لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدیریت و اتوماسیون ورکلودهای داده (GCP-PDE)
- آخرین آپدیت
دانلود (GCP-PDE) Maintaining and Automating Data Workloads
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
سازمانها اغلب با افزایش پیچیدگی، مقیاس و اهمیت تجاری خطوط لوله داده (Data Pipelines)، برای اجرای پایدار و مقرونبهصرفه ورکلودهای داده با چالش مواجه هستند. در این دوره آموزشی با عنوان «مدیریت و اتوماسیون ورکلودهای داده (GCP-PDE)»، شما توانایی اتوماسیون، بهینهسازی و مانیتورینگ خطوط لوله داده را کسب میکنید تا در شرایط واقعی، عملکردی ثابت و بهینه داشته باشند. ابتدا، نحوه بهینهسازی هزینههای ذخیرهسازی و پردازش را بررسی میکنید تا اطمینان حاصل شود که ورکلودهای حیاتی همیشه منابع لازم را در اختیار دارند. سپس، یاد میگیرید چگونه با استفاده از Cloud Composer و استراتژیهای زمانبندی، جریانهای کاری تکرارپذیر و خودکار طراحی کنید تا خطوط لوله بدون وقفه اجرا شوند. در نهایت، مدیریت ورکلودها، مانیتورینگ سلامت سیستم، عیبیابی خطاها و ساخت معماریهای تحملپذیر در برابر نقص (Fault-tolerant) را برای مدیریت هوشمند قطعیها و مشکلات دادهها خواهید آموخت. در پایان این دوره، شما مهارتها و دانش لازم برای مدیریت ورکلودهای داده جهت نگهداری خطوط لولهی کارآمد، قابل اعتماد و آماده تولید در گوگل کلاود (Google Cloud) را کسب کرده و برای پاسخ به سوالات این بخش در آزمون گواهینامه Professional Data Engineer آماده خواهید بود.
سرفصل ها و درس ها
بهینهسازی هزینهها و منابع داده
Optimizing Data Costs and Resources
نیازمندیهای سیستم و نرمافزاری
System and Software Requirements
کاهش هزینهها: عوامل اثرگذار بر هزینه
Minimizing Costs: Cost Drivers
کاهش هزینهها: ساختارهای هزینه در Cloud Storage
Minimizing Costs: Cost Structures for Cloud Storage
کاهش هزینهها: ساختارهای هزینه در BigQuery
Minimizing Costs: Cost Structures for BigQuery
کاهش هزینهها: ساختارهای هزینه در Dataflow
Minimizing Costs: Cost Structures for Dataflow
کاهش هزینهها: بهینهسازیهای هزینه
Minimizing Costs: Cost Optimizations
دمو: پیشمحاسبه تجمیعها با استفاده از Materialized Views
Demo: Precompute Aggregations Using Materialized Views
کلاسترهای دائمی در مقابل کلاسترهای مبتنی بر Job
Persistent vs. Job-based Clusters
طراحی اتوماسیون و تکرارپذیری
Designing Automation and Repeatability
استفاده از Apache Airflow برای ارکستراسیون جریان کاری
Apache Airflow for Workflow Orchestration
سرویس مدیریت شده برای Apache Airflow (سابقاً Cloud Composer)
Managed Service for Apache Airflow (Formerly Cloud Composer)
دمو: ایجاد محیط مدیریت شده Airflow (Cloud Composer)
Demo: Creating a Managed Airflow (Cloud Composer) Environment
دمو: اجرای جریانهای کاری در مدیریت شده Airflow (Cloud Composer)
Demo: Executing Workflows on Managed Airflow (Cloud Composer)
مدیریت و سازماندهی ورکلودها
Managing and Organizing Workloads
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات