Estoy trabajando como desarrollador de software con 4 años de experiencia en tecnologías Java y J2EE. ¿Puedo cambiar a Bigdata y Hadoop con certificación?

El objetivo principal del análisis de big data es ayudar a las empresas a tomar decisiones comerciales más informadas al permitir que DATA Scientist, modeladores predictivos y otros profesionales de análisis analicen grandes volúmenes de datos de transacciones, así como otras formas de datos que la inteligencia comercial convencional puede aprovechar. (BI) programas. Eso podría incluir registros del servidor web y datos de Internet Click Stream, contenido de redes sociales e informes de actividad de redes sociales, texto de correos electrónicos de clientes y respuestas de encuestas, registros detallados de llamadas de teléfonos móviles y datos de máquinas capturados por sensores conectados a INTERNET. Algunas personas se asocian exclusivamente Big Data con datos semiestructurados y no estructurados de ese tipo, pero las empresas de consultoría como Gartner Inc. y Forrester Research Inc. también consideran que las transacciones y otros datos estructurados son componentes válidos de las aplicaciones de análisis de Big Data. Big Data, Data Science – Clases de entrenamiento de cursos combinados en línea | Big Data, Data Science – Cursos combinados de cursos en línea

Los grandes datos se pueden analizar con las herramientas de software comúnmente utilizadas como parte de las disciplinas de Advance Analytics, como la minería de datos de análisis predictivo, el análisis de texto y el método estático. El software de BI convencional y las herramientas de visualización también pueden desempeñar un papel en el proceso de análisis. Pero los datos semiestructurados y no estructurados pueden no encajar bien en el Data Warehouse tradicional basado en la base de datos relacional. Además, es posible que los almacenes de datos no puedan manejar las demandas de procesamiento que plantean los conjuntos de grandes datos que deben actualizarse con frecuencia o incluso de manera continua, por ejemplo, datos en tiempo real sobre el rendimiento de aplicaciones móviles o de oleoductos y gasoductos. Como resultado, muchas organizaciones que buscan recopilar, procesar y analizar grandes datos han recurrido a una nueva clase de tecnologías que incluye Hadoop y herramientas relacionadas como Yarn Spook, Spark y Pig, así como bases de datos No Sql. Esas tecnologías forman el núcleo de un marco de software de código abierto que admite el procesamiento de conjuntos de datos grandes y diversos en sistemas en clúster.

En algunos casos, los sistemas Hadoop Cluster y No SQL se están utilizando como plataformas de aterrizaje y áreas de preparación de datos antes de que se carguen en un almacén de datos para su análisis, a menudo en forma resumida que es más propicio para las estructuras relacionales. Sin embargo, cada vez más, los proveedores de big data están impulsando el concepto de una toma de datos de Hadoop que sirve como el depósito central para los flujos entrantes de datos sin procesar de una organización. En tales arquitecturas, los subconjuntos de datos se pueden filtrar para su análisis en almacenes de datos y bases de datos de análisis, o se pueden analizar directamente en Hadoop utilizando herramientas de consulta por lotes, software de procesamiento de flujo y tecnologías SQL y Hadoop que ejecutan consultas interactivas y ad hoc escritas en SQL Las posibles trampas que pueden hacer tropezar a las organizaciones en iniciativas de análisis de big data incluyen la falta de habilidades analíticas internas y el alto costo de contratar profesionales analíticos experimentados. La cantidad de información que generalmente está involucrada, y su variedad, también pueden causar dolores de cabeza en la gestión de datos, incluidos la calidad de los datos y los problemas de coherencia. Además, integrar sistemas Hadoop y almacenes de datos puede ser un desafío, aunque varios proveedores ahora ofrecen conectores de software entre Hadoop y bases de datos relacionales, así como otras herramientas de integración de datos con capacidades de big data.

• Soy un graduado químico de NIT y quiero conseguir un trabajo pronto en el sector de TI o nuevas empresas. ¿Qué lenguaje de programación debo elegir?
• ¿Cuál es el mejor camino hacia la política en Canadá?
• Soy un estudiante de CS (3er año, GPA - 7.24) en un IIT. Recientemente descubrí que ya no estoy interesado en el campo CS. ¿Qué debo hacer?
• ¿Es una buena idea tomar un descanso de su carrera en TI para despejar la mente?
• Si un graduado de IIT no consigue un trabajo en las ubicaciones del campus, ¿cuáles son sus opciones después de la graduación?

