آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای

Architecting Big Data Applications: Batch Mode Application Engineering

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: حالت دسته ای عملیات مربوط به داده را تلفیق می کند تا بار در شبکه ها کاهش یابد. حالت دسته ای به معماران نرم افزار کمک می کند تا برنامه های بزرگ داده ای را ایجاد کنند که در شرایط دنیای واقعی به صورت روان و کارآمد کار می کنند. در این دوره ، می توانید در مورد موارد استفاده و بهترین روش ها برای معماری برنامه های حالت دسته ای با استفاده از فناوری هایی مانند Hive 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 مربوط به کسب داده ، حمل و نقل ، پردازش ، ذخیره سازی و سرویس را 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: بایگانی کردن گزارش های حسابرسی و انجام تجزیه و تحلیل مشتری
  • گزینه های فناوری
  • طراحی راه حل
  • بهترین روشها

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • سیستم عامل در مقابل برنامه های کاربردی Platforms vs. applications

  • معماری نرم افزار در مقابل طراحی Software architecture vs. design

  • یادداشت ها در مورد موارد استفاده Notes on use cases

1. معرفی به برنامه های کاربردی داده های بزرگ 1. Intro to Big Data Applications

  • مشخصات داده های بزرگ Big data characteristics

  • برنامه های کاربردی داده های بزرگ در مقابل بزرگ Traditional vs. big data applications

  • ماژول های برنامه داده بزرگ Big data application modules

  • فن آوری های داده های بزرگ Technologies for big data

  • استراتژی برنامه های بزرگ داده Strategy for big data apps

2. استفاده از مورد 1: انبار داده (DW) 2. Use Case 1: Data Warehouse (DW)

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

  • DW: طرح راه حل DW: Outline the solution

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

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

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

  • بهترین روش ها: جمع آوری داده ها Best practices: Data acquisition

3. استفاده از مورد 2: ورود به سیستم (LA) 3. Use Case 2: Log Accumulation (LA)

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

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

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

  • LA: معماری را بیرون بگذارید LA: Lay out the architecture

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

  • بهترین روش ها: انتقال داده ها Best practices: Data transport

4. استفاده از مورد 3: تجزیه و تحلیل عملیات IT (OA) 4. Use Case 3: IT Operations Analytics (OA)

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

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

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

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

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

  • بهترین روش ها: پردازش داده ها Best practices: Data processing

5. استفاده از مورد 4: مشتری 360 (C360) 5. Use Case 4: Customer 360 (C360)

  • C360: مشکل را تجزیه و تحلیل کنید C360: Analyze the problem

  • C360: راه حل را تشریح کنید C360: Outline the solution

  • C360: فن آوری ها را در نظر بگیرید C360: Consider technologies

  • C360: معماری را کنار بگذارید C360: Lay out the architecture

  • C360: عناصر اصلی را طراحی کنید C360: Design key elements

  • بهترین روش ها: ذخیره سازی داده ها Best practices: Data storage

6. استفاده از مورد 5: تجزیه و تحلیل مشتری (CA) 6. Use Case 5: Customer Analytics (CA)

  • کالیفرنیا: مشکل را تجزیه و تحلیل کنید CA: Analyze the problem

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

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

  • کالیفرنیا: معماری را کنار بگذارید CA: Lay out the architecture

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

  • بهترین روش ها: خدمات داده Best practices: Data service

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای
جزییات دوره
1h 37m
40
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
48,232
- 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.