گواهینامه Google Cloud Professional Data Engineer - دریافت گواهینامه 2022

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

در این دوره پایپ لاین های داده، پایگاه داده ها و اپلیکیشن های یادگیری ماشین مقیاس پذیر و قابل اعتماد می سازید.

آنچه یاد خواهید گرفت

چگونه در آزمون Google Cloud Professional Data Engineer قبول شویم؟
ساخت پایپ لاین های داده مقیاس پذیر و قابل اعتماد
انتخاب سیستم های ذخیره سازی مناسب از جمله پایگاه داده های رابطه ای، NoSQL و پایگاه داده های تحلیلی
اعمال انواع مختلفی از تکنیک های یادگیری ماشین در یوزکیس های مختلف
استقرار مدل های یادگیری ماشین در تولید
نظارت بر پایپ لاین های داده و مدل‌ های یادگیری ماشین
طراحی اپلیکیشن های فشرده داده توزیع شده مقیاس پذیر و انعطاف پذیر
مهاجرت انبار داده از on-premises به Google Cloud
ارزیابی و بهبود کیفیت مدل های یادگیری ماشین
درک مفاهیم اساسی در یادگیری ماشین، مانند پس انتشار، مهندسی ویژگی‌، بیش‌ برازش و کم برازش

توضیحات دوره

این دوره، دروس را با آزمون‌ ها و جلسات عملی ترکیبی می‌ کند تا اطمینان حاصل کند که نحوه جذب داده‌، ایجاد پایپ لاین های پردازش داده در جریان داده ابری، استقرار پایگاه‌ داده های رابطه‌ ای، طراحی پایگاه‌ داده های Bigtable و BigQuery و Cloud Spanner با عملکرد بسیار بالا و پایگاه‌ داده های کوئری Firestore را درک کرده و با استفاده از Cloud Dataproc خوشه اسپارک و هدوپ ایجاد می کنید.

در این دوره ما از ابتدا با یادگیری ماشین شروع کرده و مفاهیم اولیه مانند تفاوت بین یادگیری نظارت شده و نظارت نشده را معرفی می کنیم. ما برای درک نحوه طراحی، آموزش و ارزیابی مدل‌ های یادگیری ماشین، مبانی را پایه‌ گذاری خواهیم کرد. در این فرآیند، مفاهیم اساسی را که برای قبولی در آزمون Professional Data Engineer باید درک کنید، توضیح خواهیم داد. ما همچنین سرویس ها و زیرساخت‌ های یادگیری ماشین Google Cloud، مانند BigQuery ML و یونیت های پردازش تانسور را بررسی خواهیم کرد.

این دوره برای چه کسانی مناسب است؟

مهندسان و معماران ابر که می خواهند در آزمون Professional Data Engineer قبول شوند.
مهندسان داده که می خواهند درباره ابزارها و سرویس های پیشرفته گوگل برای مهندسی داده بیاموزند.
دانشمندان داده و مهندسان داده که می خواهند مفاهیم یادگیری ماشین را درک کنند.
توسعه دهندگان اپلیکیشن ابری که می خواهند از یادگیری ماشین برای ساخت اپلیکیشن ها استفاده کنند.
مهندسین توسعه دهنده که نیاز به پشتیبانی از پایپ لاین های مهندسی داده و مدل های یادگیری ماشین دارند.

گواهینامه Google Cloud Professional Data Engineer - دریافت گواهینامه 2022

فصل 1: مقدمه

خوش آمدگویی 02:12
آمادگی برای آزمون Google Cloud Professional Data Engineer 03:27

فصل 2: ذخیره سازی ابری برای مهندسی داده

آشنایی با ذخیره سازی آبجکت 07:13
گزینه هایی برای بارگذاری داده 03:45
کنترل های دسترسی برای ذخیره سازی ابری 02:15
مدیریت سیاست چرخه عمر 02:26
استفاده از Cloud Storage Console 05:16
تمرین - ذخیره سازی ابری 00:13
راه حل - ذخیره سازی ابری 01:39

فصل 3: پایگاه داده های رابطه ای - Cloud SQL

آشنایی با پایگاه داده های رابطه ای 07:56
زمان استفاده از Cloud SQL 02:30
ایجاد پایگاه داده Cloud SQL 05:00
نظارت بر Cloud SQL 02:12
آشنایی با پروکسی احراز هویت Cloud SQL 03:47
نصب پروکسی احراز هویت Cloud SQL 04:33
تمرین - ایجاد پایگاه داده Cloud SQL 00:31
راه حل - ایجاد پایگاه داده Cloud SQL 02:32

