Formation Spark, Développer des applications pour le BigData

Avoir des connaissances de Java ou Python et des notions de calculs statistiques

6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
Remise d’une documentation pédagogique papier ou numérique pendant le stage
La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions

Consultant-Formateur expert Bigdata

Présentation Spark, origine du projet, apports, principe de fonctionnement. Langages supportés
Modes de fonctionnement : batch/Streaming
Bibliothèques : Machine Learning, IA
Mise en oeuvre sur une architecture distribuée. Architecture : clusterManager, driver, worker, …
Architecture : SparkContext, SparkSession, Cluster Manager, Executor sur chaque noeud. Définitions : Driver program, Cluster manager, deploy mode, Executor, Task, Job

Intégration de Spark avec HDFS, HBase
Création et exploitation d’un cluster Spark/YARN. Intégration de données sqoop, kafka, flume vers une architecture Hadoop et traitements par Spark
Intégration de données AWS S3
Différents cluster managers : Spark interne, avec Mesos, avec Yarn, avec Amazon EC2
Exemple d’atelier : Mise en oeuvre avec Spark sur Hadoop HDFS et Yarn. Soumission de jobs, supervision depuis l’interface web

Objectifs , principe de fonctionnement: stream processing. Source de données : HDFS, Flume, Kafka, …
Notion de StreamingContext, DStreams, démonstrations
Exemple d’atelier : traitement de flux DStreams en Scala. Watermarking. Gestion des micro-batches
Intégration de Spark Streaming avec Kafka
Exemple d’atelier : mise en oeuvre d’une chaîne de gestion de données en flux tendu : IoT, Kafka, SparkStreaming, Spark. Analyse des données au fil de l’eau

Utilisation du shell Spark avec Scala ou Python. Modes de fonctionnement. Interprété, compilé
Utilisation des outils de construction. Gestion des versions de bibliothèques
Exemple d’atelier : Mise en pratique en Java, Scala et Python. Notion de contexte Spark. Extension aux sessions Spark

Spark et SQL
Traitement de données structurées. L’API Dataset et DataFrames
Jointures. Filtrage de données, enrichissement. Calculs distribués de base. Introduction aux traitements de données avec map/reduce
Lecture/écriture de données : Texte, JSon, Parquet, HDFS, fichiers séquentiels
Optimisation des requêtes. Mise en oeuvre des Dataframes et DataSet. Compatibilité Hive
Exemple d’ateliers : écriture d’un ETL entre HDFS et HBase. Extraction, modification de données dans une base distribuée. Collections de données distribuées. Exemples

Description rapide de l’architecture Cassandra. Mise en oeuvre depuis Spark. Exécution de travaux Spark s’appuyant sur une grappe Cassandra

Exemple d’atelier : exemples d’opérations sur les graphes
Fourniture d’algorithmes, d’opérateurs simples pour des calculs statistiques sur les graphes

Machine Learning avec Spark, algorithmes standards supervisés et non-supervisés (RandomForest, LogisticRegression, KMeans, …)
Gestion de la persistance, statistiques
Mise en oeuvre avec les DataFrames
Exemple d’atelier : mise en oeuvre d’une régression logistique sur Spark