Анализ больших данных с Apache Spark

Ориентирован: Специалисты, администраторы, аналитики данных  желающие получить опыт настройки и использования компонентов Apache Spark (Spark SQL, MLLib, Spark Streaming, Spark GraphX)

Предварительный уровень подготовки:

• Начальный опыт работы в Unix/SQL
• Начальный опыт программирования (Scala/Python/Java)

Продолжительность: 3 дня, 24 академических часа.

Соотношение теории к практике 40/60

Программа курса

1. Введение в Apache Spark
   • Сравнение Hadoop и Spark
   • Сравнение Batch, Real-Time и in-Memory  процессинг
   • Особенности Apache Spark
   • Компоненты Apache Spark экосистемы
2. 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 SparkВыполнение базовых операций с Cloudera Manager.
3. Запуск задач в Apache Spark
   • Знакомство с 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.
4. SparkSQL, DataFrames, DataSet
   • Альтернатива RDDs
   • Сравнение DataFrame, DataSet и SQL API
   • Введение  в SparkSQL, пользовательские функции в Spark SQL
   • Использование DataFrames и DataSet, DataSets вместо RDD
   • Простые запросы, фильтрация и аггрегация DataFrames
   • Объединение (JOIN) DataFrames
   • Интеграция Hive и Spark: Hive запросы в Spark, создание Hive контекста, запись Dataframe в HiveАрхитектура Apache Spark.
5. 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 CPUИмпорт и обработка данных в кластере Hadoop
6. 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
7. 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
   • Аггрегированные и не аггрегированные 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
8. Введение в GraphX
   • GraphX и Pregel
   • Поиск в ширину (Breadth-First-Search) с использование GraphX