Cursus Cloud Computing en Big Data

Les 1 • Cloud Computing Concepten en Geschiedenis

Traceert de evolutie van de cloud van mainframes naar moderne hyperscalers en definieert essentiële terminologie. Biedt de conceptuele basis voor alle volgende cloudonderwerpen.

Les 2 • Uitleg over Cloud Servicemodellen

Onderscheidt IaaS, PaaS en SaaS door functionele vergelijkingen en praktijkvoorbeelden. Stelt studenten in staat workloads aan de juiste servicelaag te koppelen.

Les 3 • Cloud Implementatiemodellen

Onderzoekt publieke, private, hybride en multi-cloudarchitecturen met afwegingen. Koppelt de implementatiekeuze aan organisatorische compliance- en kostendoelen.

Les 1 • Cloud Opslagdiensten

Behandelt object-, block- en bestandsopslagtypes met afwegingen op het gebied van duurzaamheid en toegangspatronen. Bereidt studenten voor om opslagniveaus te selecteren voor diverse applicatievereisten.

Les 2 • Identiteits- en Toegangsbeheer

Leert op rollen gebaseerd toegangsbeheer, beleid en het principe van minimale rechten voor cloudomgevingen. Vestigt de beveiligingshygiëne die vereist is voordat een productieworkload wordt geïmplementeerd.

Les 3 • Rekendiensten en Virtuele Machines

Introduceert virtuele machines, instantietypen en auto-scaling groepen als kernrekenprimitiveven. Past kennis van cloudservicemodellen direct toe op het inrichten van infrastructuur.

Les 4 • Beheerde Databasediensten

Onderzoekt beheerde relationele en NoSQL-databaseaanbiedingen, met aandacht voor inrichting en back-upstrategieën. Koppelt opslagkennis aan stateful applicatiearchitectuur.

Les 1 • Batch- en Streamverwerkingsmodellen

Contrasteert batchverwerking met real-time streamverwerking met behulp van de Lambda- en Kappa-architecturen. Bereidt studenten voor om pipelines te ontwerpen die voldoen aan latentie- en doorvoervereisten.

Les 2 • Introductie tot het Hadoop Ecosysteem

Legt HDFS, MapReduce, YARN en belangrijke ecosysteemtools uit als basis voor gedistribueerde batchverwerking. Biedt historische en technische context voor moderne big data-frameworks.

Les 3 • Big Data Opslagarchitecturen

Behandelt gedistribueerde bestandssystemen, data lakes en data warehouses als complementaire opslagparadigma's. Overbrugt cloudopslagkennis naar big data-inname en -retentiebehoeften.

Les 4 • Ontwerpprincipes voor Big Data Pipelines

Introduceert inname-, transformatie-, opslag- en servicelagen als een uniform pipelineframework. Geeft studenten een ontwerpsjabloon dat in de resterende big data-hoofdstukken wordt toegepast.

Les 1 • Strategieën voor Laden van Data Warehouses

Behandelt dimensionaal modelleren, langzaam veranderende dimensies en bulk-laadpatronen voor analytische opslagen. Koppelt innamepijplijnen aan query-geoptimaliseerde warehouse structuren.

Les 2 • Real-Time Data Streaming Inname

Leert message queues, event streaming platforms en producer-consumer patronen voor real-time data. Breidt kennis van batchinname uit naar scenario's met lage latentie en hoge doorvoer.

Les 3 • Batch Inname Technieken

Behandelt ETL-workflows, bestandsgebaseerde inname en geplande gegevensoverdrachten voor grote datasets. Past ontwerpprincipes voor pipelines toe op gestructureerde en semi-gestructureerde gegevensbronnen.

Les 4 • Gegevenskwaliteit en Validatie

Introduceert gegevensprofilering, schemavalidatie en anomaliedetectie als kwaliteitspoorten voor inname. Zorgt ervoor dat downstream analytics en ML-modellen betrouwbare gegevens ontvangen.

