مقدمه‌ای بر معماری Lakehouse در Databricks

آنچه یاد خواهید گرفت:

راه حل‌های سنتی ذخیره‌سازی داده مانند Data Lakes و Data Warehouses، هر کدام قابلیت‌های مقیاس‌پذیری یا اطمینان را اما نه هر دو را همزمان ارائه می‌دهند. این موضوع توانایی سازمان در مدیریت و تحلیل مؤثر داده‌ها را محدود می‌کند.

در این دوره، با عنوان «مقدمه‌ای بر معماری Lakehouse در Databricks»، خواهید توانست از پلتفرم Databricks Lakehouse بهره‌مند شوید تا راه‌حل‌های یکپارچه، مقیاس‌پذیر و کارآمد در زمینه داده‌ها طراحی کنید.

در ابتدا، مفاهیم پایه‌ای معماری Lakehouse، مزایای آن نسبت به Data Lakes و Data Warehouses سنتی و کامپوننت های اصلی آن مانند Delta Lake ،Spark ،Databricks SQL و MLflow را بررسی خواهید کرد.

سپس، نحوه کار با معماری Lakehouse با استفاده از Delta Lake، شامل کوئری های داده‌ ساختاریافته و غیر ساختاریافته، و مدیریت گردش‌های کاری یادگیری ماشین با MLflow را کشف خواهید نمود.

در نهایت، یاد خواهید گرفت چگونه مدل Lakehouse را در سناریوهای واقعی به کار ببرید، از جمله ساخت یک پایپ لاین داده کامل و یک گردش کار یادگیری ماشین، و به بررسی کاربردهای رایج در صنعت مانند تشخیص تقلب، سیستم‌های پیشنهاددهی و تحلیل‌های مشتری می‌پردازید.

پس از پایان این دوره، مهارت‌ها و دانش لازم برای طراحی و اجرای راه‌حل‌های داده مدرن برای تحلیل، یادگیری ماشین و فراتر از آن را خواهید داشت.