آموزش راهنمای جامع گوگل بیگ‌کوئری (Google BigQuery) برای مهندسان داده و یادگیری ماشین - آخرین آپدیت

دانلود Complete Guide to Google BigQuery for Data and ML Engineers

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

داده‌ها و توانایی تحلیل آن‌ها و استفاده از آن‌ها برای ساخت مدل‌های یادگیری ماشین، موتور محرک نوآوری و روش‌های جدید سازماندهی کار در کسب‌وکارهای مدرن است. در این مسیر، گوگل بیگ‌کوئری (Google BigQuery) به عنوان یک پلتفرم داده‌ای گسترده برای انبارداری داده‌ها (Data Warehousing)، تحلیل‌های پیشرفته و یادگیری ماشین ظاهر می‌شود. بیگ‌کوئری به صورت یک سرویس مدیریت شده و بدون سرور (Serverless) از گوگل کلاود ارائه می‌شود که به شما اجازه می‌دهد زمان کمتری را صرف نگهداری زیرساخت‌ها کرده و زمان بیشتری را به ساخت سیستم‌های یادگیری ماشین و استخراج بینش‌های ارزشمند از داده‌ها اختصاص دهید. در این دوره، همراه با مدرس، «دن سالوان»، بیاموزید که چگونه به عنوان یک مهندس داده یا مهندس یادگیری ماشین، بیشترین بهره را از BigQuery را ببرید. در طول این مسیر، مهارت‌های ضروری برای وارد کردن داده‌ها (Ingesting)، تبدیل داده‌ها برای آماده‌سازی تحلیل، و همچنین ساخت، ارزیابی، استقرار و نظارت بر مدل‌های یادگیری ماشین در محیط تولید را فرا خواهید گرفت.

این دوره توسط Pearson ایجاد شده و ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی کنیم.


سرفصل ها و درس ها

مقدمه Introduction

  • گوگل بیگ‌کوئری برای مهندسان داده و ML: مقدمه Google BigQuery for data and ML engineers: Introduction

1. بیگ‌کوئری برای مهندسی داده و مهندسی یادگیری ماشین 1. BigQuery for Data Engineering and Machine Learning Engineering

  • سرفصل‌ها Topics

  • پلتفرم داده‌ای بدون سرور و چندمنظوره Serverless, multifunction data platform

  • معماری بیگ‌کوئری Architecture of BigQuery

  • مهندسی داده و یادگیری ماشین در بیگ‌کوئری Data engineering and machine learning in BigQuery

2. وارد کردن داده‌ها (Data Ingestion) در بیگ‌کوئری 2. Data Ingestion in BigQuery

  • سرفصل‌ها Topics

  • تمرین عملی: وارد کردن داده‌ها به صورت دسته‌ای (Batch) Lab assignment: Batch data ingestion

  • وارد کردن داده‌های دسته‌ای Batch data ingestion

  • تمرین عملی: وارد کردن داده‌های جریانی (Streaming) Lab assignment: Ingest streaming data

  • وارد کردن داده‌های جریانی Streaming ingestion

3. کیفیت داده‌ها و کاوش در داده‌ها 3. Data Quality and Data Exploration

  • تمرین عملی: کاوش در داده‌ها Lab assignment: data exploration

  • سرفصل‌ها Topics

  • استفاده از DataFrameها برای کاوش در داده‌ها DataFrames for data exploration

  • گوگل کلاود Dataproc Spark و بیگ‌کوئری Cloud Dataproc Spark and BigQuery

  • استفاده از SQL برای بررسی کیفیت داده‌ها SQL for data quality checks

  • تمرین عملی: بررسی کیفیت داده‌ها Lab assignment: Data quality checks

4. یادگیری ماشین با بیگ‌کوئری 4. Machine Learning with BigQuery

  • گردش کار یادگیری ماشین Machine learning workflow

  • مقدمه‌ای بر یادگیری ماشین Introduction to machine learning

  • سرفصل‌ها Topics

5. ساخت مدل‌های طبقه‌بندی (Classification) و رگرسیون در بیگ‌کوئری 5. Building Classification and Regression Models in BigQuery

  • تمرین عملی: ساخت یک مدل طبقه‌بندی Lab assignment: Build a classification model

  • ساخت و ارزیابی مدل طبقه‌بندی Building and evaluating a classification model

  • سرفصل‌ها Topics

  • ساخت و ارزیابی مدل رگرسیون Building and evaluating a regression model

  • تمرین عملی: ساخت یک مدل رگرسیون Lab assignment: Build a regression model

6. ساخت مدل پیش‌بینی سری‌های زمانی (Time Series) 6. Building a Time Series Predictive Model

  • تمرین عملی: ساخت مدل سری‌های زمانی در SQL Lab building a time series model in SQL

  • مقدمه‌ای بر مدل‌سازی سری‌های زمانی Introduction to time series modeling

  • سرفصل‌ها Topics

  • ساخت مدل سری‌های زمانی در SQL Building time series model in SQL

7. استفاده از هوش مصنوعی مولد (Generative AI) در بیگ‌کوئری 7. Using Generative AI with BigQuery

  • کار با متن در بیگ‌کوئری Working with text in BigQuery

  • سرویس‌های هوش مصنوعی مولد در گوگل کلاود Generative AI services in Google Cloud

  • مقدمه‌ای بر هوش مصنوعی مولد در بیگ‌کوئری Introduction to generative AI in BigQuery

  • تمرین عملی: استفاده از ابزارهای هوش مصنوعی مولد در بیگ‌کوئری Lab using generative AI tools in BigQuery

  • سرفصل‌ها Topics

جمع‌بندی Conclusion

  • گوگل بیگ‌کوئری برای مهندسان داده و ML: خلاصه و جمع‌بندی Google BigQuery for data and ML engineers: Summary

نمایش نظرات

آموزش راهنمای جامع گوگل بیگ‌کوئری (Google BigQuery) برای مهندسان داده و یادگیری ماشین
جزییات دوره
4h 22m
34
(آخرین آپدیت)
1,556
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.

Pearson Pearson

Pearson یک ارائه دهنده آموزش و یادگیری است.

هدف پیرسون این است که به افراد کمک کند تا زندگی خود را از طریق یادگیری درک کنند، با این باور که هر فرصت یادگیری فرصتی برای پیشرفت شخصی است. کارکنان پیرسون متعهد به ایجاد تجربیات یادگیری پر جنب و جوش و غنی هستند که برای تأثیرگذاری در زندگی واقعی طراحی شده اند. آنها در نزدیک به 200 کشور با محتوای دیجیتال، ارزیابی ها، صلاحیت ها و داده ها به مشتریان خدمات ارائه می دهند.