آموزش گوگل: مهندس داده حرفه ای در پلت فرم ابر Google

یک مهندس داده حرفه ای، تصمیم گیری تصمیم گیری مبتنی بر داده ها را با جمع آوری، تبدیل و انتشار داده ها فراهم می کند. یک مهندس داده باید بتواند سیستم های پردازش داده ها را طراحی، ساخت، ساخت، ساخت، ساخت، ساخت، ساخت، ساخت، با تأکید خاص بر امنیت و انطباق داشته باشد؛ مقیاس پذیری و کارایی؛ قابلیت اطمینان و وفاداری؛ و انعطاف پذیری و قابلیت حمل. یک مهندس داده نیز باید بتواند مدل های یادگیری ماشین های پیش از آن را به طور مداوم آموزش دهد.

امتحان حرفه ای مهندسی داده ها توانایی شما را ارزیابی می کند:

طراحی سیستم های پردازش داده ها

ساخت و نصب سیستم های پردازش داده ها

مدل های یادگیری ماشین را عملیاتی

اطمینان از کیفیت راه حل

طراحی سیستم های پردازش داده ها

• فن آوری های ذخیره سازی مربوطه را انتخاب کنید: ملاحظات برای این منطقه شامل سیستم های ذخیره سازی نقشه برداری به نیازهای کسب و کار، مدل سازی داده ها، سیستم های توزیع شده، و همچنین اختلافات، شامل معاملات، بهره برداری، و تاخیر؛

• خط لوله داده طراحی: تمرکز برای این بخش شامل انتشار تجسم داده ها و داده های جریان دسته ای (Dataproc ابر، داده های ابر، ابر ابر/Pub، اکوسیستم Hadoop، Apache Spark، Apache Beam و Apache Kafka) است. همچنین بر روی پیش بینی های آنلاین و اتوماسیون Orchestration به صورت آنلاین تمرکز می کند؛

• طراحی راه حل های پردازش داده ها: این موضوع شامل تخصص افراد در برنامه ریزی، استفاده از سیستم های توزیع شده، انتخاب زیرساخت ها، محاسبات لبه ابر ترکیبی، تحمل گسل در دسترس بودن سیستم است. شما همچنین باید در مورد گزینه های معماری، از جمله صف های پیام، کارگزاران پیام، معماری سرویس گرا، middleware و تابع بدون سرور، بدانید.

• مدیریت داده های پردازش داده ها: این بخش شامل مهاجرت های معتبر، مهاجرت از محل به ابر، و آگاهی از وضعیت فعلی چگونگی مهاجرت طرح ها به حالت آینده است.

ساخت سیستم های پردازش داده ها را عملیاتی

• ساخت سیستم های ذخیره سازی عملیاتی: این بخش نیاز به مهارت ها و مهارت های دانش آموزان در استفاده موثر از خدمات مدیریت شده، از جمله Cloud SPANNER، Cloug Bigntable، Bigquery، Cloud SQL، Cloud MemoryStore، Datastore Cloud، و ذخیره سازی ابر نیاز دارد. همچنین مهارت های خود را در مدیریت چرخه چرخه و هزینه های ذخیره سازی داده ها پوشش می دهد؛

• ساخت خط لوله عملیاتی: این ماژول مستلزم آن است که یادگیرندگان شایستگی را در پاکسازی داده ها، تحول، جریان دسته ای، کسب واردات داده ها، و همچنین ادغام با منابع اطلاعات جدید نشان دهند؛

• ساخت زیرساخت های پردازش عملیات: ملاحظات این موضوع شامل منابع ارائه، تنظیم خط لوله، نظارت بر خط لوله و تست کیفیت.

عملیات ML را عملیاتی

• اهرم مدل های یادگیری پیش ساخته شده به عنوان یک سرویس: این دانش و مهارت های خود را در سفارشی سازی API های یادگیری ماشین، از جمله متن خودکار ML و چشم انداز خودکار ML پوشش می دهد. همچنین تجربیات مکالمه ای مانند DialogFlow و همچنین API های یادگیری ماشین، از جمله API سخنرانی و API Vision؛

  را پوشش می دهد؛

• خطوط خط لوله های یادگیری ماشین: این هدف نیاز به شایستگی شما در مصرف داده های مربوطه، ارزیابی مداوم و بازآموزی از مدل های ML (Kuberflow، یادگیری ماشین بزرگ، موتور یادگیری ماشین، و یادگیری ماشین جرقه)؛

• زیرساخت خدمات آموزشی مربوطه را انتخاب کنید: توجه به این موضوع شامل دستگاه توزیع شده در مقابل دستگاه، شتاب دهنده های سخت افزاری (مانند TPU و GPU)، و استفاده از لبه محاسبه شده؛

• اندازه گیری، عیب یابی مدل های یادگیری مانیتور ماشین: تمرکز این زیرمجموعه شامل اثر وابستگی در مدل های یادگیری ماشین است. این امر همچنین درک مفاهیم از اصطلاحات یادگیری ماشین را اندازه گیری می کند، مانند ویژگی ها، رگرسیون، برچسب ها، طبقه بندی، مدل ها، توصیه ها، معیارهای ارزیابی و یادگیری تحت نظارت نظارتی. علاوه بر این، دانش خود را از منابع رایج از خطا مانند مفروضات مربوط به داده ها ارزیابی می کند.

اطمینان از کیفیت راه حل

• طراحی برای انطباق امنیت: توجه به این موضوع شامل مدیریت دسترسی هویت مانند ابر IAM است. شما همچنین باید در مورد امنیت داده ها (از جمله مدیریت کلیدی و رمزگذاری) و تضمین حفظ حریم خصوصی (مانند API پیشگیری از دست رفتن داده ها) بدانید. این بخش همچنین مهارت های مورد نیاز در انطباق قانونی را پوشش می دهد، از جمله قانون حسابرسی حمل و نقل بیمه درمانی، FedRamp، قانون حفاظت از حفظ حریم خصوصی کودکان کودکان و مقررات حفاظت از اطلاعات عمومی؛

• اطمینان حاصل از مقیاس پذیری کارایی: کاندیداهای بالقوه مورد نیاز برای نشان دادن توانایی آنها برای ساخت و اجرای لباس های آزمون و همچنین مانیتور خط لوله، از جمله StackDriver مورد نیاز است. همچنین بر مهارت های آنها مربوط به ارزیابی، بهبود و عیب یابی زیرساخت های پردازش داده ها و نمایش داده ها تمرکز می کند. این منطقه همچنین نیاز به آزمون تست ها را نشان می دهد ظرفیت تغییر اندازه و منابع اتمسفر؛

• >> ، و عملکرد مجدد تجزیه و تحلیل مجدد مجدد). علاوه بر این، آنها باید قادر به انتخاب بین اسید IdemPotent و پیش نیازهای احتمالی سازگار باشند؛

• اطمینان از انعطاف پذیری قابل حمل: ملاحظات برای این دامنه شامل طراحی برای کاربرد و انتقال داده ها، از جمله پیش نیازهای اقامت داده ها و چندین ابر است. همچنین داده های مرحله سازی، کشف و فهرست بندی، و همچنین نقشه برداری به پیش نیازهای کسب و کار آینده و فعلی را پوشش می دهد.

  
  
  

چه کسی این دوره است:

• تمام سطوح