Vous voulez passer l’examen de spécialité en analyse de données certifiée AWS en toute confiance, et c’est ce que ce cours vous propose. 

L’examen de spécialité AWS Certified Data Analytics est l’un des examens de certification les plus difficiles que vous pouvez passer sur Amazon. La réussite de cet examen indique clairement aux employeurs que votre connaissance des grands systèmes de données est vaste et approfondie. Mais, même les technologues expérimentés doivent se préparer intensivement à cet examen. Ce cours vous prépare à la réussite, en couvrant toutes les grandes technologies de données de l’examen et leur interaction.

Tout au long du cours, vous aurez de nombreuses occasions de renforcer votre apprentissage grâce à des laboratoires personnalisés. Nous vous donnerons également des conseils et des stratégies utiles pour passer l’examen en cours de route.

 

DURÉE D’ASSIMILATION DE LA MATIÈRE

Nos formations demandent un engagement et de l’action de part de l’apprenant.
Il est acteur de son apprentissage.

Chaque personne est unique.
Elle a son propre parcours, sa propre expérience ainsi que sa motivation.
Tous ces facteurs et d’autres influencent énormément l’assimilation de nouvelles informations.

Le temps moyen estimé de cette formation est de : 21 Heures

PUBLIC

Architectes de solutions, scientifiques et analystes de données souhaitant en savoir plus sur les services et les types d’architectures soutenant les solutions de Big Data sur AWS.

OBJECTIFS DE LA FORMATION

Le monde de l’analyse des données sur les AWS comprend un éventail étourdissant de technologies et de services. Voici un échantillon des sujets que nous traitons en profondeur :

  • Streaming de données massives avec AWS Kinesis
  • Mise en file d’attente des messages avec le Simple Queue Service (SQS)
  • La lutte contre l’explosion des données de l’Internet des objets (IOT)
  • Passer des petites aux grandes données avec le service de migration des bases de données (DMS) de l’AWS
  • Stockage de données massifs avec le service de stockage simple (S3)
  • Optimiser les requêtes transactionnelles avec DynamoDB
  • Lier vos grands systèmes de données avec AWS Lambda
  • Rendre les données non structurées interrogeables avec AWS
  • Traitement des données à une échelle illimitée avec Elastic MapReduce, y compris Apache Spark, Hive, HBase, Presto, Zeppelin, Splunk et Flume
  • Appliquer les réseaux neuronaux à grande échelle avec Deep Learning, MXNet et Tensorflow
  • Application d’algorithmes avancés d’apprentissage machine à l’échelle avec Amazon SageMaker
  • Analyser les données de streaming en temps réel avec Kinesis Analytics
  • Recherche et analyse de données à l’échelle du pétaoctet avec Amazon Elasticsearch Service
  • Interroger  les données S3 avec Amazon Athena
  • Hébergement d’entrepôts de données à grande échelle avec Redshift et Redshift Spectrum

PROGRAMME DÉTAILLÉ

Chapitre 01: Introduction au Cloud Computing​

  • Qu’est-ce que le cloud computing?
  • Plateforme cloud Amazon Web Services 
  • Économie du cloud AWS
  • Principes de conception de l’architecture cloud AWS
  • Bases de données

Chapitre 02: Collection​

  • Concepts de base de Kinesis Stream
  • Kinesis Stream Emitting Data vers les services AWS
  • Kinesis Firehose
  • Amazon SQS
  • AWS IOT 
  • Pipeline de données AWS 
  • Carte mentale

Chapitre 03: Stockage​    ​

  • Amazon Glacier  
  • Présentation de DynamoDB 
  • Partitions DynamoDB 
  • DynamoDB GSI / LSI
  • DynamoDB Flux et réplication 
  • Analyse approfondie des performances DynamoDB
  • Mind Map

Chapitre 04: Traitement​

  • Amazon Elastic MapReduce (EMR)
  • Apache Hadoop 
  • Architecture de l’EMR
  • Opérations EMR 
  • Utilisation de Hue avec EMR
  • Hive on EMR
  • HBase avec EMR 
  • Presto avec EMR
  • Spark avec EMR
  • Stockage et compression de fichiers EMR 
  • Laboratoire 4.1: EMR
  • AWS Lambda dans l’écosystème AWS BigData
  • HCatalogue  
  • Lab 4.2: HCatalog  
  • Carte mentale

Chapitre 05: Analyse ​

  • RedShift
  • RedShift dans l’écosystème AWS  
  • Lab 5-01: Génération de l’ensemble de données 
  • Lab 5-02: RedShift
  • Apprentissage automatique
  • Lab 5-03: Apprentissage automatique
  • Elasticsearch 
  • RStudio
  • Laboratoire 5-04: RStudio 
  • Athéna
  • Lab 5-05: Athéna
  • Carte mentale

Chapitre 06: Visualisation​

  • Présentation d’Amazon QuickSight 
  • Visualisation QuickSight 
  • Visualisation Big Data
  • MicroStrategy
  • Carte mentale

