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
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات