Spark Scala - Traitement des données

Jour 1

Introduction à Scala pour Apache Spark

• Présentation de Scala
• Pourquoi Scala avec Spark ?
• Scala dans les autres framework
• Introduction à Scala REPL
• Les opérations basiques sur Scala
• Les types de variables dans Scala
• Les structures de contrôles dans Scala
• Les boucles
• Les fonctions
• Les procédures
• Les collections dans Scala (Array, ArrayBuffer, Map, Tuples, Lists...)

Introduction au Big Data et Apache Spark

• Introduction au Big Data
• Les challenges du Big Data
• Batch vs le temps réel dans le Big Data Analytics
• Analyse en Batch Hadoop
• Vue d'ensemble de l'écosystème
• Les options de l'analyse en temps réel
• Streaming Data Spark
• In-memory Data Spark
• Présentation de Spark
• Ecosystème Spark
• Les modes de Spark
• Installation de Spark
• Vue d'ensemble de Spark en cluster
• Spark Standalone cluster
• Spark Web UI

Jour 2

Les opérations communes sur Spark

• Utilisation de Spark Shell
• Création d'un contexte Spark
• Chargement d'un fichier en Shell
• Réalisation d'opérations basiques sur un fichier avec Spark Shell
• Présentation du l'environnement de développement SBT
• Créer un projet Spark avec SBT
• Exécuter un projet Spark avec SBT
• Le mode local
• Le mode Spark
• Le caching sur Spark
• Persistance distribuée

Introduction aux RDD et DataFrame

• Transformations dans le RDD
• Actions dans le RDD
• Chargement de données dans RDD
• Enregistrement des données à travers RDD
• Paire clé-valeur "RDD MapReduce" et les paires "RDD Operations"
• Intégration HDFS avec Spark et Hadoop
• Intégration YARN avec Spark et Hadoop
• Gestion des fichiers de séquences et les partitionner

Exemple de travaux pratiques (à titre indicatif)

• Data PreProcessing avec Spark DataFrame

Jour 3

Spark Streaming et MLlib

• Architecture de Spark Streaming
• Premier programme avec Spark Streaming
• Les transformations dans Spark Streaming
• La "fault tolerance" dans Spark Streaming
• Checkpointing
• Niveaux de parallélismes
• Machine Learning avec Spark
• Types de données
• Algorithmes et statistiques
• Classification et régression
• Clustering
• Filtrage collaboratif

GraphX, SparkSQL et amélioration des performances dans Spark

• Analyse de l'architecture de Hive et Spark SQL
• SQLContext dans Spark SQL
• Travailler avec les DataFrames
• Implémentation d'un exemple pour Spark SQL
• Intégration de Hive et Spark SQL
• Support pour JSON et les formats des "Parquet File"
• Implémentation de la Data Visualization avec Spark
• Chargement de données
• Les requêtes Hive à travers Spark
• Les techniques de tests dans Scala
• Les astuces d'amélioration de performance dans Spark
• Les variables partagées
• Diffusion des variables
• Partage de variables
• Accumulateurs

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

Modalités d’évaluation des acquis

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation