Présentation de Google Cloud Dataproc

• Créer et gérer des clusters
• Exploiter des types de machines personnalisés et des noeuds de calcul préemptifs
• Faire évoluer et supprimer des clusters
• Atelier : Créer des clusters Hadoop avec Google Cloud Dataproc

Exécution de tâches Dataproc

• Exécuter des tâches Pig et Hive
• Séparer le stockage et le calcul
• Atelier : Exécuter des tâches Hadoop et Spark avec Dataproc
• Atelier : Envoyer et surveiller des tâches

Intégrer Dataproc à Google Cloud Platform

• Personnaliser un cluster à l'aide d'actions d'initialisation
• Assistance BigQuery
• Atelier : Exploiter les services Google Cloud Platform

Analyse des données non structurées avec les API de Machine Learning de Google

• API de Machine Learning Google
• Cas d'utilisation courants du ML
• Appeler des API de ML
• Atelier : Ajouter les capacités de Machine Learning à l'analyse Big Data

Analyse des données sans serveur avec BigQuery

• Qu'est-ce que BigQuery ?
• Requêtes et fonctions
• Atelier : Écrire des requêtes dans BigQuery
• Charger des données dans BigQuery
• Exporter des données à partir de BigQuery
• Atelier : Charger et exporter des données
• Champs imbriqués et répétés
• Interroger plusieurs tables
• Atelier : Requêtes complexes
• Performances et tarification

Pipelines de données d'autoscaling sans serveur avec Dataflow

• Le modèle de programmation Beam
• Pipelines de données dans Beam Python
• Pipelines de données dans Beam Java
• Atelier : Écrire un pipeline Dataflow
• Traitement adaptable du Big Data avec Beam
• Atelier : MapReduce dans Dataflow
• Intégrer des données supplémentaires
• Atelier : Entrées secondaires
• Gérer des données par flux
• Architecture de référence GCP

Premiers pas avec le Machine Learning

• Qu'est-ce que le Machine Learning (ML) ?
• ML efficace : concepts et types
• Ensembles de données de ML : généralisation
• Atelier : Explorer et créer des ensembles de données de ML

Créer des modèles de ML avec TensorFlow

• Premiers pas avec TensorFlow
• Atelier : Utiliser tf.learn
• Graphiques et boucles TensorFlow + atelier
• Atelier : Utiliser TensorFlow de bas niveau + arrêt prématuré
• Surveiller l'apprentissage ML
• Atelier : Graphiques d'apprentissage TensorFlow

Faire évoluer les modèles de ML avec Cloud ML

• Pourquoi utiliser Cloud ML ?
• Créer le package d'un modèle TensorFlow
• Apprentissage de bout en bout
• Atelier : Exécuter un modèle de ML localement et sur le Cloud

Extraction de caractéristiques

• Créer des fonctionnalités pertinentes
• Transformer les entrées
• Fonctionnalités synthétiques
• Prétraitement avec Cloud ML
• Atelier : Extraction de caractéristiques

Architecture des pipelines d’analyse par flux

• Défis du traitement des données par flux
• Gérer les volumes de données variables
• Gérer les données non triées/en retard
• Atelier : Concevoir un pipeline de flux de données

Ingestion de volumes de variables

• Qu'est-ce que Cloud Pub/Sub ?
• Fonctionnement : Thèmes et abonnements
• Atelier : Simulateur

Mise en oeuvre de pipelines par flux

• Défis du traitement par flux
• Gestion des données en retard : filigranes, déclenchements et accumulation
• Atelier : Pipeline de traitement des données par flux pour le trafic en direct

Analyse de flux de données et tableaux de bords

• Analyses de flux de données : prendre des décisions à partir des données
• Interroger les données par flux avec BigQuery
• Qu'est-ce que Google Data Studio ?
• Atelier : Créer un tableau de bord en temps réel pour visualiser les données traitées

Haut débit et faible latence avec Bigtable

• Qu'est-ce que Cloud Spanner ?
• Concevoir un schéma Bigtable
• Ingestion dans Bigtable
• Atelier : Flux dans Bigtable