Chapitre 07: Sécurité ​

  • Sécurité du EMR  
  • Sécurité RedShift 

PRÉ-REQUIS

  • Avoir suivi la formation AWS-FND « Amazon Web Services – Notions techniques de base » ou posséder un niveau d’expérience équivalent.
  • Connaître de manière basique les technologies de Big Data, notamment Apache Hadoop, MapReduce, HDFS et les requêtes SQL / NoSQL.
  • Savoir utiliser les principaux services d’AWS et l’implémentation de Cloud public, comprendre les concepts d’entrepôt de données, de systèmes de base de données relationnelle et de conception de base de données

Certifications

L’examen AWS Certified Big Data – Specialty valide les compétences et l’expérience dans la réalisation d’analyses Big Data complexes à l’aide des technologies AWS.

Programme de Formation

Introduction
AWS BIG DATA – Module 1 Introduction au Cloud Computing GRATUIT 00:40:00
Première Partie
AWS BIG DATA – Module 2 Collection – Leçon 1 Présentation du flux Kinesis 00:20:00
AWS BIG DATA – Module 2 Collection – Leçon 2 Kinesis Stream Emitting Data vers les services AWS​ 00:40:00
AWS BIG DATA – Module 2 Collection – Leçon 3 Amazon SQS 00:08:00
AWS BIG DATA – Module 2 Collection – Leçon 4 AWS IOT 00:14:00
AWS BIG DATA – Module 2 Collection – Leçon 5 Pipeline de données AWS ​ 00:11:00
AWS BIG DATA – Module 3 Stockage – Leçon 1 Amazon Glacier 00:07:00
AWS BIG DATA – Module 3 Stockage – Leçon 2 Présentation de DynamoDB 00:40:00
AWS BIG DATA – Module 3 Stockage – Leçon 3 Partitions DynamoDB 00:09:00
AWS BIG DATA – Module 3 Stockage – Leçon 4 DynamoDB GSI/LSI 00:26:00
AWS BIG DATA – Module 3 Stockage – Leçon 5 Flux DynamoDB et réplication 00:09:00
AWS BIG DATA – Module 3 Stockage – Leçon 6 Analyse approfondie des performances DynamoDB 00:40:00
AWS BIG DATA – Module 4 Traitement – Leçon 1 Amazon Elastic MapReduce (EMR) 00:25:00
AWS BIG DATA – Module 4 Traitement – Leçon 2 AWS Lambda dans l’écosystème AWS BigData 00:10:00
AWS BIG DATA – Module 4 Traitement – Leçon 3 HCatalogue 00:01:00
AWS BIG DATA – Module 4 Traitement – Leçon 4 Opérations EMR 00:15:00
AWS BIG DATA – Module 4 Traitement – Leçon 5 Utilisation de Hue avec EMR 00:07:00
AWS BIG DATA – Module 4 Traitement – Leçon 6 Spark avec EMR 00:14:00
AWS BIG DATA – Module 4 Traitement – Leçon 7 Stockage et compression de fichiers EMR 00:04:00
Deuxième Partie
AWS BIG DATA – Module 5 Analyse ​- Leçon 1 RedShift 00:08:00
AWS BIG DATA – Module 5 Analyse – Leçon 2 RedShift dans l’écosystème AWS 00:53:00
AWS BIG DATA – Module 5 Analyse – Leçon 3 Apprentissage automatique 00:05:00
AWS BIG DATA – Module 5 Analyse – Leçon 4 Elasticsearch 00:09:00
AWS BIG DATA – Module 5 Analyse – Leçon 5 RStudio 00:02:00
AWS BIG DATA – Module 5 Analyse – Leçon 6 Athena 00:05:00
AWS BIG DATA – Module 6 Visualisation – Leçon 1 Présentation d’Amazon QuickSight 00:11:00
AWS BIG DATA – Module 6 Visualisation – Leçon 2 Visualisation QuickSight 00:09:00
AWS BIG DATA – Module 6 Visualisation – Leçon 3 Visualisation Big Data 00:08:00
AWS BIG DATA – Module 6 Visualisation – Leçon 4 MicroStrategy 00:02:00
AWS BIG DATA – Module 7 Sécurité – Leçon 1 Sécurité du DME 00:16:00
AWS BIG DATA – Module 7 Sécurité – Leçon 2 Sécurité RedShift 00:09:00
AWS BIG DATA – Module 7 Sécurité – Leçon 3 Sécurité Redshift 00:05:00
AWS BIG DATA – Module 4 Traitement – Laboratoire 4.1: EMR​ 00:10:00
AWS BIG DATA – Module 4 Traitement – Lab 4.2: HCatalog  ​ 00:05:00
AWS BIG DATA – Module 5 Analyse ​- Laboratoire 5-04: RStudio ​ 00:08:00
AWS BIG DATA – Module 5 Analyse – Lab 5-05: Athéna​ 00:16:00