Big Data - Definitionen, Technologien und Produkte im Überblick (Inhouse)

• Wahrnehmungen und Definitionen:
  • Grenzen klassischer Datenbanken und Tools 
  • Neue Anforderungen: Unstrukturierte Daten, Internet of Things, Sensordaten, Echtzeitanalyse 
  • Gartner 3V (Volume, Velocity, Variety), IBM 4V (Volume, Velocity, Variety, Veracity)
  • Real und Near-Real Time Analytics, Streaming, Machine Learning (ML) und Artificial Intelligence (AI)
  • Data Warehouse, Grenzen von ETL
  • Data Lake Konzepte, ELT, In Memory Analytics
  • Big Data Tag Cloud der Assoziationen
  Technologien und Anforderungen:
  • GRID Konzepte für Massiv Parallel Processing (MPP)
  • Verteilte Dateisysteme, DAS, NAS, SAN
  • Infrastrukturmanagement: Scale Out vs. Scale Up
  • MAP/REDUCE, In Memory Data, Columnar Data Organization
  • CAP-Theorem, ACID, BASE
  • Replikationsverfahren
  • NoSQL und NewSQL
  • Big Data und Cloud Computing
  • Machine Learning und Deep Learning
  Produkte und Herstellerstrategien:
  • Apache HADOOP Core, Apache HADOOP Common: HBASE, Hive, Pig, Oozie, Flume, Kafka, Zookeeper etc.
  • Beyond HADOOP: Apache Spark - Streaming, Machine Learning, SQL und Graph, Apache Flink
  • Kommerzielle HADOOP Distributionen: Hortonworks, Cloudera, MapR, Microsoft HDInsight
  • Cloud-Based Services: AWS Lex, IBM Watson, Google Cloud, Microsoft Azure
  • Google Tensorflow
  • ORACLE, IBM, SAP, SAS, Microsoft

Methode

Der Vortrag der Trainer:innen steht im Vordergrund, dabei ermöglichen es Ihnen Diskussionsphasen, Fragen aus Ihrer Praxis einzubringen und Ihre Erfahrungen mit den anderen Teilnehmenden auszutauschen und gegenseitig Wissen zu ergänzen.