Las empresas están utilizando el poder de los conocimientos proporcionados por Big Data para establecer instantáneamente quién hizo qué, cuándo y dónde. El mayor valor creado por estos conocimientos oportunos y significativos de grandes conjuntos de datos es a menudo la toma de decisiones empresariales efectivas que permiten los conocimientos.

Extrapolar información valiosa de cantidades muy grandes de datos estructurados y no estructurados de fuentes dispares en diferentes formatos requiere la estructura adecuada y las herramientas adecuadas. Para obtener el máximo impacto comercial, este proceso también requiere una combinación precisa de personas, procesos y herramientas analíticas. Algunos de los beneficios comerciales potenciales de implementar una metodología eficaz de información de big data incluyen:

1. Información oportuna de la gran cantidad de datos. Esto incluye los que ya están almacenados en las bases de datos de la compañía, de fuentes externas de terceros, Internet, redes sociales y sensores remotos.
2. Monitoreo y pronóstico en tiempo real de eventos que impactan el desempeño del negocio o la operación
3. Capacidad para encontrar, adquirir, extraer, manipular, analizar, conectar y visualizar datos con las herramientas de elección (SAP HANA, SAP Sybase®, SAP Intelligence Analysis para la aplicación del sector público de Palantir, Kapow®, Hadoop).
4. Convergencia de la solución BDI para variedad con la velocidad de SAP HANA para velocidad
5. La capacidad de Hadoop para volúmenes de gestionar grandes cantidades de datos, dentro o fuera de la nube, con validación y verificación.
6. Identificar información importante que pueda mejorar la calidad de las decisiones.
7. Mitigar el riesgo optimizando las decisiones complejas de eventos no planificados más rápidamente

• Aborda la velocidad y escalabilidad, movilidad y seguridad, flexibilidad y estabilidad.
• Integración de datos estructurados y no estructurados.
• El tiempo de realización de la información es crítico para extraer valor de varias fuentes de datos, incluidos dispositivos móviles, identificación por radiofrecuencia (RFID), la Web y una lista creciente de tecnologías sensoriales automatizadas.
• SAP HANA proporciona el almacén de negocios / almacén de datos empresariales (BW / EDW) extremadamente acelerado.
• Hadoop proporciona almacenamiento de datos confiable y procesamiento paralelo de datos de alto rendimiento, la capacidad de almacenar conjuntos de datos extremadamente grandes.
• La nube es extensible, flexible, escalable, elástica, autorreparable, bajo demanda, etc. y proporciona la plataforma económica de hardware / software con todas las aplicaciones (como Kapow, SAP Intelligence Analysis for Public Sector application de Palantir, CRM, SAP Sybase IQ, SAP Data Services con análisis de texto) para una aceleración rápida con requisitos de menor costo de capital.

Hadoop es un marco de código abierto que permite almacenar y procesar grandes datos en un entorno distribuido en grupos de computadoras utilizando modelos de programación simples. Está diseñado para escalar desde servidores individuales hasta miles de máquinas, cada una de las cuales ofrece computación y almacenamiento local.

Este breve tutorial proporciona una introducción rápida a Big Data, el algoritmo de reducción de mapas y el sistema de archivos distribuidos de Hadoop.

Hadoop es un marco de código abierto de Apache escrito en Java que permite el procesamiento distribuido de grandes conjuntos de datos en grupos de computadoras utilizando modelos de programación simples. Una aplicación con marco Hadoop funciona en un entorno que proporciona almacenamiento distribuido y cómputo en grupos de computadoras. Hadoop está diseñado para escalar de un solo servidor a miles de máquinas, cada una de las cuales ofrece computación y almacenamiento local.

• Hadoop Common: son bibliotecas y utilidades de Java requeridas por otros módulos de Hadoop. Estas bibliotecas proporcionan abstracciones a nivel del sistema de archivos y del sistema operativo y contienen los archivos y scripts Java necesarios para iniciar Hadoop.
• Hadoop YARN: este es un marco para la programación de trabajos y la gestión de recursos de clúster.
• Sistema de archivos distribuidos de Hadoop (HDFS ™): un sistema de archivos distribuido que proporciona acceso de alto rendimiento a los datos de la aplicación.
• Hadoop Map-reduce: este es un sistema basado en YARN para el procesamiento paralelo de grandes conjuntos de datos.

Hadoop Map Reduce es un marco de software para escribir fácilmente aplicaciones que procesan grandes cantidades de datos en paralelo en grandes grupos (miles de nodos) de hardware Commodity de una manera confiable y tolerante a fallas.

