CommencerCommencer gratuitement

Page d’accueil
Cours
Streaming de données avec AWS Kinesis et Lambda

Transformer des données à l'intérieur d'un flux

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

Streaming de données avec AWS Kinesis et Lambda

AvancéNiveau de compétence

4.7+

Commencer le cours gratuitement

Dans ce premier chapitre, vous découvrirez les différences entre le traitement par lots et le traitement par flux, vous créerez votre premier flux, vous gérerez ses permissions, vous écrirez et lirez à partir de lui.

Exercise 1: Qu'est-ce que la diffusion en continu et pourquoi est-elle importante ?Exercise 2: Batch vs stream Exercise 3: Producteurs et destinations Exercise 4: Gestion des flux de livraison Firehose Exercise 5: Se préparer pour le premier stream Exercise 6: Créer des rôles Exercise 7: IAM utilisateurs et rôles Exercise 8: Pratique des autorisations Exercise 9: Création d'un seau S3 Exercise 10: Travailler avec le flux de livraison Firehose Exercise 11: Créez votre premier flux Firehose Exercise 12: Écrire dans un flux Firehose Exercise 13: Lecture des données Firehose

L'étape suivante de votre parcours en matière de données en continu consiste à apprendre à utiliser des fonctions lambda transformationnelles pour passer à l'étape sans serveur. Grâce à des exercices pratiques, vous ajouterez des couches lambda et déclencherez des fonctions lambda dans des conditions spécifiques.

Exercise 1: Passer au sans-serveur Exercise 2: Créer et exécuter des fonctions Lambda Exercise 3: Serveur sans serveur vs serveurs Exercise 4: Composants de la fonction lambda Exercise 5: Lecture des données de S3 en fonction d'un événement Exercise 6: Votre premier lambda vivant !Exercise 7: Ajouter une couche lambda Exercise 8: Flux lambda Exercise 9: Utilisation des variables d'environnement Exercise 10: Flux de données sans serveur Exercise 11: Lambdas rapides et lambdas lents Exercise 12: Un lambda déclenché dans le temps Exercise 13: Code lambda à déclenchement temporel Exercise 14: Sans serveur APIs Exercise 15: Créez un lambda API Exercise 16: Une solution sans serveur API

Vous êtes maintenant prêt à encoder et décoder des données en continu et à les analyser directement dans le flux. Vous utiliserez même plusieurs flux pour obtenir les vitesses maximales quotidiennes des véhicules.

Exercise 1: Une transformation Lambda Exercise 2: Transformer des données à l'intérieur d'un flux

Exercice en cours

Exercise 3: Encodage et décodage de base64 Exercise 4: Créez un lambda transformationnel Exercise 5: Un lambda transformationnel dépouillé Exercise 6: Analyse des données dans le flux Exercise 7: Créer une application d'analyse de données Kinesis Exercise 8: Analyse de données Kinesis contre Lambda transformationnel Exercise 9: Construire une application d'analyse de données Kinesis Exercise 10: Kinesis data analytics SQL composants Exercise 11: Utilisation de plusieurs flux Exercise 12: Fournir des données à partir de Kinesis Analytics Exercise 13: Obtenez la vitesse maximale quotidienne Exercise 14: Utiliser l'analyse de données Kinesis pour les alertes

Dans ce dernier chapitre, vous découvrirez comment surveiller les performances de votre flux à l'aide de journaux, de mesures, d'alarmes et de tableaux de bord. Vous utiliserez Elasticsearch et construirez votre propre tableau de bord Kibana.

Exercise 1: Étude de cas sur les données en continu Exercise 2: Création d'un cluster Elasticsearch Exercise 3: RedShift vs Elasticsearch Exercise 4: Suivi des performances Exercise 5: Dasbhoards et alarmes de Cloudwatch Exercise 6: Composants de Cloudwatch Exercise 7: Flux de surveillance Cloudwatch Exercise 8: Visualisation des données en continu Exercise 9: Travailler avec ElasticSearch en utilisant Kibana Exercise 10: Cloudwatch vs Elasticsearch Exercise 11: Flux de visualisation Elasticsearch Exercise 12: Une approche alternative Exercise 13: Une autre approche alternative