El analizar datos le permitirá tomar decisiones cinco veces más rápido que tus competidores . Este programa tiene como propósito enseñar a profesionales y organizaciones a identificar los problemas de una forma comprensible utilizando Big Data, para proporcionar soluciones útiles poniendo a su favor el manejo de gran cantidad de información.
Cualquier persona que esté interesada en ampliar sus conocimientos en Big Data y deseen cubrir unas necesidades no satisfechas por las tecnologías existentes en el almacenamiento y tratamiento de grandes volúmenes de datos.
Contexto de Big Data.
Dos Niveles de Big Data.
CASELET: IBM Watson.
Las 4 V’s de Big Data.
Gestión de Big Data.
Analizando Big Data.
Tablero en tiempo real.
Comparación de tradicionales y Big Data.
Ecosistema/Arquitectura de Big Data.
Aplicación de Google Flu.
Fuentes de Big Data Sources.
Comunicaciones Entre Personas.
Comunicaciones Entre Personas y Máquinas.
Comunicaciones Máquina a Máquina.
Aplicaciones de Big Data.
Monitoreo de Sensibilidad del Consumidor.
Aplicaciones de Big Data.
Aplicación de Vigilancia Predictiva.
Aplicaciones de Big Data.
Seguro de Automóvil Flexible.
Arquitectura de Google Query.
Ecosistema / Arquitectura de Big Data.
Capas en Arquitectura de Big Data.
Arquitectura IBM Watson.
Arquitectura de Netflix.
Arquitectura de VMWare.
Arquitectura de una Compañía Meteorológica.
Arquitectura de Ticketmaster.
Arquitectura de LinkedIn.
Arquitectura de PayPal.
Ecosistema de Hadoop.
Ecosistema / Arquitectura de Big Data.
Hadoop y MapReduce definidos.
¿Por qué la computación en Clúster?
Arquitectura de Hadoop: Fragmentación de datos.
Arquitectura Maestro-Esclavo.
Arquitectura de lectura y escritura del Sistema de Archivos. Distribuidos Hadoop (HDFS).
Características de HDFS.
Instalando HDFS.
Yet Another Resource Negotiator (YARN)
Arquitectura de Big Data.
Arquitectura de MapReduce.
Arquitectura Maestro-Esclavo en MapReduce.
Papel de MapReduce 2004.
Secuencia de MapReduce.
MR Funciona como una secuencia de UNIX.
Contador de Palabras usando MapReduce.
Seudo Código MapR para contador de palabras.
Ejemplo de contador de palabras.
Resultados de cada segmento.
Resultados agrupados de Map Operations.
Resultados luego de la Fase de Reducción.
Pig vs Hive.
Lenguaje de Hive.
Arquitectura de Lenguaje Pig.
Arquitectura de Big Data.
Bases de Datos NoSQL.
NoSQL vs RDBMS.
Teorema CAP.
Arquitectura NoSQL.
Tipos de Bases de Datos NoSQL.
Arquitecturas NoSQL Populares.
Procesos de Cassandra.
Lenguajes de Acceso NoSQL – Hive.
Lenguajes de Acceso NoSQL – Pig.
Arquitectura de Big Data
Computación definida en Stream.
Conceptos de Streaming.
Aplicaciones de Streaming.
Características del Algoritmo de Streaming.
Filtro Bloom.
Apache Spark para Computación Streaming.
Ecosistemas de Código Abierto.
Arquitectura de Apache Spark.
Spark vs Hadoop.
Conjuntos de Datos Distribuidos Resilientes de Spark (RDD)
Mecanismo de Procesamiento Spark.
Código de Spark para Pagerank.
Arquitectura de Big Data.
Sistema de Ingestión de Datos.
Sistemas de Mensajería.
Arquitectura de Apache Kafka.
Componentes de Kafka.
Mecanismo de Tópicos de Kafka.
Atributos Clave de Kafka.
Arquitectura de Big Data.
Computación en la Nube.
Computación en la Nube como una Infraestructura Virtualizada.
Beneficios de la Computación en la Nube.
Modelos de Computación en la Nube – por Propiedad y Rango de Servicios.
Arquitectura de Web-Analyzer.
Tecnología.
Código de Aplicación.
El analizar datos le permitirá tomar decisiones cinco veces más rápido que tus competidores . Este programa tiene como propósito enseñar a profesionales y organizaciones a identificar los problemas de una forma comprensible utilizando Big Data, para proporcionar soluciones útiles poniendo a su favor el manejo de gran cantidad de información.
$448,00
100 % de Valoraciones positivas
150 alumnos
10 Módulos, 6 practicas
32 horas
18H30 a 21H30 (Lunes y Miércoles )
18H30 a 20H30 (Viernes)
Hora Ecuador
13 recursos adicionales ( 9 archivos)
ONLINE EN VIVO por ZOOM
