Programma
Modulo 1: Introduzione ai Big Data
Contenuti:
Cos'è un Big Data? Definizione e caratteristiche principali (volume, varietà, velocità, veridicità, valore).
Differenza tra dati tradizionali e Big Data.
Sfide nella gestione e nell'analisi dei Big Data.
Applicazioni dei Big Data in vari settori: sanità, finanza, marketing, IoT.
Modulo 2: Architettura e Ecosistema dei Big Data
Contenuti:
Panoramica dell'architettura dei Big Data: acquisizione, memorizzazione, elaborazione, analisi e visualizzazione.
Componenti chiave: Hadoop, Spark, NoSQL, sistemi di messaggistica.
Data Lake vs Data Warehouse.
Architetture distribuite e parallele.
Modulo 3: Hadoop e il Framework di Big Data
Contenuti:
Introduzione a Hadoop: cos'è e come funziona.
Struttura del file system di Hadoop (HDFS) e distribuzione dei dati.
MapReduce: paradigma di calcolo distribuito.
Gestione dei job con Hadoop YARN.
Modulo 4: Apache Spark: Elaborazione dei Big Data in Tempo Reale
Contenuti:
Cos'è Apache Spark e perché è diventato popolare per l'elaborazione dei Big Data.
Architettura di Spark: RDD (Resilient Distributed Datasets) e DataFrames.
Spark SQL per l’elaborazione dei dati strutturati.
Spark Streaming per l'elaborazione dei dati in tempo reale.
Confronto tra Hadoop MapReduce e Apache Spark.
Modulo 5: Database NoSQL per Big Data
Contenuti:
Cos'è un database NoSQL e come differisce dai database relazionali.
Tipi di database NoSQL: documenti (MongoDB), chiave-valore (Cassandra, Redis), grafi (Neo4j).
Vantaggi e sfide nell’utilizzo di NoSQL per Big Data.
Esempi di applicazioni basate su NoSQL.
Modulo 6: Cloud Computing
Contenuti:
Cos'è il Cloud Computing e come si distingue dalle tradizionali architetture IT.
I modelli di servizio nel cloud: IaaS, PaaS, SaaS.
Tipi di cloud: pubblico, privato e ibrido.
Vantaggi e sfide nell'adozione del cloud computing.
Modulo 7: Servizi Cloud per Big Data
Contenuti:
Architetture e servizi cloud per Big Data: storage, elaborazione e analisi.
Introduzione a servizi cloud principali: Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP).
Servizi per Big Data nel cloud: AWS EMR, Google Dataproc, Azure HDInsight.
Esempi di utilizzo del cloud per Big Data: gestione dei dati, elaborazione distribuita, machine learning.
Modulo 8: Amazon Web Services (AWS) per Big Data
Contenuti:
Introduzione ai servizi AWS per Big Data: EC2, S3, RDS, DynamoDB, EMR, Redshift.
Come configurare e usare Amazon S3 per il storage dei Big Data.
Lavorare con Amazon EMR per l’elaborazione distribuita con Hadoop e Spark.
Introduzione a Amazon Redshift per la gestione di un Data Warehouse nel cloud.
Modulo 9: Microsoft Azure per Big Data
Contenuti:
Servizi Microsoft Azure per Big Data: Azure Blob Storage, Azure Databricks, Azure SQL Data Warehouse.
Utilizzo di Azure HDInsight per Hadoop e Spark.
Strumenti di analisi dei dati su Azure: Power BI, Azure Machine Learning.
Come integrare Big Data con i servizi AI di Azure.
Modulo 10: Google Cloud Platform (GCP) per Big Data
Contenuti:
Servizi GCP per Big Data: Google Cloud Storage, BigQuery, Dataflow, Dataproc.
Utilizzo di BigQuery per analizzare grandi volumi di dati in tempo reale.
Google Dataproc per eseguire Hadoop e Spark.
Integrazione dei Big Data con Google AI e ML Engine.
Modulo 11: Data Lakes e Data Warehousing nel Cloud
Contenuti:
Cos'è un Data Lake e come viene utilizzato per gestire Big Data nel cloud.
Differenze tra Data Lake e Data Warehouse.
Come costruire un Data Lake con AWS, Azure e GCP.
Strumenti e tecniche per caricare e elaborare dati nei Data Lake.
Vantaggi dell'integrazione di Data Lakes con i sistemi di analisi avanzati nel cloud.
Modulo 12: Sicurezza dei Big Data nel Cloud
Contenuti:
Principi di sicurezza dei Big Data nel cloud.
Crittografia dei dati a riposo e in transito.
Gestione degli accessi: autenticazione e autorizzazione.
Sicurezza dei dati sensibili e conformità a normative (GDPR, HIPAA).
Strategie per la protezione dei dati nel cloud.
Modulo 13: Analisi Avanzate dei Big Data nel Cloud
Contenuti:
Tecniche di analisi avanzata dei Big Data: machine learning, analisi predittiva.
Utilizzo di strumenti di machine learning nei principali servizi cloud.
Applicazioni di Big Data e AI: analisi dei sentimenti, predizione della domanda, raccomandazioni personalizzate.
Integrazione tra Big Data, Analytics e AI nel cloud.
Modulo 14: Internet of Things (IoT) e Big Data nel Cloud
Contenuti:
Cos'è l'IoT e come interagisce con i Big Data.
Infrastrutture per la gestione dei dati IoT nel cloud.
Piattaforme IoT nel cloud: AWS IoT, Azure IoT Hub, Google Cloud IoT.
Analisi dei dati IoT e utilizzo dei Big Data per ottimizzare operazioni e processi.
Modulo 15: Trend Futuri nei Big Data e nel Cloud Computing
Contenuti:
Evoluzione delle tecnologie Big Data e Cloud Computing.
Intelligenza artificiale e Big Data: come il futuro dell'AI sta plasmando il trattamento dei Big Data.
Tecnologie emergenti: edge computing, quantum computing, blockchain.
Il futuro della gestione dei dati nel cloud: 5G, serverless computing, containerizzazione.
