توضیحات

صفر تا صد مهندسی داده در Google Cloud

نام دوره : GCP – Google Cloud Professional Data Engineer Certification

پیش نیاز:

• اشتیاق و تعهد برای یادگیری GCP – next Cloud
• حساب Google Cloud – (کارت نقدی یا اعتباری معتبر)

توضیحات:

Google Cloud Platform GCP سریعترین ابر عمومی در حال رشد است. گواهینامه PDE (Professional Cloud Data Engineer) گواهینامه ای است که به استقرار Data Pipeline در فضای ابری GCP کمک می کند.

دوره صفر تا صد مهندسی داده در Google Cloud دارای بیش از 16 ساعت محتوای ویدئویی فوق العاده عالی با بیش از 80 آزمایشگاه عملی (عملی ترین دوره)

آیا می خواهید خط لوله داده را در GCP مستقر کنید؟

آیا می خواهید در مورد ارائه محصولات مختلف ذخیره سازی، پایگاه داده، پردازش، ML توسط GCP اطلاعات کسب کنید تا بینش در مورد داده ها بدست آورید.

آیا می‌خواهید پردازش داده را در جایی انجام دهید که بزرگ‌ترین برنامه اینترنت مانند جستجوی Google، YouTube، GMAIL (برنامه میلیارد کاربر) داده‌های خود را ذخیره می‌کند، داده‌ها را پردازش می‌کند و بینش معناداری را با ML از داده‌های شما پیدا می‌کند.

اگر بله، شما در جای درستی هستید.

———————————————— —————-

چرا ابر، GCP، گواهینامه، مهندسی داده؟

87 درصد از افراد دارای گواهینامه Google Cloud نسبت به مهارت های ابری خود اطمینان بیشتری دارند.

بیش از 1 نفر از هر 4 نفر از افراد دارای گواهینامه Google Cloud، مسئولیت یا نقش های رهبری بیشتری را در محل کار به عهده گرفتند.

موضوعات اصلی این دوره گواهینامه عبارتند از:

———————————————— —————-

1. مهندسی داده و خدمات پایه GCP

در این ماژول من با خط لوله مهندسی داده شروع می کنم،

انواع مختلف داده ها: داده های ساختاری، داده های نیمه ساختاریافته، داده های بدون ساختار، برخی مفاهیم مربوط به پردازش دسته ای داده و مفاهیم مرتبط با GCP جریان داده ها مانند منطقه و مناطق GCP، نحوه ایجاد یک حساب GCP و سرویس های مختلف GCP که از داده ها ارائه می شود. دیدگاه مهندسی

سپس در مورد خدمات زیرساخت اصلی GCP مانند IAM، VM، ارائه kubernetes، موتور برنامه، اجرای ابر و استقرار عملکرد ابری خواهیم دید.

———————————————— —————-

2. ذخیره سازی داده ها در GCP

در این ماژول به شما محصولات مختلف ذخیره‌سازی داده برای ذخیره داده‌های بدون ساختار، ذخیره‌سازی ابری Google، ذخیره‌سازی فایل، ذخیره‌سازی دائمی دیسک، ذخیره‌سازی محلی SSD و نحوه انتقال داده‌ها از درون محل به GCP را به شما آموزش می‌دهم.

———————————————— —————-

3. ارائه پایگاه داده توسط GCP

در این ماژول راه حل پایگاه داده برای ذخیره سازی داده های ساختار یافته و داده های نیمه ساختار یافته را به شما آموزش می دهم.

برای ذخیره سازی داده های ساختاریافته در داخل GCP، ما یک Google cloud SQL داریم و یک آچار ابری در دسترس است.

برای داده‌های نیمه ساختاریافته در داخل GCP، یک Google cloud BigTable، DataStore/Firestore و برای حافظه ذخیره شده MemoryStore در دسترس داریم.

———————————————— —————-

4. پردازش داده ها در GCP

در این بخش پردازش داده، ما با راه حل پردازش داده های تحلیلی انباره داده google cloud BigQuery شروع می کنیم و برای ارتباط ناهمزمان، خدمات Google cloud PubSub را مشاهده خواهیم کرد.

برای توسعه خط لوله کامل در داخل GCP –

راه حل پرتو Apache Dataflow در فضای ابری گوگل

Google cloud DataProc برای کار بلند کردن و جابجایی Hadoop و Spark

کد مورد نظر را فقط با کشیدن و رها کردن خط لوله کامل با ترکیب داده های ابری ایجاد کنید

نظارت بر نویسنده و برنامه‌ریزی یک گردش کار کامل. ما یک جریان هوای آپاچی داریم – Cloud Composer در دسترس است

برای شناسایی داده‌های حساس و شخصی قابل شناسایی API – DLP پیشگیری از از دست دادن داده

جستجو برای یا همه مجموعه داده ها در یک مکان واحد کاتالوگ داده در دسترس است

———————————————— —————-

5. ارائه ML/AI در GCP

در این ماژول با اصول یادگیری ماشینی شروع خواهیم کرد

قبل از پرتاب همه داده ها به الگوریتم یادگیری ماشین، داده های خود را با ابزار آماده سازی داده هوشمند Dataprep آماده کنید.

ما API های از پیش ساخته شده مختلف یادگیری ماشین را برای بینایی، زبان و گفتار خواهیم دید

مدل یادگیری ماشین دوگانه با AutoML

ساخت مدل یادگیری ماشینی سفارشی با چارچوب های مختلف تنسورفلو، یادگیری اسکیت و پایتورچ

Bigquery ML برای آموزش یادگیری ماشین با SQL

در انتها نحوه ایجاد گزارش های زیبا و تجسم با ابزار استودیو داده ابری گوگل در مرورگر را خواهیم دید

———————————————— —————-

دوره صفر تا صد مهندسی داده در Google Cloud برای چه کسانی است:

• مهندس ابری که می‌خواهد در Google cloud Data Engineer گواهینامه دریافت کند
• هر کسی که به دنبال استفاده از Google cloud برای Data Pipeline در سازمان است
• مهندس داده که می خواهد محصولات مختلف GCP را برای مهندسی داده یاد بگیرد
• هر کسی که می خواهد در مورد محصولات مختلف ذخیره سازی و پایگاه داده برای ذخیره داده ها بیاموزد
• هر کسی که می‌خواهد ML Model/Data Pipeline را در Google Cloud مستقر کند

بخشی از دوره :