آموزش ساخت خطوط لوله داده ای در GCP

Building Batch Data Pipelines on GCP

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: خطوط لوله داده به طور معمول در یکی از پارادایم های Extra-Load ، Extract-Load-Transform یا Extract-Transform-Load قرار می گیرند. این دوره توصیف می کند که چه پارادایمی باید مورد استفاده قرار گیرد و چه زمانی برای داده های دسته ای. خطوط لوله داده به طور معمول در یکی از پارادایم های Extra-Load ، Extract-Load-Transform یا Extract-Transform-Load قرار می گیرند. این دوره توصیف می کند که از چه الگویی باید استفاده شود و چه زمانی برای داده های دسته ای. علاوه بر این ، این دوره چندین فناوری را در Google Cloud Platform برای تبدیل داده از جمله BigQuery ، اجرای Spark در Cloud Dataproc ، نمودارهای خط لوله در Cloud Data Fusion و پردازش داده های بدون سرور با Cloud Dataflow پوشش می دهد. زبان آموزان با استفاده از QwikLabs تجربه عملی ساختن اجزای خط لوله داده را در Google Cloud Platform کسب خواهند کرد.

سرفصل ها و درس ها

مقدمه Introduction

  • معرفی دوره Course Introduction

مقدمه ای بر خطوط لوله داده Introduction to Batch Data Pipelines

  • EL ، ELT ، ETL EL, ELT, ETL

  • ملاحظات کیفی Quality considerations

  • نحوه انجام عملیات در BigQuery How to carry out operations in BigQuery

  • کمبودها Shortcomings

  • ETL برای حل مشکلات کیفیت داده ها ETL to solve data quality issues

اجرای Spark در Cloud Dataproc Executing Spark on Cloud Dataproc

  • اکوسیستم Hadoop The Hadoop ecosystem

  • اجرای Hadoop در Cloud Dataproc Running Hadoop on Cloud Dataproc

  • GCS به جای HDFS GCS instead of HDFS

  • بهینه سازی Dataproc Optimizing Dataproc

  • بهینه سازی ذخیره سازی Dataproc Optimizing Dataproc Storage

  • بهینه سازی الگوهای Dataproc و مقیاس خودکار Optimizing Dataproc Templates and Autoscaling

  • بهینه سازی نظارت بر Dataproc Optimizing Dataproc Monitoring

  • شروع کار با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • آزمایشگاه معرفی: اجرای مشاغل Apache Spark در Cloud Dataproc Lab Intro:Running Apache Spark jobs on Cloud Dataproc

  • آزمایشگاه: اجرای مشاغل Apache Spark در Cloud Dataproc Lab: Running Apache Spark jobs on Cloud Dataproc

  • خلاصه Summary

خطوط لوله داده را با Cloud Data Fusion و Cloud Composer مدیریت کنید Manage Data Pipelines with Cloud Data Fusion and Cloud Composer

  • مقدمه Introduction

  • مonلفه های همجوشی داده ها Components of Data Fusion

  • ساخت خط لوله Building a Pipeline

  • کاوش داده ها با استفاده از Wrangler Exploring Data using Wrangler

  • آزمایشگاه: ساخت و اجرای نمودار خط لوله در Cloud Data Fusion Lab:Building and executing a pipeline graph in Cloud Data Fusion

  • آزمایشگاه: ساخت و اجرای نمودار خط لوله با همجوشی داده ها Lab: Building and Executing a Pipeline Graph with Data Fusion

  • هماهنگی بین سرویس های GCP با Cloud Composer Orchestrating work between GCP services with Cloud Composer

  • محیط جریان هوا Apache Apache Airflow Environment

  • DAG ها و اپراتورها DAGs and Operators

  • برنامه ریزی گردش کار Workflow scheduling

  • نظارت و ورود به سیستم Monitoring and Logging

  • آزمایشگاه: درآمدی بر آهنگساز ابر Lab:An Introduction to Cloud Composer

  • آزمایشگاه: درآمدی بر آهنگساز ابر Lab: An Introduction to Cloud Composer

پردازش داده بدون سرور با Cloud Dataflow Serverless Data Processing with Cloud Dataflow

  • Cloud Dataflow Cloud Dataflow

  • چرا مشتریان برای Dataflow ارزش قائل هستند Why customers value Dataflow

  • ساخت خطوط لوله انتقال داده Cloud به صورت کد Building Cloud Dataflow Pipelines in code

  • ملاحظات اصلی در مورد طراحی خطوط لوله Key considerations with designing pipelines

  • تبدیل داده ها با PTransforms Transforming data with PTransforms

  • آزمایشگاه: ساخت یک خط لوله ساده گردش داده Lab:Building a Simple Dataflow Pipeline

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: یک خط لوله ساده داده (پایتون) Lab: Serverless Data Analysis with Dataflow: A Simple Dataflow Pipeline (Python)

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: یک خط لوله ساده داده (جاوا) Lab: Serverless Data Analysis with Dataflow: A Simple Dataflow Pipeline (Java)

  • جمع کردن با GroupByKey و Combine Aggregating with GroupByKey and Combine

  • آزمایشگاه: MapReduce در Cloud Dataflow Lab:MapReduce in Cloud Dataflow

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: MapReduce در جریان داده (پایتون) Lab: Serverless Data Analysis with Dataflow: MapReduce in Dataflow (Python)

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: MapReduce در جریان داده (جاوا) Lab: Serverless Data Analysis with Dataflow : MapReduce in Dataflow (Java)

  • ورودی های جانبی و ویندوز داده ها Side Inputs and Windows of data

  • آزمایشگاه: تمرین ورودی های جانبی خط لوله Lab:Practicing Pipeline Side Inputs

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: ورودی های جانبی (پایتون) Lab: Serverless Data Analysis with Dataflow: Side Inputs (Python)

  • آزمایشگاه: تجزیه و تحلیل داده بدون سرور با جریان داده: ورودی های جانبی (جاوا) Lab: Serverless Data Analysis with Dataflow: Side Inputs (Java)

  • ایجاد و استفاده مجدد از الگوهای خط لوله Creating and re-using Pipeline Templates

  • خطوط انتقال داده Cloud SQL Cloud Dataflow SQL pipelines

خلاصه Summary

  • خلاصه دوره Course Summary

  • ساخت خطوط لوله داده در اسلایدهای Google Cloud Building Batch Data Pipelines on Google Cloud Slides

نمایش نظرات

آموزش ساخت خطوط لوله داده ای در GCP
جزییات دوره
2h 43m
50
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.