Épisode
Ingestion de données, traitement de flux et pipeline d’analyse des sentiments à l’aide de l’exemple de données Twitter
Suivez la conversation entre Lena et Suz et découvrez comment configurer un système d’ingestion et de traitement des données constitué de producteur d’événements, d’agrégation d’événements fiable et de consommateur à l’aide du client Twitter, d’Event Hubs et de Spark sur Azure Databricks comme exemple. Lena et Suz discutent également d’options alternatives pour le traitement de flux de données, ainsi que la façon dont ils peuvent être utilisés pour différents scénarios, notamment IoT, et comment appliquer le Machine Learning aux données de streaming en montrant un exemple d’analyse des sentiments sur les tweets en temps réel.
Liens utiles :
https://lenadroid.github.io/posts/connecting-spark-and-eventhubs.html
https://lenadroid.github.io/posts/offset-enqueuetime-spark-eventhubs.html
https://lenadroid.github.io/posts/sentiment-analysis-streaming-data.html
Suivez la conversation entre Lena et Suz et découvrez comment configurer un système d’ingestion et de traitement des données constitué de producteur d’événements, d’agrégation d’événements fiable et de consommateur à l’aide du client Twitter, d’Event Hubs et de Spark sur Azure Databricks comme exemple. Lena et Suz discutent également d’options alternatives pour le traitement de flux de données, ainsi que la façon dont ils peuvent être utilisés pour différents scénarios, notamment IoT, et comment appliquer le Machine Learning aux données de streaming en montrant un exemple d’analyse des sentiments sur les tweets en temps réel.
Liens utiles :
https://lenadroid.github.io/posts/connecting-spark-and-eventhubs.html
https://lenadroid.github.io/posts/offset-enqueuetime-spark-eventhubs.html
https://lenadroid.github.io/posts/sentiment-analysis-streaming-data.html
Vous voulez donner votre avis ? Soumettez un défi ici.