لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش خدمات وب آمازون برای علوم داده
Amazon Web Services for Data Science
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با استفاده از ترکیبی مناسب از خدمات وب آمازون ، آنچه را که می خواهید بدانید برای پیاده سازی راه حل های کلان داده مبتنی بر ابر - از لینگ لانگیت ، معمار کلان داده و ابر و قهرمان جامعه AWS ، بیاموزید.
لین با شروع با دسته های سطح بالا ذخیره سازی ، داده ها ، رایانه و خدمات ، شما را با برنامه ریزی معماری ایده آل AWS ، ارائه دموی خدمات با استفاده از کنسول AWS ، رابط خط فرمان و سایر ابزارها راهنمایی می کند. بیاموزید چه موقع از کدام سرویس برای موارد تجاری مانند Docker یا Lambda یا DynamoDB یا Aurora استفاده کنید؟ وی نحوه ایجاد اسکریپت برای ایجاد سرویس هایی مانند S3 سطلها و نمونه های EC2 ، ایجاد و جمع آوری یک انبار داده مدیریت شده و ایجاد خط لوله پردازش داده هایی که برای شما مناسب باشد ، نشان می دهد. فصل 6 خدمات اینترنت اشیا A AWS (اینترنت اشیا) را پوشش می دهد.
این تمرینات به شما کمک می کند تا از مفاهیم اثبات شده ، حداقل محصولات مناسب و راه حل های قابل استفاده برای مقیاس گذاری و پشتیبانی از ابتکارات کلان داده در شرکت خود استفاده کنید.
موضوعات شامل:
تنظیم حساب AWS خود li>
استفاده از ابزارهای AWS
تعریف حداقل محصولات مناسب شما li>
انتخاب رایانه ، فضای ذخیره سازی و خدمات داده li>
استفاده از S3 ، EC2 یا Docker برای میزبانی وب li>
ایجاد وب سایت AWS
استفاده از انبار داده li>
توسعه خط لوله پردازش داده ها li>
ایجاد پروژه اینترنت اشیا with با AWS
سرفصل ها و درس ها
مقدمه
Introduction
خوش آمدی
Welcome
آنچه باید قبل از تماشای این دوره بدانید
What you should know before watching this course
فایل های تمرینی
Exercise files
بررسی دانش
Knowledge checks
1- پروژه AWS خود را شروع کنید
1. Start Your AWS Project
حسابهای AWS را تنظیم کنید
Set up AWS accounts
برای تأیید اعتبار از ریشه چند منظوره استفاده کنید
Use multifactor authentication for root accounts
از چندین محیط AWS استفاده کنید
Use multiple AWS environments
مدیریت هزینه را تنظیم کنید
Set up cost management
از ابزارهای AWS ، AWS CLI و موارد دیگر استفاده کنید
Use AWS tools, AWS CLI, and more
بررسی دانش
Knowledge check
2. معماری AWS خود را برنامه ریزی کنید
2. Plan Your AWS Architecture
MVP خود را تعریف کنید
Define your MVP
خدمات را انتخاب کنید: محاسبه کنید
Choose services: Compute
معماری AWS MVP خود را ترسیم کنید
Draw your AWS MVP architecture
خدمات را انتخاب کنید: ذخیره سازی
Choose services: Storage
خدمات را انتخاب کنید: داده
Choose services: Data
معماری پروژه AWS خود را تأیید کنید
Validate your AWS project architecture
بررسی دانش
Knowledge check
3. توسعه وب سایت AWS
3. Develop the AWS Website
وب سایت AWS: زبان و ابزار را انتخاب کنید و یک محیط توسعه ایجاد کنید
AWS website: Select language & tools & set up a development environment
برای میزبانی وب سایت از S3 استفاده کنید
Use S3 for website hosting
برای میزبانی وب سایت از EC2 استفاده کنید
Use EC2 for website hosting
از خدمات شبکه سازی ، IP الاستیک و موارد دیگر استفاده کنید
Use networking services, Elastic IP, and more
برای میزبانی وب سایت از لامبدا استفاده کنید
Use Lambda for website hosting
Lambda را در میزبان دنیای واقعی اعمال کنید
Apply Lambda to real-world hosting
برای میزبانی وب سایت از Elastic Beanstalk استفاده کنید
Use Elastic Beanstalk for website hosting
Docker را برای میزبانی وب سایت اعمال کنید
Apply Docker for website hosting
نکته: بهترین ترکیب خدمات محاسباتی برای وب سایت شما
Tip: The best mix of compute services for your website
بررسی دانش
Knowledge check
4- انبار داده AWS را توسعه دهید
4. Develop the AWS Data Warehouse
چرا از انبار داده استفاده می کنیم؟
Why use a data warehouse?