Les 1 • Spark Prestatieoptimalisatie

Behandelt partitionering, caching, broadcast joins en serialisatie als belangrijke hefbomen voor Spark-optimalisatie. Vertaalt theoretische Spark-kennis naar efficiëntie op productieniveau.

Les 2 • Spark Streaming en Structured Streaming

Behandelt micro-batch en continue verwerkingsmodellen voor real-time data met Structured Streaming. Breidt batch Spark-vaardigheden uit naar pipelining met lage latentie.

Les 3 • Spark Architectuur en Kernconcepten

Legt de driver, executor, DAG-scheduler en het RDD-model uit als de uitvoeringsbasis van Spark. Bouwt het mentale model dat nodig is om Spark-applicaties effectief te schrijven en debuggen.

Les 4 • Spark Uitvoeren op Cloudplatforms

Demonstreert het inrichten van beheerde Spark-clusters, auto-scaling en kostenbeheer op clouddiensten. Koppelt Spark-vaardigheden aan echte cloudimplementatie- en operationele praktijken.

Les 1 • Serverless en Event-Gestuurde Pipelines

Behandelt function-as-a-service triggers, eventbussen en cloud-native workflowservices voor lichtgewicht pipelines. Complementeert Airflow met overheadarme, event-gestuurde automatiseringspatronen.

Les 2 • Pipeline Bewaking en Observeerbaarheid

Behandelt logging, meetgegevens, waarschuwingen en lijnregistratie voor operationele pipeline-zichtbaarheid. Stelt teams in staat pipeline-storingen snel te detecteren, diagnosticeren en oplossen.

Les 3 • Basisprincipes van Pipeline Orchestratie

Introduceert DAG-gebaseerde workflow orchestratie, taakafhankelijkheden en planningsconcepten. Biedt de architecturale basis voor het automatiseren van meerstaps datapijpen.

Les 4 • Pipelines Bouwen met Apache Airflow

Leert DAG-authoring, operators, hooks en XComs voor het bouwen van complexe Airflow-workflows. Past orchestratieconcepten toe op een veelgebruikt open-source platform.

Les 1 • Principes van Gegevensvisualisatie

Introduceert grafiekselectie, visuele codering en storytelling principes voor analytische communicatie. Zorgt ervoor dat visualisaties gegevens nauwkeurig weergeven en geïnformeerde beslissingen stimuleren.

Les 2 • Optimalisatie van Analytische Query's

Leert queryplanning, indexering, gematerialiseerde views en kosten-gebaseerde optimalisatie voor grote analytische datasets. Bouwt voort op kennis van warehouse laden om queryprestaties te maximaliseren.

Les 3 • Real-Time Analyse en Streaming Dashboards

Breidt batchanalyse uit naar real-time use cases met behulp van streaming aggregaties en live dashboards. Koppelt Spark Streaming- en pipelinekennis aan operationele analysescenario's.

Les 4 • Verkennende Gegevensanalyse op Schaal

Behandelt statistische samenvattingen, distributieanalyse en correlatietechnieken toegepast op big datasets. Overbrugt ruwe gegevensinname naar hypothese-gestuurd analytisch onderzoek.

Les 1 • ML Workflow en MLOps Basisprincipes

Brengt de end-to-end ML-levenscyclus in kaart, van gegevensvoorbereiding tot model serving en monitoring. Vestigt het operationele raamwerk voor alle volgende ML-implementatie onderwerpen.

Les 2 • Feature Stores en Data Pipelines voor ML

Introduceert feature stores als brug tussen data pipelines en ML-training en serving. Zorgt voor consistente, herbruikbare features tijdens training en productie-inferentie.

Les 3 • Modelimplementatie en Serving

Leert batchinferentie, real-time REST-eindpunten en edge-implementatiepatronen voor ML-modellen. Koppelt getrainde modellen aan productiesystemen die bedrijfswaarde leveren.

Les 4 • Gedistribueerde modellentraining

Behandelt gegevensparallelisme, modelparallelisme en gedistribueerde trainingsframeworks voor grootschalige ML. Past Spark- en cloudkennis toe om modeltraining op big data te versnellen.