Séance de cours
L’Internet des objets et l’évolution du lieu de travail
Séances de cours associées (35)
Analyse des données au repos et des données en mouvement
Explore la combinaison de données au repos avec des données en mouvement, en mettant l'accent sur les complexités de l'architecture Lambda et l'évaluation de la qualité des flux et des lots.
Intelligence artificielle : le nouvel ajout radical au travail
Explore la convergence de l'IoT, du Big Data et du Deep Learning dans les applications d'intelligence artificielle dans divers secteurs.
Apache Spark Ecosystem : bases et opérations
Fournit une vue d'ensemble de l'écosystème Apache Spark, couvrant les bases, les opérations et les composants clés.
Mise à jour Excel: Fonctions avancées et analyse de données
Couvre les fonctions avancées Excel et les techniques d'analyse de données, y compris l'enregistrement automatique et l'utilisation de Solver.
Système d'exécution distribué à usage général
Examine la conception d'un système d'exécution distribué à usage général, couvrant les défis, les cadres spécialisés, la logique de contrôle décentralisée et les remaniements de haute performance.
Introduction générale aux données massives
Couvre les outils de science des données, Hadoop, Spark, les écosystèmes des lacs de données, le théorème CAP, le traitement par lots vs. flux, HDFS, Hive, Parquet, ORC, et l'architecture MapReduce.
Entrepôts de données et lacs de données
Couvre les entrepôts de données, les lacs de données, le PLOLO et le PLOLO, la qualité des données et le concept de Data Lakehouse.
ServiceNow: Créer des tableaux de bord et des rapports
Explore la création de tableaux de bord dans ServiceNow, en mettant l'accent sur les avantages, la transition des pages d'accueil et des concepts importants comme les tâches et les incidents.
Cadres de données Spark
Couvre les cadres de données Spark, les collections distribuées de données organisées en colonnes nommées, et les avantages de les utiliser sur les DDR.
Régression linéaire et régression logistique
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.