El término Reducción de mapa en realidad se refiere a las siguientes dos tareas diferentes que realizan los programas de Hadoop:

• La tarea de mapa: esta es la primera tarea, que toma datos de entrada y los convierte en un conjunto de datos, donde los elementos individuales se dividen en tuplas (pares clave / valor).
• La tarea Reducir: esta tarea toma la salida de una tarea de mapa como entrada y combina esas tuplas de datos en un conjunto más pequeño de tuplas. La tarea de reducción siempre se realiza después de la tarea de mapa.

Por lo general, tanto la entrada como la salida se almacenan en un sistema de archivos. El marco se encarga de programar tareas, monitorearlas y volver a ejecutar las tareas fallidas.

El marco Map Reduce consta de un único Job Tracker maestro y un esclavo Task Tracker por clúster-nodo. El maestro es responsable de la gestión de recursos, rastreando el consumo / disponibilidad de recursos y programando las tareas del componente de trabajos en los esclavos, monitoreándolos y volviendo a ejecutar las tareas fallidas. Los esclavos Task Tracker ejecutan las tareas según las indicaciones del maestro y proporcionan información del estado de la tarea al maestro periódicamente.

Job Tracker es un punto único de falla para el servicio Hadoop Map Reduce, lo que significa que si Job Tracker se cae, todos los trabajos en ejecución se suspenden.

Sistema de archivos distribuidos de Hadoop

Hadoop puede trabajar directamente con cualquier sistema de archivos distribuido montable, como Local FS, HFTP FS, S3 FS y otros, pero el sistema de archivos más común utilizado por Hadoop es el Sistema de archivos distribuidos de Hadoop (HDFS).

El Sistema de archivos distribuidos de Hadoop (HDFS) se basa en el Sistema de archivos de Google (GFS) y proporciona un sistema de archivos distribuido que está diseñado para ejecutarse en grandes grupos (miles de computadoras) de máquinas pequeñas de una manera confiable y tolerante a fallas.

HDFS utiliza una arquitectura maestro / esclavo donde el maestro consiste en un solo nodo de nombre que administra los metadatos del sistema de archivos y uno o más nodos de datos esclavos que almacenan los datos reales.

Un archivo en un espacio de nombres HDFS se divide en varios bloques y esos bloques se almacenan en un conjunto de nodos de datos. El nodo de nombre determina la asignación de bloques a los nodos de datos. Los nodos de datos se encargan de la operación de lectura y escritura con el sistema de archivos. También se encargan de la creación, eliminación y replicación de bloques en función de las instrucciones impartidas por Name Node.

HDFS proporciona un shell como cualquier otro sistema de archivos y hay una lista de comandos disponibles para interactuar con el sistema de archivos. Estos comandos de shell se tratarán en un capítulo separado junto con ejemplos apropiados.

¿Cómo funciona Hadoop?

Nivel 1

Un usuario / aplicación puede enviar un trabajo a Hadoop (un cliente de trabajo hadoop) para el proceso requerido especificando los siguientes elementos:

1. La ubicación de los archivos de entrada y salida en el sistema de archivos distribuido.
2. Las clases de Java en forma de archivo jar que contiene la implementación de las funciones map y reduce.
3. La configuración del trabajo estableciendo diferentes parámetros específicos del trabajo.

Etapa 2

El cliente de trabajo de Hadoop luego envía el trabajo (jar / ejecutable, etc.) y la configuración al Job Tracker, que luego asume la responsabilidad de distribuir el software / configuración a los esclavos, programar tareas y monitorearlas, proporcionando información de estado y diagnóstico al trabajo. cliente.

Etapa 3

Los Rastreadores de tareas en diferentes nodos ejecutan la tarea según la implementación de Map Reduce y la salida de la función reduce se almacena en los archivos de salida del sistema de archivos.

Ventajas de Hadoop

• El marco Hadoop permite al usuario escribir y probar rápidamente sistemas distribuidos. Es eficiente y distribuye automáticamente los datos y el trabajo a través de las máquinas y, a su vez, utiliza el paralelismo subyacente de los núcleos de la CPU.
• Hadoop no depende del hardware para proporcionar tolerancia a fallas y alta disponibilidad (FTHA), sino que la biblioteca de Hadoop se ha diseñado para detectar y manejar fallas en la capa de aplicación.
• Los servidores se pueden agregar o quitar dinámicamente del clúster y Hadoop continúa funcionando sin interrupción.
• Otra gran ventaja de Hadoop es que, además de ser de código abierto, es compatible en todas las plataformas, ya que está basado en Java.