Baixe o app para aproveitar ainda mais
Prévia do material em texto
Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 O programa ficará sintaticamente correto se for acrescentado o "SparkContext" para O programa vai gerar e imprimir [2 10 2 12 8 14 14]. O programa produz a saída 31. O programa vai gerar um erro. executar o MapReduce. A saída do programa é [2]. 1/1 O gerenciador de cluster do Spark faz o gerenciamento da execução das tarefas. O gerenciador de cluster do Spark oferece suporte a Hadoop YARN. O Executor e os Worker Nodes desempenham papeis equivalentes na arquitetura do Spark. Os Worker Nodes da arquitetura Spark são responsáveis pelo gerenciamento das maquinas que executarão como escravos. O Executor corresponde ao conjunto de maquinas que executam como escravos. Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 sequrança disponibilidade produtividade abstração confiabilidade 1/1 As fases de processamento do MapReduce podem variar de acordo com a aplicação. Pode ser aplicada para projetos que envolvam grandes volumes e variedade de dados. A principal característica do MapReduce é a utilização eficiente da memória. Projetos de big data só podem ser tratados por MapReduce. Só é possível utilizar o MapReduce no Spark através do PySpark. Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 Distribuído e distribuído. Centralizado e distribuído. Centralizado e centralizado. Mestre e escravo. Distribuído e centralizado. 1/1 A sua baixa qualidade O fato de terem sido obtidos a partir de terceiros. O fato de virem de uma fonte alternativa não convencional. O fato de ocuparem menos espaço de memoria. O fato de requererem muito mais pré-processamento. Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 É impossível não utilizar aplicações de Big Data para gerenciar projetos de internet das coisas Com projetos de Big Data é sempre possível detectar fraudes em operações financeiras Grandes volumes de dados são uteis para testar a capacidade dos servidores de gerenciamento de dados. O volume e diversidade dos dados podem dar uma visão realística do que está sendo observado Projetos de Big Data são uma forma de organizar tabelas normalizadas com grandes volumes de dados 1/1 Se baseiam em lógica e regras de inferência para aprender e raciocinar Se baseiam estritamente em dados e inferências estatísticas em cima deles São aqueles que lidam apenas com problemas numéricos Se baseiam em táticas de agrupamento por similaridade São aqueles que só lidam com problemas categóricos Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 São um conjunto de sinais São interconectados entre si É uma conexão rede a rede São um relacionamento máquina a máquina São redes locais 1/1 Avaliação. Transformação de Dados. Pré-Processamento . Coleta de Dados. Descoberta de Padrões. Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 Scipy Plotly Numpy Tensorflow Pandas 1/1 5 4 3 6 2 Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 Leitor de registros. Mapeador. Particionador. Redutor. Combinador. 1/1 As opções I, II, e III estão corretas. Apenas a opção I. Apenas a opção II. Apenas as opções II e III. 6 Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 Spark SQL Spark Core Spark Hadoop RDDs Spark Streaming 1/1 printf plot_tree cout console.log print Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 Durabilidade. Consistência. Isolamento. Atomicidade. Indivisibilidade. 1/1 Mapeamento e partição Separação e finalização Mapeamento e redução Estreitas e amplas Embaralhamento e redução Impresso por Ronny Alves, E-mail ronny.alvespacheco@gmail.com para uso pessoal e privado. Este material pode ser protegido por direitos autorais e não pode ser reproduzido ou repassado para terceiros. 13/06/2022 21:48:46 1/1 if for else while with 1/1 Apenas I e III. Apenas II e III. Apenas I e II. Apenas I. Apenas II.
Compartilhar