Курс представляет собой практическое обучение по администрированию кластера Apache Spark, использованию Spark SQL, организации потоковой обработки Spark Streaming, работе с библиотеками машинного обучения Spark ML, построению графов в Spark GraphX.
В ходе интенсивного практического тренинга по знакомству с платформой для распределенной обработки больших данных Apache Spark вы научитесь: настраивать кластер Apache Spark для запуска задач на Scala и R при обработке больших массивов неструктурированных данных, применяя алгоритмы машинного обучения встроенных библиотек Spark MLLib; поймете разницу использования различных форматов хранения данных и использования RDD , dataframes и datasets; обращаться к данным с использованием Spark SQL или Hive QL; настраивать и анализировать данные в потоке Spark Streaming; интегрировать компоненты Apache Spark с другими компонентами экосистем Hadoop.
Слушатели:
Данный курс ориентирован на специалистов, администраторов, аналитиков данных, желающих получить опыт настройки и использования компонентов Apache Spark (Spark SQL, MLLib, Spark Streaming, Spark GraphX).
Предварительная подготовка:
Начальный опыт работы в Unix/SQL;
Начальный опыт программирования (Scala/Python/Java).
Введение в Apache Spark.
Сравнение Hadoop и Spark
Сравнение Batch, Real-Time и in-Memory процессинг
Особенности Apache Spark
Компоненты экосистемы Apache Spark
Введение в RDD — Resilient Distributed Dataset
Что такое RDD?
Особенности использования RDD, RDD lineage
Трансформация в Spark RDD
Lazy evaluation и отказоустойчивость в Spark
Использование Persistence RDD в памяти и на диске
Использование key-value пар (ReduceByKey, CountByKey, SortByKey, AggregateByKey)
Интеграция Hadoop с Spark. Выполнение базовых операций с Cloudera Manager.
Запуск задач в Apache Spark
Знакомство со Spark-shell
Выполнение задач в Apache Spark
Написание программ в Apache Spark
Чтение данных с локальной файловой системы и HDFS
Зависимости (Dependencies)
Кэширование данных в Apache Spark
Отказоустойчивость (Fault Tolerance). Хранение файлов в HDFS: сжатие, sequence файлы.
Формат AVRO, RCfile, ORC, Parquet.
Spark SQL, DataFrames, DataSet
Альтернатива RDDs
Сравнение DataFrame, DataSet и SQL API
Введение в Spark SQL, пользовательские функции в SparkSQL
Использование DataFrames и DataSet, DataSets вместо RDD
Простые запросы, фильтрация и агрегация DataFrames
Объединение (JOIN) DataFrames
Интеграция Hive и Spark: Hive запросы в Spark, создание Hive контекста, запись Dataframe в Hive, архитектура Apache Spark.
Управление ресурсами в кластере Apache Spark
Архитектура Apache Spark
Особенности управления ресурсами в автономном режиме кластера (Standalone)
Особенности управления ресурсами в режиме Hadoop-кластера с YARN
Динамическое распределение ресурсов Dynamic Resource Allocation
Оптимизация Apache Spark: использование разделов (partition hash,range,map, static), управление расписанием (dynamic, fair scheduler), использование переменных (shared, broadcast) и аккумуляторов (accumulators).
Использование Catalyst Optimizer для оптимизации исполнения запросов
Project Tungsten — оптимизация управления памятью и кэшом CPU, импорт и обработка данных в кластере Hadoop.
Машинное обучение (Machine Learning) в Apache Spark
Введение в Machine Learning с использованием MLLib
Алгоритм линейной регрессии (Linear Regression)
Деревья решений (Decision Trees)
Случайные леса (Random Forest)
Использование DataFrames с MLLib. Введение в Hive: структура Hive таблиц, синтаксис HiveQL, формат хранения файлов, работа с внешними и внутренними таблицами Hive.
Потоковая обработка (Streaming) в Apache Spark
Потоковая обработка данных для аналитики больших данных
Особенности реализации потоковой обработки данных в Apache Spark
Основные концепции потоковой обработки
Агрегированные и не агрегированные запросы
Обработка событий Event Time, Window и Late Events (скользящее окно событий)
Поддержка последних событий (Late Events) в потоковой обработке данных в Apache Spark
Режимы работы Apache Spark с потоковыми данными
Введение в GraphX
GraphX и Pregel
Поиск в ширину (Breadth-First-Search) с использование GraphX.
