Сколько стоит курс «Apache Spark с нуля для аналитиков и инженеров данных»?

Стоимость курса составляет 2990.00 рублей

Какой рейтинг у курса «Apache Spark с нуля для аналитиков и инженеров данных»?

Курс имеет рейтинг 0.0 из 5 на основе 0 отзывов. На курсе обучается 0 учеников.

Где можно пройти курс «Apache Spark с нуля для аналитиков и инженеров данных»?

Курс доступен на образовательной платформе Stepik по адресу stepik.org/course/287658.

Курс на Stepik

Обложка курса «Apache Spark с нуля для аналитиков и инженеров данных» на Stepik

2 990 ₽

Apache Spark с нуля для аналитиков и инженеров данных ★ 0.000

Name: Apache Spark с нуля для аналитиков и инженеров данных
Price: 2990.00 RUB
Availability: InStock
Rating: 0 (0 reviews)

Открыть на
STEPIK.ORG

Научитесь превращать сырые данные в аналитические витрины на PySpark. Отработайте преобразования, соединения и оконные расчёты в задачах с автопроверкой, затем соберите локальный учебный проект: от загрузки данных и истории клиентов до дашборда в Metabase. Spark изучаем с нуля; основы Python и SQL уже нужны.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	0
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	55
Количество квизов	44
Количество задач с кодом	76
Стоимость курса	2 990 ₽	—
Обновления курса	—	—
Дата публикации курса	3 дня назад	—	—	—	—
Последнее обновление	8 октября 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «Apache Spark с нуля для аналитиков и инженеров данных»

11 разделов Уроки в курсе «Apache Spark с нуля для аналитиков и инженеров данных»

55 уроков Тесты в курсе «Apache Spark с нуля для аналитиков и инженеров данных»

44 теста Задачи в курсе «Apache Spark с нуля для аналитиков и инженеров данных»

76 задач Последнее обновление курса «Apache Spark с нуля для аналитиков и инженеров данных»

обн. 8 октября 2026

Общая информация о курсе

5 уроков

1. О курсе ↗

2. Идея ↗

3. Реализация ↗

4. Туториал для практических заданий ↗

5. FAQ (Часто задаваемые вопросы) ↗

Знакомство со Spark

3 урока

1. Зачем нужен Spark, MapReduce, архитектура ↗

2. Первый PySpark-код: SparkSession, DataFrame ↗

3. Чтение из таблицы, типы данных, схема ↗

DataFrame API

8 уроков

1. RDD vs DataFrame, lazy eval, action vs transformation ↗

2. Колонки и выражения: F.col, F.lit, операторы ↗

3. select, withColumn, drop, alias ↗

4. F.when / Column.otherwise — категоризация ↗

5. Сортировка, distinct, dropDuplicates, limit ↗

6. Работа с датами ↗

7. Работа со строками ↗

8. NULL handling ↗

Агрегации

4 урока

1. groupBy и базовые агрегаты (sum, count, avg, min, max) ↗

2. Множественные агрегаты, alias, группировка по нескольким columns ↗

3. countDistinct, approx_count_distinct ↗

4. pivot — длинный → широкий формат ↗

Spark SQL и оконные функции

5 уроков

1. Оконные функции: концепция и ранжирование ↗

2. Агрегаты в окне (sum, avg, count через .over) ↗

3. lag и lead — сравнение с соседями ↗

4. rowsBetween / rangeBetween — скользящие окна ↗

5. percent_rank, ntile, cume_dist — статистическое ранжирование ↗

Сложные типы и UDF

5 уроков

1. Массивы: split, collect_list, collect_set, explode, array-функци ↗

2. Map и Struct: nested-данные, доступ к вложенным полям ↗

3. JSON: парсинг и сериализация (from_json, to_json, get_json_objec ↗

4. Управление схемой ↗

5. UDF — пользовательские функции ↗

Joins

3 урока

1. inner / left / right / full outer joins ↗

2. Broadcast join ↗

3. Self-join и многоступенчатые джойны ↗

Spark под капотом

6 уроков

1. Lazy evaluation, DAG, transformations vs actions ↗

2. Catalyst Optimizer и план выполнения ↗

3. Партиционирование: repartition vs coalesce ↗

4. Shuffle: почему дорого и как минимизировать ↗

5. Кэширование: cache, persist, уровни хранения ↗

6. AQE и тюнинг ↗

Финальный мини-проект

3 урока

1. Очистка сырых данных ↗

2. Сборка витрины ↗

3. Финал. Аналитика на витрине ↗

Настройка пет-проекта. Среда и инфраструктура.

6 уроков

1. Архитектура пет-проекта и стека ↗

2. Установка инструментов: Docker и Git ↗

3. Клонируем и поднимаем стек ↗

4. Наполняем данными: генератор источников ↗

5. Первый слой: ingestion → bronze ↗

6. Форматы хранения: почему Parquet ↗

Настройка пет-проекта. Трансформации: bronze → silver → gold

7 уроков

1. Silver: очистка и дедупликация через Delta Lake ↗

2. SCD2: история изменений через MERGE INTO ↗

3. Gold: бизнес-витрины ↗

4. Выгрузка gold → ClickHouse ↗

5. Metabase: дашборды по URL ↗

6. Delta vs Iceberg + оркестрация (теория для собеса) ↗

7. Итоги курса и следующие шаги ↗