Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
مدل واحد Apache Beam به ما امکان پردازش دسته ای و همچنین پخش جریانی داده را با استفاده از همان API می دهد. چندین مورد اجرایی مانند Google Cloud Dataflow ، Apache Spark و Apache Flink با Beam سازگار هستند. جریان داده ها معمولاً باید در زمان واقعی یا نزدیک به زمان واقعی پردازش شوند ، این بدان معنی است که سیستم های پردازش جریان باید دارای توانایی هایی باشند که به آنها امکان پردازش داده را می دهد با تأخیر کم ، عملکرد بالا و تحمل خطا. در این دوره ، Modeling Streaming Data for Processing with Apache Beam ، توانایی کار با جریان ها و استفاده از مدل Beam unified برای ساخت خطوط لوله موازی داده را خواهید یافت. ابتدا ، شما شباهت ها و تفاوت های پردازش دسته ای و پردازش جریان را کشف خواهید کرد. در مرحله بعد ، API های پرتو Apache را کشف خواهید کرد که به شما اجازه می دهد خطوط لوله ای را که به صورت دسته ای و همچنین جریان داده ها پردازش می شوند ، تعریف کند. سرانجام ، شما خواهید آموخت که چگونه می توان عملیات پنجره سازی را روی داده های جریانی اعمال کرد. هنگامی که با این دوره به پایان رسیدید ، درک کاملی از مدل ها و معماری های استفاده شده با داده های جریان خواهید داشت و می توانید با مدل Beam unified برای تعریف و اجرای تحولات جریان های ورودی کار کنید.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
شروع با پردازش جریان
Getting Started with Stream Processing
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
پردازش دسته ای و پردازش جریان
Batch Processing and Stream Processing
پردازش دسته ای در مقابل پردازش جریان
Batch Processing vs. Stream Processing
پردازش جریان
Stream Processing
مدل های پردازش جریان
Stream Processing Models
جریان پردازش معماری
Stream Processing Architectures
چالش های پردازش جریان
Challenges in Stream Processing
معرفی پرتو Apache برای پردازش جریان
Introducing Apache Beam for Stream Processing
معرفی پرتو آپاچی
Introducing Apache Beam
خطوط لوله ، PCollections و PTransforms
Pipelines, PCollections, and PTransforms
پردازش ورودی با استفاده از Bundles
Input Processing Using Bundles
راننده و راننده
Driver and Runner
نسخه ی نمایشی: تنظیمات محیطی و گزینه های پیش فرض خط لوله
Demo: Environment Set up and Default Pipeline Options
نسخه ی نمایشی: فیلتر کردن با استفاده از ParDo و DoFns
Demo: Filtering Using ParDo and DoFns
نسخه ی نمایشی: جمع بندی ها با استفاده از تغییرات داخلی
Demo: Aggregagtions Using Built-in Transforms
نسخه ی نمایشی: منبع فایل و File Sink
Demo: File Source and File Sink
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات