لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش (GCP-PDE) نگهداری و اتوماسیون حجمهای کاری داده (Data Workloads)
- 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 برای اجرای قابلاعتماد و مقرونبهصرفه حجمهای کاری داده، بهویژه با افزایش پیچیدگی، مقیاس و اهمیت تجاری خط لولههای داده (Pipelines)، با چالش روبرو هستند. در این دوره آموزشی با عنوان «نگهداری و اتوماسیون حجمهای کاری داده (GCP-PDE)»، شما توانایی اتوماسیون، بهینهسازی و مانیتورینگ خط لولههای داده را کسب میکنید تا عملکرد آنها در شرایط واقعی و عملیاتی، ثابت و پایدار باشد. ابتدا، نحوه بهینهسازی هزینههای ذخیرهسازی و پردازش را بررسی خواهید کرد تا اطمینان حاصل شود که حجمهای کاری حیاتی همیشه منابع مورد نیاز خود را در اختیار دارند. سپس، یاد میگیرید که چگونه گردش کارهای تکرارپذیر و خودکار را با استفاده از Cloud Composer و استراتژیهای زمانبندی طراحی کنید تا خط لولهها بدون وقفه اجرا شوند. در نهایت، مدیریت حجمهای کاری، نظارت بر سلامت سیستم، عیبیابی خطاها و ساخت معماریهای تحملپذیر در برابر نقص (Fault-tolerant) را میآموزید تا قطعیها و مشکلات دادهای را بهطور بهینه مدیریت کنید. پس از اتمام این دوره، شما مهارتها و دانش لازم برای مدیریت حجمهای کاری داده جهت حفظ خط لولههای کارآمد، قابلاعتماد و آماده برای محیط عملیاتی (Production) در Google Cloud را به دست آورده و آمادگی لازم برای پاسخ به سوالات این بخش در آزمون گواهینامه Professional Data Engineer را خواهید داشت.
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: ساختار هزینههای Cloud Storage
Minimizing Costs: Cost Structures for Cloud Storage
کاهش هزینهها: ساختار هزینههای BigQuery
Minimizing Costs: Cost Structures for BigQuery
کاهش هزینهها: ساختار هزینههای 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 سازماندهی گردش کار
Apache Airflow for Workflow Orchestration
سرویس مدیریت شده Apache Airflow (سابقاً Cloud Composer)
Managed Service for Apache Airflow (Formerly Cloud Composer)
دمو: ایجاد محیط Managed Airflow (Cloud Composer)
Demo: Creating a Managed Airflow (Cloud Composer) Environment
دمو: اجرای گردشهای کاری در Managed Airflow (Cloud Composer)
Demo: Executing Workflows on Managed Airflow (Cloud Composer)
مدیریت و سازماندهی حجمهای کاری
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