گواهینامه GCP - Google Cloud Associate Data Practitioner
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک سرویسها و ابزارهای اصلی Google Cloud برای مدیریت، تحلیل و هماهنگسازی دادهها
- طراحی و پیادهسازی پایپ لاین های داده با استفاده از BigQuery، Cloud Composer ،Dataflow ،Dataform و Dataproc
- آمادهسازی، تبدیل و جذب داده با استفاده از Cloud Data Fusion و BigQuery
- تحلیل و مصورسازی دادهها با استفاده از BigQuery ،Looker Studio و BigQuery ML
- درک تفاوتها و موارد استفاده گزینههای ذخیرهسازی داده مانند BigQuery ،Cloud Storage ،Firestore ،Cloud SQL ،Bigtable و Spanner
- بهکارگیری مفاهیم ETL ،ELT و ETLT در گردش های کاری واقعی دادههای ابری
- ساخت، زمانبندی و نظارت بر گردش های کاری داده با استفاده از Cloud Composer (Apache Airflow)
- کسب تجربه عملی از طریق آزمایشگاههای همسو با راهنمای رسمی آزمون گواهینامه
- آمادگی مؤثر برای آزمون گواهینامه Google Cloud Associate Data Practitioner
پیشنیازهای دوره
- به هیچ تجربه قبلی در کار با Google Cloud نیاز نیست.
- آشنایی اولیه با مفاهیم داده (مانند جداول، سطرها و کوئریها) مفید خواهد بود.
- تمایل به کشف ابزارهای ابری و انجام تمرینات عملی
- یک حساب کاربری رایگان در Google Cloud برای اجرای آزمایشگاهها و تمرینها
توضیحات دوره
این دوره یک مسیر یادگیری جامع و عملی است که برای کمک به آمادگی شما جهت دریافت گواهینامه Google Cloud Associate Data Practitioner طراحی شده است. این دوره از ساختار و اهداف تعیینشده در راهنمای رسمی آزمون پیروی میکند.
این گواهینامه برای افرادی است که با دادهها در فضای ابری کار میکنند. دریافت این مدرک نیازمند مهارتهای پایهای در مدیریت، پردازش، تحلیل و مصورسازی دادهها با استفاده از فناوریهای Google Cloud است.
در این دوره، با اطمینان کار با سرویسهای مختلف GCP را یاد میگیرید و درک روشنی از کاربرد عملی آنها در گردش های کاری داده سرتاسری پیدا میکنید.
حوزههای تمرکز اصلی:
- آمادهسازی و جذب دادهها: تفاوت بین ETL ،ELT و ETLT را یاد میگیرید. همچنین پاکسازی و تبدیل مجموعهدادهها و کار با ابزارهایی مانند Cloud Data Fusion و BigQuery را میآموزید.
- تحلیل و مصورسازی دادهها: از BigQuery برای بررسی مجموعهدادهها و تفسیر نتایج تحلیلی استفاده میکنید. با Looker Studio داشبوردهای تأثیرگذار میسازید و چگونگی استفاده از BigQuery ML و AutoML را برای به دست آوردن بینشهای پیشبینیکننده یاد میگیرید.
- هماهنگسازی پایپ لاین های داده: پایپ لاین های داده را با استفاده از Cloud Composer (Apache Airflow)، Dataflow (Apache Beam)، Dataform و Dataproc پیادهسازی و زمانبندی میکنید.
- مدیریت داده: درک میکنید که چه زمانی باید از Cloud Storage، BigQuery ،Cloud SQL ،Firestore ،Bigtable ،Spanner و AlloyDB استفاده کنید. این شامل ملاحظاتی در مورد هزینه، مقیاسپذیری و عملکرد میشود.
مدرس در این دوره، مباحث تئوری را با آزمایشگاههای عملی، سناریوهای دنیای واقعی و تمرینهای پروژهمحور ترکیب کرده است تا به شما در درک عمیق مفاهیم و کسب اعتمادبهنفس کمک کند.
چه هدف شما قبولی در آزمون باشد و چه ساختن یک اصول قوی در زمینه دادهها در GCP، این دوره تمام آنچه برای موفقیت نیاز دارید را فراهم میکند.
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند کار خود را در زمینه دادهها و تحلیل ابری آغاز کنند.
- دانشجویان و متخصصانی که برای دریافت گواهینامه Google Cloud Associate Data Practitioner آماده میشوند.
- تحلیلگران داده، مهندسان و متخصصان هوش تجاری که به یادگیری GCP علاقهمند هستند.
- هر کسی که میخواهد مهارتهای عملی در مدیریت و تحلیل دادهها در Google Cloud کسب کند.
گواهینامه GCP - Google Cloud Associate Data Practitioner
-
معرفی دوره 02:13
-
روشهای دستکاری دادهها 09:00
-
انتخاب ابزار مناسب انتقال داده 09:00
-
فرمتهای مختلف فایل داده 13:43
-
انتخاب ابزار مناسب استخراج 13:12
-
انتخاب راهکار مناسب ذخیرهسازی 09:25
-
انتخاب نوع مناسب مکان ذخیرهسازی داده 08:59
-
دادههای ساختیافته، بدون ساختار و نیمهساختیافته 05:53
-
[عملی] ابزار خط فرمان gcloud Storage بخش 1 - انتقال دادهها از سیستم محلی به GCP 15:45
-
[عملی] ابزار خط فرمان gcloud Storage بخش 2 - انتقال دادهها از سیستم محلی به GCP 10:31
-
[عملی] مهاجرت پایگاه داده بخش - 1 10:36
-
[عملی] مهاجرت پایگاه داده بخش - 2 07:39
-
[عملی] مهاجرت پایگاه داده بخش - 3 04:23
-
[عملی] انتقال آبجکتها از یک باکت GCP به باکت دیگر 11:16
-
[عملی] انتقال آبجکتها از Azure Cloud Storage به باکت GCP 13:48
-
[عملی] انتقال آبجکتها از AWS S3 به باکت GCP 12:51
-
[عملی] جذب دادهها به BigQuery با استفاده از خط فرمان bq 13:18
-
[عملی] استفاده از Python SDK برای تعامل با سرویسهای Google Cloud بخش 1 11:29
-
[عملی] استفاده از Python SDK برای تعامل با سرویسهای Google Cloud بخش 2 06:08
-
[عملی] استخراج بینش از دادهها با استفاده از BigQuery بخش 1 09:28
-
[عملی] استخراج بینش از دادهها با استفاده از BigQuery بخش 2 08:42
-
[عملی] استخراج بینش از دادهها با استفاده از BigQuery بخش 3 11:34
-
مصورسازی دادهها با استفاده از Python Notebook 06:48
-
سرویس انتقال داده BigQuery: کپی کردن مجموعهداده 08:02
-
سرویس انتقال داده BigQuery: Google Cloud Storage 09:26
-
موارد استفاده یادگیری ماشین (ML) با استفاده از BigQuery ML و AutoML 09:36
-
برنامهریزی یک پروژه یادگیری ماشین 06:21
-
تحلیل و مصورسازی دادهها با Looker 14:05
-
پروژه کامل یادگیری ماشین با BigQuery 15:26
-
انتخاب ابزارهای تبدیل داده 10:46
-
موارد استفاده برای ELT و ETL 11:08
-
ایجاد محیط Cloud Composer 14:02
-
ساخت و اجرای پایپ لاین اولیه DAG 07:35
-
پایپ لاین ETL DAG - از GCS به BigQuery 10:12
-
ایجاد کلاستر Dataproc 11:08
-
بررسی سیستم فایل توزیعشده هدوپ (HDFS) 07:17
-
تعامل با Hive 05:15
-
جابهای PySpark روی Dataproc 05:41
-
اجرای جاب PySpark روی Dataproc با استفاده از رابط کاربری (UI) 11:34
-
اجرای جاب PySpark روی Dataproc از طریق Jupyter Notebook 13:36
-
استفاده از الگوهای Dataflow برای بارگذاری داده از GCS به BigQuery 14:45
-
ساخت یک پایپ لاین ETL با Dataflow Job Builder 07:46
-
اصول دسترسی با کمترین سطح دسترسی با استفاده از IAM 16:48
-
انواع مختلف نقشها: BigQuery و Storage 13:58
-
کنترل دسترسی برای Google Cloud Storage بخش 1 16:32
-
کنترل دسترسی برای Google Cloud Storage بخش 2 06:39
-
کلاسهای ذخیرهسازی در Google Cloud Storage 08:37
-
پیکربندی قوانین برای حذف آبجکتها در BigQuery و Cloud Storage 11:39
-
دسترسپذیری بالا و بازیابی از فاجعه در Cloud Storage و Cloud SQL 06:56
-
آشنایی با سرویس مدیریت کلید ابری (Cloud KMS) 06:57
مشخصات آموزش
گواهینامه GCP - Google Cloud Associate Data Practitioner
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:همه سطوح
- تعداد درس:50
- مدت زمان :08:40:34
- حجم :4.0GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy