impala verslun þjónustu, Fyrirspurn framkvæmd stigum, Samanburður Impala að Hive

Hadoop Umsókn Prófun

Af hverju prófun er mikilvægt, Einingartruflanir, Samþætting próf, Flutningur próf, Diagnostics, Nightly QA próf, Kvóti og lok til loka próf, Functional próf, Slepptu vottun próf, Öryggispróf, Scalability Testing, commissioning og afnám gagna Nodes Testing, áreiðanleiki próf , Slepptu prófun

Hlutverk og ábyrgð Hadoop Testing Professional

Skilningur á kröfu, undirbúning prófunaráætlunar, prófunar, prófunar, prófunarbóta, prófunaraðferðar, gallarskýrslur, gallapróf, dagleg staðalskýrsla afhendingu, prófunarprófun, ETL próf á hverju stigi (HDFS, HIVE, HBASE) á meðan hleðsla inntak (skrár / skrár / skrár osfrv.) með því að nota sqoop / flume sem felur í sér en takmarkast ekki við sannprófun gagna, sáttar, notendavottorðs og sannprófunarprófa (hópa, notenda, forréttindi osfrv.), tilkynna galla í þróunarteymi eða framkvæmdastjóri og akstur þá að loka, sameina öll galla og búa til galla skýrslur, staðfesta nýja eiginleika og mál í Core Hadoop.

Framework kallast MR Unit til að prófa kort-minnka forrit

Tilkynna galla í þróunarhópinn eða framkvæmdastjóra og keyra þá til lokunar, samþykkja allar galla og búa til gallaskýrslur, sem bera ábyrgð á að búa til prófunarramma sem heitir MR Unit til að prófa kort-minnka forrit.

Eining Prófun

Sjálfvirk prófun með OOZIE, Gagnavottun með því að nota fyrirspurnarferlið.

Próf framkvæmd

Prófunaráætlun fyrir HDFS uppfærslu, Próf sjálfvirkni og niðurstaða

Prófunaráætlun Stefna og skrifa prófunaratriði til að prófa Hadoop Umsókn

Hvernig á að prófa að setja upp og stilla

Starfs- og vottunarstuðningur

Cloudera Vottun Ábendingar og leiðbeiningar og Mock Viðtal Undirbúningur, Hagnýtar Þróun Ábendingar og tækni

Vinsamlegast skrifaðu okkur á info@ititschschool.com & hafðu samband við okkur á + 91-9870480053 fyrir námskeiðsverð og vottunarkostnað, áætlun og staðsetningu

Sendu okkur fyrirspurn

Þetta námskeið er hannað til að hjálpa þér að hreinsa bæði Cloudera Spark og Hadoop Developer Vottun (CCA175) próf og Cloudera Certified Administrator fyrir Apache Hadoop (CCAH) próf. Allt námskeiðið er í samræmi við þessar tvær vottunaráætlanir og hjálpar þér að hreinsa þessa vottunarpróf með vellíðan og fá bestu störf í efstu MNCs.

Sem hluti af þessari þjálfun verður þú að vinna að verkefnum í rauntíma og verkefnum sem hafa gríðarlega afleiðingar í raunverulegum heimssviðinu og hjálpa þér því að fylgjast vel með starfsframa þínum áreynslulaust.

Í lok þessarar þjálfunaráætlunar verða skyndipróf sem endurspegla fullkomlega tegund spurninga sem beðið er um í viðkomandi prófum á vottun og hjálpar þér að skora betur í vottunarprófum.

Námsskírteini námskeiðsins verður veitt við lok verkefnisvinnu (á sérfræðingsskoðun) og um að skora amk 60% stig í prófinu. Intellipaat vottun er vel þekkt í efstu 80 + MNCs eins og Ericsson, Cisco, Cognizant, Sony, Mu Sigma, Saint-Gobain, Standard Chartered, TCS, Genpact, Hexaware, o.fl.

Fyrir frekari upplýsingar vinsamlega Hafðu samband við okkur.


Umsagnir