ПОИСК
Быстрый заказ
ОЦЕНКА КУРСАобщая оценка курса:оценка преподавателя: Хочу скидку |
Практически все крупные компании в качестве одного из ключевых направлений своего развития называют Data Centric (дата-центричность). И справедливо полагают, что разработка и внедрение проектов Big Data - построение озер данных, расширяющих возможности "традиционных DWH" - продвинут их в этом направлении. Всегда ли эти ожидания оправдываются? Все ли зависит от выбранного технологического стека? Что мы можем сделать, чтобы избежать фиаско Big Data-проекта?
Если Вы задавались вышеперечисленными вопросами, сталкивались со сложностями реализации Big Data-проектов или прямо сейчас планируете включиться в один из них - значит, скорее всего, зона Ваших профессиональных интересов лежит в направлении данного курса. И представленный в нем материал может быть Вам полезен. Одним из ключевых факторов успеха любого проекта, связанного с данными - это внимание архитектурному проектированию системы, в том числе аспектам построения модели данных. Это фундамент, без подготовки которого невозможно построение сколь-нибудь надежного и отвечающего своим задачам "сооружения" - будь то "озеро данных", традиционное хранилище данных или иная система аналитического класса.
РАСПИСАНИЕ ЗАНЯТИЙ
|
Содержание курса
- Введение
- Основные определения
- Архитектура. Модели данных
- Data Driven подход. Успехи. Проблемы. Эволюция.
- Application Centric vs Data Centric. Когда внедряя Bigdata мы приближаемся к Data Centric, а когда отдаляемся?
- Какие проблемы мы не можем решить на уровне DataLake/DWH.
- Что такое Data Governance.
- Корпоративная модель данных (EDM) как часть Data Governance
- Архитектор данных. Роли и задачи.
- Архитектура Bigdata.
- В каких точках возникает тема Модели данных?
- В чем их специфика.
- Основные подходы к моделированию данных, применяемые в разных компонентах
- Виды моделей данных. Их назначение и особенности.
- Реляционная модель данных. Нормализация и денормализация.
- Классическая концептуальная модель "сущность-связь" и ее расширения.
- Нотации и инструменты моделирования данных.
- Концептуальная, логическая и физическая модели данных.
- Моделирование первичных данных.
- BEAM (Business Event Activity Modeling) - подход к проектированию моделей для аналитических задач
- Моделирования ядра.
- Моделирование аналитических витрин.
- Метаданные.
- Паттерны и антипаттерны в моделировании данных
- Примеры и кейсы. Варианты решений.
- Примеры задач и решений по моделированию данных
Слушатели
Курс для ИТ-архитекторов, системных аналитиков и разработчиков, которым интересна тема проектирования моделей данных систем аналитического класса (озера и хранилища данных). Курс может быть также полезен руководителям Big Data-проектов и команд в области аналитики, а также специалистам направления Data Governance.
Предварительная подготовка
- Знание основ Hadoop, DWH (DataWareHouse) , СУБД (желательно) Знания в рамках курса DPREP: Подготовка данных для Data Mining (рекомендованно)