Hadoop應用的架構:欺詐檢測
講師:Ted Malaska (Blizzard Entertainment )
13:30–17:00 週四, 2017-07-13
Hadoop核心&發展, 英文講話 (Presented in English)
地點: 多功能廳5B+C
觀眾水平:Intermediate
必要預備知識
The tutorial will include a live demo of the full project on Cloudera's QuickStart VM. The code for the demo is available on GitHub. Download it here to follow along.
您將學到什麼
How to build a fraud-detection app on Hadoop
描述
設計實現一個可擴充套件、低延遲的架構需要廣泛瞭解各種框架,比如Kafka、HBase、HDFS、Flume、Spark、Spark Streaming和Impala等。好訊息是現在有非常充沛的資源(書籍、網站、會議等)來深入瞭解和這些專案相關的資訊。壞訊息則是對於如何整合這些部件並實現完整的解決方案的資訊卻是相當得匱乏。
Ted將會指導參會者搭建一個欺詐檢測系統,並使用一個端到端的案例研究作為一個具體的例子,展示如何使用Apache Hadoop元件(比如Kafka、HBase、Impala和Spark)來架構和實現一個實時系統。他會介紹架構設計實時應用的最佳實踐和考慮點,為那些已經瞭解Hadoop和熟悉分散式資料處理系統的開發人員、架構師或是專案領導提供如何利用Hadoop元件來實現實時應用的更多的洞察。
主題包括:
在Kafka、HBase和Hadoop裡建立資料模型,併為資料選擇最優的儲存格式
整合多個資料採集、處理和儲存系統
收集和分析基於事件的資料,比如日誌、機器生成的資料,並在Hadoop裡儲存這些資料
對資料做查詢和出報表
講師介紹
Ted Malaska (Blizzard Entertainment)
Ted Malaska is a group technical architect on the Battle.net team at Blizzard, helping support great titles like World of Warcraft, Overwatch, and HearthStone. Previously, Ted was a principal solutions architect at Cloudera helping clients find success with the Hadoop ecosystem and a lead architect at the Financial Industry Regulatory Authority (FINRA). He has also contributed code to Apache Flume, Apache Avro, Apache Yarn, Apache HDFS, Apache Spark, Apache Sqoop, and many more. Ted is a coauthor of Hadoop Application Architectures, a frequent speaker at many conferences, and a frequent blogger on data architectures.
Strata Data Conference北京站已經開啟註冊系統,閱讀原文可瀏覽截止到目前為止的講師名單和已經確認的議題,最優惠票價期截止到5月5日為止,儘快註冊以確保留位。
相關文章
- 機器學習在實時性欺詐檢測中的應用案例機器學習
- 用深度學習進行欺詐檢測深度學習
- 經典圖模型欺詐檢測系統BotGraph模型OTG
- 機器學習專案實戰----信用卡欺詐檢測(一)機器學習
- 機器學習專案實戰----信用卡欺詐檢測(二)機器學習
- 英偉達GPU加速Cloudera資料平臺提升欺詐檢測能力GPUCloud
- SynchroTrap : 一個月內檢測 200 萬欺詐帳戶
- 揭秘Stripe欺詐檢測系統背後的機器學習演算法 - quastor機器學習演算法AST
- Juniper Research:50%的廣告主使用實時檢測廣告欺詐的服務
- 印度欺詐檢測初創企業TrustCheckr獲天使輪融資Rust
- 揭祕Stripe欺詐檢測系統背後的機器學習演算法 - quastor機器學習演算法AST
- 基於圖資料庫 NebulaGraph 實現的欺詐檢測方案及程式碼示例資料庫
- 網易雙11“超級工程”:反欺詐系統應用實踐
- 金融欺詐資料分析
- 移動應用的測試策略與測試架構架構
- 零壹智庫&猛獁:中國金融反欺詐技術應用報告
- 分析|無感驗證:應用適老化與業務反欺詐的“守門員”
- 檢測並消滅“巖羚羊”這種 Android 平臺上的殭屍網路欺詐Android
- Anura:Google Play廣告欺詐應用每年非法廣告收入高達65億美元Go
- DataFun Talk演算法架構系列活動——智慧時代:風控及反欺詐體系搭建演算法架構
- Hadoop的架構模型Hadoop架構模型
- 雲邊協同架構助力智慧工廠視覺 AI 缺陷檢測應用構建架構視覺AI
- DAIC:針對BEC欺詐的開源利器AI
- 剖析谷歌打擊廣告欺詐的秘密戰爭谷歌
- 就業培訓中的欺詐和無良就業
- Hadoop YARN 架構HadoopYarn架構
- Android架構系列-MVP架構的實際應用Android架構MVP
- iOS應用架構談:架構設計的方法論iOS應用架構
- 反欺詐中所用到的機器學習模型有哪些?機器學習模型
- 【防止惡意使用者註冊】-- 手機在網狀態 API 的防欺詐應用解析API
- 應用架構圖的設計應用架構
- Java應用架構的演化之路Java應用架構
- 解析 Facebook 的 Flux 應用架構UX應用架構
- 金融反欺詐-交易基礎介紹
- 機器學習案例實戰之信用卡欺詐檢測【人工智慧工程師--AI轉型必修課】機器學習人工智慧工程師AI
- 美國法官推遲加密貨幣欺詐案裁決等待CFTC的迴應加密
- MVP應用架構模式MVP應用架構模式
- Android應用架構Android應用架構