انبار داده AWS: زبان و ابزار را انتخاب کنید و یک محیط توسعه ایجاد کنید
AWS data warehouse: Select language & tools & set up a development environment
از Redshift استفاده کنید
Use Redshift
Redshift خود را با داده بارگیری کنید
Load your Redshift with data
یک پرس و جو پایه را اجرا کنید
Run a baseline query
برای Redshift از Matillion ETL استفاده کنید
Use Matillion ETL for Redshift
برای تجسم از BIME استفاده کنید
Use BIME for visualization
بررسی دانش
Knowledge check
5- خط لوله پردازش داده AWS را توسعه دهید
5. Develop AWS Data Processing Pipeline
چرا از جریان داده استفاده می شود؟
Why use data streaming?
خط لوله پردازش داده AWS: زبان و ابزار را انتخاب کنید و یک محیط توسعه ایجاد کنید
AWS data processing pipeline: Select language & tools & set up a development environment
از Kinesis و Lambdas برای بارگیری داده استفاده کنید
Use Kinesis and Lambdas to load data
برای بارگذاری داده ها در S3 از Firehose استفاده کنید
Use Firehose to load data into S3
استفاده از Kinesis در راه حل های جریان
Using Kinesis in streaming solutions
6. توسعه پروژه AoS IoT
6. Develop AWS IoT Project
مفاهیم IoT را درک کنید
Understand IoT concepts
پروژه AWS IoT: زبان و ابزار را انتخاب کنید و یک محیط توسعه ایجاد کنید
AWS IoT project: Select language & tools & set up a development environment
از AWS IoT MQTT استفاده کنید
Use AWS IoT MQTT
از ابرداده دستگاه AWS IoT و حالت سایه استفاده کنید
Use AWS IoT device metadata and shadow state
از گواهینامه ها و خط مشی های IoT برای ایمن سازی پیام دستگاه استفاده کنید
Use IoT certificates and policies to secure device message
از قوانین IoT برای S3 برای ذخیره پیام های دستگاه خروجی استفاده کنید
Use IoT rules for S3 to store outgoing device messages
از قوانین Iot برای DynamoDB برای ذخیره پیام های دستگاه خروجی استفاده کنید
Use Iot rules for DynamoDB to store outgoing device messages
معماری راه حل IoT بسازید
Build IoT solution architecture
Lynn Langit یک معمار ابری است که با خدمات وب آمازون و Google Cloud Platform کار می کند.
لین متخصص در پروژه های کلان داده است. او با AWS Athena، Aurora، Redshift، Kinesis و IoT کار کرده است. او همچنین کارهای تولیدی را با Databricks برای Apache Spark و Google Cloud Dataproc، Bigtable، BigQuery و Cloud Spanner انجام داده است.
لین همچنین بنیانگذار است. آموزش برنامه نویسی به کودکان. او درباره داده ها و فناوری های ابری در آمریکای شمالی و جنوبی، اروپا، آفریقا، آسیا و استرالیا صحبت کرده است.
نمایش نظرات