فصل 4: پایگاه داده های رابطه ای - Cloud Spanner

زمان استفاده از Cloud Spanner 01:35
ایجاد پایگاه داده Cloud Spanner 03:57
ملاحظات عملکرد Cloud Spanner 03:31
بررسی دانش شما - انتخاب کلید اصلی برای جدول اسپنر None

فصل 5: پایگاه داده های NoSQL - معرفی Cloud Firestore

آشنایی با Cloud Firestore و پایگاه داده های اسناد 03:01
انتیتی ها و Kinds 02:01
ایندکس گذاری در Cloud Firestore 01:47
ایجاد انتیتی ها 03:55
کوئری کردن انتیتی ها 02:48
ایجاد Kinds و فضاهای نام 02:26
کار با تراکنش ها 01:58
تمرین - ایجاد Kind و انتیتی ها 00:27
راه حل - ایجاد Kinds و انتیتی ها 01:22

فصل 6: پایگاه داده های NoSQL - معرفی Bigtable

آشنایی با پایگاه داده های Bigtable و Wide-Column 04:32
ایجاد نمونه Bigtable 03:11
طراحی کلیدهای سطر برای Bigtable 05:32
الگوهای کوئری و غیرنرمال سازی 04:01
طراحی برای داده سری های زمانی با Bigtable 08:05
بررسی دانش شما - ایجاد پایگاه داده سری های زمانی None

فصل 7: پایگاه داده های تحلیلی - مدیریت داده BigQuery

آشنایی با BigQuery و پایگاه داده های تحلیلی 05:18
تایپ های داده اسکالر BigQuery 01:09
فیلدهای تودرتو و تکراری BigQuery 01:28
کوئری کردن اسکالر، فیلدهای تودرتو و تکراری 04:31
تمرین - کوئری کردن از مجموعه داده های عمومی BigQuery 00:27
راه حل - کوئری کردن از مجموعه داده های عمومی BigQuery 00:59
کنترل های دسترسی در BigQuery 06:25
پارتیشن بندی جداول 04:11
خوشه بندی جداول پارتیشن بندی شده 01:06
بارگذاری داده در BigQuery 03:36
BigQuery و IAM 08:08
امنیت سطح ستون 02:53
امنیت سطح سطر 02:35

فصل 8: مهاجرت به انبار داده

ارزیابی State فعلی یک انبار داده 03:19
اسکیما و انتقال داده 03:06
پایپ لاین های داده 01:57
گزارش دهی و تحلیل 01:45
حاکمیت داده 02:20
بررسی دانش شما - مهاجرت به انبار داده None

فصل 9: کش کردن داده و Cloud Memorystor

استفاده از کش برای بهبود عملکرد 04:28
ساختارهای داده Cloud Memorystore 02:02
ایجاد کش Cloud Memorystor 04:01
بررسی دانش شما - طراحی مجدد اپلیکیشن توزیع شده برای High Availability None

فصل 10: گردش کارها، ETL و ELT

آشنایی با کامپوزر ابری 02:52
معماری کامپوزر ابری 03:03
آشنایی با فیوژن داده ابری 03:07

فصل 11: Pub و Sub ابری و پایپ لاین های داده

آشنایی با Pub و Sub ابری 00:57
ایجاد تاپیک ها و سابسکریپشن ها 02:50
ایجاد و خواندن پیام ها 02:05
تمرین - ایجاد یک تاپیک، انتشار پیام ها و خواندن پیام ها 00:40
راه حل - ایجاد یک تاپیک و انتشار پیام 02:05

فصل 12: جریان داده ابری و پایپ لاین های داده

استریمینگ و پردازش دسته ای با جریان داده ابری 03:53
اجرای یک شغل در جریان داده ابری 04:20
تحلیل یک Job ناموفق در جریان داده ابری 03:03
نظارت بر جریان داده ابری 02:54
عیب یابی پایپ لاین جریان داده ابری 02:09
بررسی دانش شما - عیب یابی پایپ لاین جریان داده ابری None

فصل 13: Cloud Dataproc و پایپ لاین های داده

آشنایی با Cloud Dataproc 03:30
ایجاد خوشه Cloud Dataproc 05:52
نظارت بر خوشه Cloud Dataproc 01:39
استفاده از ذخیره سازی ابری با Cloud Dataproc 01:59
بررسی دانش شما - چه زمانی از Cloud Dataproc روی جریان داده ابری استفاده کنیم؟ None