در حال حاضر محصولی در سبد خرید شما وجود ندارد.
سیستم های زمان واقعی زمان پاسخگویی را تضمین می کنند که می توانند از طریق ماشه زیر ثانیه باشند. به این معنی که وقتی کاربر روی یک دکمه کلیک می کند ، برنامه شما بهتر پاسخ می دهد - و سریع. برنامه های معماری تحت محدودیت های زمان واقعی هنگام برخورد با داده های بزرگ ، یک چالش حتی بزرگتر است. تأخیر بیش از حد می تواند از نظر منابع سیستم مصرف شده و مشتریان از دست رفته هزینه شما را هزینه کند. خوشبختانه ، فناوری داده های بزرگ و معماری کارآمد می تواند پاسخگویی در زمان واقعی نیازهای تجاری شما را فراهم کند. در این دوره ، می توانید در مورد موارد استفاده و بهترین روشها برای معماری برنامه های کاربردی در زمان واقعی با فناوری هایی مانند Kafka ، Hazelcast و Apache Spark اطلاعات کسب کنید.
عنوان اصلی : Architecting Big Data Applications: Real-Time Application Engineering
سرفصل های دوره :
هیچ برنامه نویسی درگیر نیست. در عوض ، خواهید دید که چگونه ابزارهای داده بزرگ می توانند به حل برخی از پیچیده ترین چالش ها برای مشاغل تولید ، ذخیره و تجزیه و تحلیل مقادیر زیادی از داده ها کمک کنند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیکی و فناوری اطلاعات تهیه شده است. مربی Kumaran Ponnambalam نشان می دهد که چگونه می توان یک مشکل را تجزیه و تحلیل کرد ، یک طرح معماری را ترسیم کرد ، فناوری های مناسب را انتخاب کرده و راه حل را نهایی می کند. وی پس از هر مورد استفاده ، بهترین شیوه های مرتبط را برای پخش در زمان واقعی ، تجزیه و تحلیل پیش بینی کننده ، پردازش موازی و مدیریت خط لوله بررسی می کند. هر درس سرشار از تکنیک های عملی و بینش از یک توسعه دهنده است که مزایا و کاستی های این فناوری ها را دست اول تجربه کرده است.
مقدمه:
خوش آمدید
1. داده های بزرگ در زمان واقعی:
زمان واقعی چیست؟
چالش های زمان واقعی
استراتژی هایی برای پردازش داده های بزرگ در زمان واقعی
2. استفاده از مورد 1: تجزیه و تحلیل احساسات رسانه های اجتماعی (SM):
sm: مشکل را تجزیه و تحلیل کنید
SM: راه حل را تشریح کنید
SM: فناوری ها را در نظر بگیرید
SM: معماری را بیان کنید
SM: طراحی عناصر کلیدی
بهترین شیوه ها: جریان در زمان واقعی
3. از مورد 2 استفاده کنید: تشخیص کلاهبرداری در زمان واقعی (FD):
FD: مشکل را تجزیه و تحلیل کنید
FD: راه حل را تشریح کنید
FD: فناوری ها را در نظر بگیرید
FD: معماری را کنار بگذارید
FD: طراحی عناصر کلیدی
بهترین شیوه ها: تجزیه و تحلیل پیش بینی کننده
4. از مورد 3 استفاده کنید: توصیه های تولید وب سایت (PR):
PR: مشکل را تجزیه و تحلیل کنید
PR: راه حل را تشریح کنید
PR: فناوری ها را در نظر بگیرید
PR: معماری را کنار بگذارید
PR: طراحی عناصر کلیدی
بهترین شیوه ها: پردازش موازی
5. از مورد 4: کوپن موبایل (MC) استفاده کنید:
MC: مشکل را تجزیه و تحلیل کنید
MC: راه حل را تشریح کنید
MC: فناوری ها را در نظر بگیرید
MC: معماری را کنار بگذارید
MC: طراحی عناصر کلیدی
بهترین شیوه ها: مدیریت خط لوله
نتیجه گیری:
مراحل بعدی
Architecting Big Data Applications: Real-Time Application Engineering
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
Architecting Big Data Applications: Batch Mode Application Engineering
آموزش ضروری Apache Kafka : شروع به کار
آموزش پیاده سازی Data Science بر روی کلود گوگل
آموزش ساخت برنامه های قابل توسعه و بزرگ شدن بوسیله آپاچی کافکا
آموزش اعمال و استفاده از هوش مصنوعی در IT
آموزش پردازش استریم ها بوسیله Kafka Streams
Applied AI: Building NLP Apps with Hugging Face Transformers
Data Science on Google Cloud Platform: Predictive Analytics
Edge AI: Tools and Best Practices for Building AI Applications at the Edge
آموزش انجام تحلیل های پیشرفته با MySQL