آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد در زمان واقعی

Architecting Big Data Applications: Real-Time Application Engineering

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سیستم های بی درنگ زمان پاسخگویی را تضمین می کنند که می تواند در چند ثانیه از ماشه باشد. به این معنی که وقتی کاربر دکمه ای را کلیک می کند ، برنامه شما بهتر پاسخ می دهد - و سریع. وقتی با داده های بزرگ سرو کار دارید ، معماری برنامه ها با محدودیت های زمان واقعی یک چالش بزرگتر است. تأخیر بیش از حد ، از نظر منابع سیستمی مصرف شده و مشتری از دست رفته ، می تواند برای شما هزینه داشته باشد. خوشبختانه ، فناوری داده های بزرگ و معماری کارآمد می توانند پاسخگوی نیازهای شما در زمان واقعی باشند. در این دوره ، شما می توانید در مورد موارد استفاده و بهترین روش ها برای معماری برنامه های کاربردی در زمان واقعی با فناوری هایی مانند Kafka ، Hazelcast و Apache Spark اطلاعات کسب کنید.

هیچ برنامه نویسی وجود ندارد. در عوض خواهید دید که چگونه ابزارهای بزرگ داده می توانند در حل برخی از پیچیده ترین چالش ها برای مشاغل تولید کننده ، ذخیره و تجزیه و تحلیل مقدار زیادی داده کمک کنند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و IT تهیه شده است. مربی Kumaran Ponnambalam نحوه تجزیه و تحلیل یک مسئله ، ترسیم طرح کلی معماری ، انتخاب فن آوری های مناسب و نهایی کردن راه حل را نشان می دهد. وی پس از هر مورد استفاده ، بهترین روش های مرتبط را برای جریان در زمان واقعی ، تجزیه و تحلیل پیش بینی ، پردازش موازی و مدیریت خط لوله بررسی می کند. هر درس غنی از تکنیک های عملی و بینش توسعه دهنده ای است که فواید و کاستی های این فناوری ها را از نزدیک تجربه کرده است.
موضوعات شامل:
  • اجزای یک برنامه داده بزرگ
  • استراتژی های توسعه برنامه داده های بزرگ
  • موارد استفاده کنید: کشف تقلب و توصیه های محصول
  • گزینه های فناوری
  • طراحی راه حل
  • بهترین روشها

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

1. داده های بزرگ در زمان واقعی 1. Real-Time Big Data

  • زمان واقعی چیست؟ What is real time?

  • چالش های زمان واقعی Real-time challenges

  • استراتژی هایی برای پردازش داده های بزرگ در زمان واقعی Strategies for real-time big data processing

2. از مورد 1 استفاده کنید: تحلیل احساسات رسانه های اجتماعی (SM) 2. Use Case 1: Social Media Sentiment Analysis (SM)

  • SM: مشکل را تجزیه و تحلیل کنید SM: Analyze the problem

  • SM: راه حل را مشخص کنید SM: Outline the solution

  • SM: فن آوری ها را در نظر بگیرید SM: Consider technologies

  • SM: معماری را کنار بگذارید SM: Lay out the architecture

  • SM: عناصر اصلی را طراحی کنید SM: Design key elements

  • بهترین روش ها: پخش در زمان واقعی Best practices: Real-time streaming

3. استفاده از مورد 2: تشخیص تقلب در زمان واقعی (FD) 3. Use Case 2: Real-Time Fraud Detection (FD)

  • FD: مشکل را تجزیه و تحلیل کنید FD: Analyze the problem

  • FD: راه حل را تشریح کنید FD: Outline the solution

  • FD: فن آوری ها را در نظر بگیرید FD: Consider technologies

  • FD: معماری را کنار بگذارید FD: Lay out the architecture

  • FD: عناصر اصلی را طراحی کنید FD: Design key elements

  • بهترین روشها: تحلیلی پیش بینی کننده Best practices: Predictive analytics

4. استفاده از مورد 3: توصیه های تولید وب سایت (PR) 4. Use Case 3: Website Production Recommendations (PR)

  • PR: مشکل را تجزیه و تحلیل کنید PR: Analyze the problem

  • PR: راه حل را تشریح کنید PR: Outline the solution

  • روابط عمومی: فن آوری ها را در نظر بگیرید PR: Consider technologies

  • PR: معماری را کنار بگذارید PR: Lay out the architecture

  • PR: طراحی عناصر اصلی PR: Design key elements

  • بهترین روش ها: پردازش موازی Best practices: Parallel processing

5. استفاده از مورد 4: کوپن موبایل (MC) 5. Use Case 4: Mobile Couponing (MC)

  • MC: مشکل را تجزیه و تحلیل کنید MC: Analyze the problem

  • MC: راه حل را مشخص کنید MC: Outline the solution

  • MC: فن آوری ها را در نظر بگیرید MC: Consider technologies

  • MC: معماری را کنار بگذارید MC: Lay out the architecture

  • MC: عناصر اصلی را طراحی کنید MC: Design key elements

  • بهترین روش ها: مدیریت خط لوله Best practices: Pipeline management

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد در زمان واقعی
جزییات دوره
1h 4m
29
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
27,816
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kumaran Ponnambalam Kumaran Ponnambalam

اختصاص به آموزش علوم داده

V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.