Kursus Pelatihan Ilmu Data untuk Analisis Big Data

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data yang ingin menggunakan ekosistem Anaconda untuk menangkap, mengelola, dan menyebarkan paket dan alur kerja analisis data dalam satu platform.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Anaconda komponen dan pustaka.
• Memahami konsep inti, fitur, dan manfaat Anaconda.
• Kelola paket, lingkungan, dan saluran menggunakan Anaconda Navigator.
• Gunakan paket Conda, R, dan Python untuk ilmu data dan pembelajaran mesin.
• Ketahui beberapa kasus penggunaan praktis dan teknik untuk mengelola berbagai lingkungan data.

Apache Beam adalah model pemrograman sumber terbuka dan terpadu untuk mendefinisikan dan menjalankan alur pemrosesan data paralel. Kekuatannya terletak pada kemampuannya untuk menjalankan alur batch dan streaming, dengan eksekusi yang dilakukan oleh salah satu back-end pemrosesan terdistribusi yang didukung Beam: Apache Apex, Apache Flink, Apache Spark, dan Google Cloud Dataflow. Apache Beam berguna untuk tugas ETL (Ekstrak, Transformasi, dan Muat) seperti memindahkan data antara media penyimpanan dan sumber data yang berbeda, mengubah data ke dalam format yang lebih diinginkan, dan memuat data ke sistem baru.

Dalam pelatihan langsung yang dipandu instruktur (di tempat atau jarak jauh) ini, peserta akan mempelajari cara mengimplementasikan Apache Beam SDK dalam aplikasi Java atau Python yang mendefinisikan jalur pemrosesan data untuk menguraikan kumpulan data besar menjadi potongan-potongan yang lebih kecil untuk pemrosesan paralel yang independen.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Apache Beam.
• Gunakan model pemrograman tunggal untuk melakukan pemrosesan batch dan aliran dalam aplikasi Java atau Python mereka.
• Menjalankan jalur pipa di beberapa lingkungan.

Format Kursus

• Sebagian kuliah, sebagian diskusi, latihan dan praktik langsung yang berat

Catatan

• Kursus ini akan tersedia Scala di masa mendatang. Silakan hubungi kami untuk mengaturnya.

Dalam pelatihan langsung yang dipandu instruktur di Indonesia ini, peserta akan mempelajari cara membangun Data Vault.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami arsitektur dan konsep desain di balik Data Vault 2.0, dan interaksinya dengan Big Data, NoSQL dan AI.
• Gunakan teknik penyimpanan data untuk memungkinkan audit, penelusuran, dan pemeriksaan data historis dalam gudang data.
• Kembangkan proses ETL (Ekstrak, Transformasi, Muat) yang konsisten dan dapat diulang.
• Bangun dan terapkan gudang yang sangat skalabel dan dapat diulang.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini memperkenalkan prinsip dan pendekatan di balik pemrosesan data aliran dan batch terdistribusi, dan memandu peserta melalui pembuatan aplikasi streaming data waktu nyata di Apache Flink.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan untuk mengembangkan aplikasi analisis data.
• Pahami cara kerja pustaka pemrosesan grafik Apache Flink (Gelly).
• Mengemas, menjalankan, dan memantau aplikasi streaming data berbasis Flink yang toleran terhadap kesalahan.
• Kelola beban kerja yang beragam.
• Melakukan analisis tingkat lanjut.
• Siapkan klaster Flink multi-simpul.
• Mengukur dan mengoptimalkan kinerja.
• Integrasikan Flink dengan berbagai sistem Big Data.
• Bandingkan kemampuan Flink dengan kerangka kerja pemrosesan data besar lainnya.

Dalam pelatihan langsung yang dipandu instruktur di Indonesia ini, peserta akan mempelajari tentang penawaran teknologi dan pendekatan implementasi untuk memproses data grafik. Tujuannya adalah untuk mengidentifikasi objek dunia nyata, karakteristik dan hubungannya, kemudian memodelkan hubungan ini dan memprosesnya sebagai data menggunakan pendekatan Graph Computing (juga dikenal sebagai Analisis Grafik). Kami mulai dengan ikhtisar umum dan mempersempitnya pada alat tertentu saat kami melangkah melalui serangkaian studi kasus, latihan langsung, dan penerapan langsung.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami bagaimana data grafik dipertahankan dan dilintasi.
• Pilih kerangka kerja terbaik untuk tugas tertentu (dari basis data grafik hingga kerangka kerja pemrosesan batch.)
• Terapkan Hadoop, Spark, GraphX dan Pregel untuk melakukan komputasi grafik di banyak mesin secara paralel.
• Lihat masalah big data dunia nyata dalam bentuk grafik, proses, dan lintasan.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan pengembang yang ingin belajar dan membangun karier mereka di Data Science menggunakan Kaggle.

Pada akhir pelatihan ini, peserta akan dapat:

• Pelajari tentang ilmu data dan pembelajaran mesin.
• Jelajahi analitik data.
• Pelajari tentang Kaggle dan cara kerjanya.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk pengembang yang ingin menerapkan pemrosesan aliran Apache Kafka tanpa menulis kode.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Confluent KSQL.
• Siapkan alur pemrosesan aliran hanya menggunakan perintah SQL (tanpa pengkodean Java atau Python).
• Melakukan penyaringan data, transformasi, agregasi, gabungan, windowing, dan sesiisasi sepenuhnya di SQL.
• Rancang dan terapkan kueri interaktif dan berkelanjutan untuk streaming ETL dan analisis waktu nyata.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di tempat) ini ditujukan untuk ilmuwan data dan pengembang yang ingin menggunakan Modin untuk membangun dan menerapkan komputasi paralel dengan Pandas untuk analisis data yang lebih cepat.

Pada akhir pelatihan ini, peserta akan dapat:

• Siapkan lingkungan yang diperlukan untuk mulai mengembangkan Pandas alur kerja berskala dengan Modin.
• Memahami fitur, arsitektur, dan keuntungan Modin.
• Ketahui perbedaan antara Modin, Dask, dan Ray.
• Lakukan operasi Pandas lebih cepat dengan Modin.
• Terapkan seluruh API dan fungsi Pandas.

Dalam pelatihan langsung yang dipandu instruktur di Indonesia (di tempat atau jarak jauh), peserta akan mempelajari cara menerapkan dan mengelola Apache NiFi di lingkungan lab langsung.

Pada akhir pelatihan ini, peserta akan dapat:

• Instal dan konfigurasikan Apachi NiFi.
• Sumber, transformasi, dan kelola data dari sumber data yang berbeda dan terdistribusi, termasuk basis data dan danau data besar.
• Mengotomatiskan aliran data.
• Aktifkan analitik streaming.
• Terapkan berbagai pendekatan untuk penyerapan data.
• Transformasi Big Data menjadi wawasan bisnis.

Dalam pelatihan langsung yang dipandu instruktur di Indonesia ini, peserta akan mempelajari dasar-dasar pemrograman berbasis aliran saat mereka mengembangkan sejumlah ekstensi demo, komponen, dan prosesor menggunakan Apache NiFi.

Pada akhir pelatihan ini, peserta akan dapat:

• Memahami arsitektur NiFi dan konsep aliran data.
• Mengembangkan ekstensi menggunakan NiFi dan API pihak ketiga.
• Mengembangkan prosesor Apache Nifi mereka sendiri.
• Menyerap dan memproses data secara real-time dari berbagai format file dan sumber data yang berbeda dan tidak umum.

Python adalah bahasa pemrograman tingkat tinggi yang terkenal karena sintaksisnya yang jelas dan keterbacaan kode. Spark adalah mesin pemrosesan data yang digunakan dalam kueri, analisis, dan transformasi data besar. PySpark memungkinkan pengguna untuk menghubungkan Spark dengan Python.

Target Pemirsa: Profesional tingkat menengah di industri perbankan yang familiar dengan Python dan Spark, yang ingin memperdalam keterampilan mereka dalam pemrosesan big data dan pembelajaran mesin.  

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk ilmuwan data dan pengembang yang ingin menggunakan RAPIDS untuk membangun alur data, alur kerja, dan visualisasi yang dipercepat GPU, dengan menerapkan algoritme pembelajaran mesin, seperti XGBoost, cuML, dll.

Pada akhir pelatihan ini, peserta akan mampu:

• Siapkan lingkungan pengembangan yang diperlukan untuk membangun model data dengan NVIDIA RAPIDS.
• Memahami fitur, komponen, dan kelebihan RAPIDS.
• Manfaatkan GPU untuk mempercepat jalur data dan analitik ujung ke ujung.
• Menerapkan persiapan data yang dipercepat GPU dan ETL dengan cuDF dan Apache Arrow.
• Pelajari cara melakukan tugas pembelajaran mesin dengan algoritma XGBoost dan cuML.
• Bangun visualisasi data dan jalankan analisis grafik dengan cuXfilter dan cuGraph.

Dalam pelatihan langsung yang dipimpin instruktur di Indonesia ini, peserta akan mempelajari cara menggunakan Python dan Spark bersama-sama untuk menganalisis data besar saat mereka mengerjakan latihan langsung.

Pada akhir pelatihan ini, peserta akan mampu:

• Pelajari cara menggunakan Spark dengan Python untuk menganalisis Big Data.
• Kerjakan latihan yang meniru kasus dunia nyata.
• Gunakan alat dan teknik yang berbeda untuk analisis data besar menggunakan PySpark.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk teknisi data, ilmuwan data, dan pemrogram yang ingin menggunakan fitur Spark Streaming dalam memproses dan menganalisis data waktu nyata.

Di akhir pelatihan ini, peserta akan dapat menggunakan Spark Streaming untuk memproses aliran data langsung untuk digunakan dalam database, sistem file, dan dasbor langsung.

Stratio adalah platform yang berorientasi data, yang mengintegrasikan big data, AI, dan governance menjadi satu solusi. Modul Rocket dan Intelligence-nya memungkinkan penjelajahan data cepat, transformasi, dan analitik lanjutan dalam lingkungan enterprise.

Pelatihan langsung (daring atau tatap muka) ini ditujukan untuk profesional data tingkat menengah yang ingin menggunakan modul Rocket dan Intelligence di Stratio dengan efektif bersama PySpark, fokus pada struktur pengulangan, fungsi definisi pengguna, dan logika data lanjutan.

Pada akhir pelatihan ini, peserta akan dapat:

• Menavigasi dan bekerja dalam platform Stratio menggunakan modul Rocket dan Intelligence.
• Mengaplikasikan PySpark dalam konteks penyerapan data, transformasi, dan analisis.
• Menggunakan loop dan logika kondisional untuk mengontrol alur kerja data dan tugas pemrosesan fitur.
• Membuat dan mengelola fungsi definisi pengguna (UDFs) untuk operasi data yang dapat didaur ulang dalam PySpark.

Format Kursus

• Diskusi dan kuliah interaktif.
• Banyak latihan dan praktik.
• Implementasi hands-on dalam lingkungan laboratorium langsung.

Opsi Penyesuaian Kursus

• Untuk meminta pelatihan yang disesuaikan untuk kursus ini, silakan hubungi kami untuk mengatur.