Apache Spark培训

本课程为讲师指导的培训，在中国（线上或线下）进行，面向希望使用Google Colab和Apache Spark进行大数据处理和分析的中级数据科学家和工程师。

通过本课程，学员将能够：

• 使用Google Colab和Spark搭建大数据环境。
• 利用Apache Spark高效处理和分析大型数据集。
• 在协作环境中可视化大数据。
• 将Apache Spark与基于云的工具集成。

这种以讲师为主导的中国现场培训（现场或远程）针对希望使用和集成Spark，Hadoop和Python以处理，分析和转换大型复杂数据集的开发人员。

在培训结束时，参与者将能够：

• 设置必要的环境以开始使用 Spark、Hadoop 和 Python 处理大数据。
• 了解 Spark 和 Hadoop 的功能、核心组件和架构。
• 了解如何集成 Spark、Hadoop 和 Python 进行大数据处理。
• 探索 Spark 生态系统中的工具（Spark MlLib、Spark Streaming、Kafka、Sqoop、Kafka 和 Flume）。
• 构建类似于 Netflix、YouTube、Amazon、Spotify 和 Google 的协作过滤推荐系统。
• 使用 Apache Mahout 扩展机器学习算法。

本培训为讲师主导的直播培训，在 中国 进行，支持线上或线下模式。培训面向初学者至中级水平的系统管理员，旨在帮助大家部署、维护和优化 Spark 集群。

完成本培训后，参与者将能够：

• 在各类环境中安装和配置 Apache Spark。
• 管理集群资源，并监控 Spark 应用程序。
• 优化 Spark 集群的性能。
• 实施安全措施，确保系统高可用性。
• 调试并排查常见的 Spark 问题。

在这门位于 中国 的讲师带领的线下培训中，学员将通过动手练习，学习如何结合Python和Spark来分析大数据。

完成培训后，学员将能够：

• 学习使用Spark和Python分析大数据。
• 完成模拟真实场景的练习。
• 使用PySpark的不同工具和技术进行大数据分析。

本次由讲师主导的实时培训（线上或线下）面向希望使用Databricks和PySpark构建可扩展数据管道并迁移现有SQL工作流的data engineers、data analysts以及data professionals。

本培训提供了一个实用的入门指南，介绍如何使用PySpark构建可扩展的数据处理和机器学习工作流。参与者将学习Apache Spark在现代大数据生态系统中的运作方式，以及如何利用分布式计算原理高效处理大规模数据集。

本课程为期三天，注重实操，旨在利用Kubernetes环境中的PySpark、Pandas和Polars构建并优化高效的数据处理工作负载。

学员将深入理解Spark应用在Kubernetes上的执行机制，以及应用层配置决策如何影响性能、可扩展性、资源消耗和成本。课程涵盖关键优化领域，包括执行器规模调整、内存分配、动态分配、分区策略、Shuffle行为、小文件问题及高效的Parquet处理。

课程还探讨了使用Pandas时面临的常见挑战，如内存限制和内存溢出故障，并引入Polars作为特定数据处理工作负载的高性能替代方案。通过动手练习，学员将诊断性能和内存问题，比较不同的配置策略，并将优化技术应用到真实的ETL和机器学习场景中。

课程始终强调实用决策能力：理解如何识别瓶颈、选择合适的工具、高效配置Spark，并平衡性能与基础设施资源消耗及成本。

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望建立和部署Apache Spark系统以处理大量数据的工程师。

在培训结束时，参与者将能够：

• 安装和配置 Apache Spark。
• 快速处理和分析非常大的数据集。
• 了解Apache Spark和Hadoop MapReduce之间的区别，以及何时使用哪个。
• 将 Apache Spark 与其他机器学习工具集成。