آموزش مهندسی داده در AWS: کاتالوگ‌سازی، پردازش، تحلیل و بصری‌سازی داده‌ها - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مهندسی داده با AWS Data engineering with AWS

1. مهندسی داده 1. Data Engineering

• بررسی کلی خط لوله (Pipeline) مهندسی داده Data engineering pipeline overview

2. کاتالوگ داده 2. Data Catalog

• سرویس AWS Glue Elastic Views AWS Glue Elastic Views

• چالش: AWS Glue Challenge: AWS Glue

• سرویس AWS Glue DataBrew AWS Glue DataBrew

• شغل‌های Glue (Glue jobs) Glue jobs

• خزنده Glue (Glue crawler) Glue crawler

• راهکار: AWS Glue Solution: AWS Glue

• بررسی کلی Glue Glue overview

3. پردازش 3. Processing

• بررسی کلی Elastic MapReduce و Hadoop Elastic MapReduce and Hadoop overview

• کار با EMR: آزمایشگاه EMR in action: Lab

• پردازش بدون سرور با Lambda: دمو Serverless processing with Lambda: Demo

• سرویس AWS Lake Formation AWS Lake Formation

4. تحلیل 4. Analytics

• دمو: Amazon Redshift Demo: Amazon Redshift

• دمو Elasticsearch Elasticsearch demo

• دمو Kinesis Analytics Kinesis Analytics demo

• معرفی و معماری Amazon Redshift Amazon Redshift introduction and architecture

• بررسی کلی Kinesis Analytics Kinesis Analytics overview

• سرویس Amazon Elasticsearch Amazon Elasticsearch

• سرویس Amazon Redshift Spectrum و بهینه‌سازی عملکرد Amazon Redshift Spectrum and performance tuning

• بررسی کلی Amazon Athena Amazon Athena overview

• راهکار: خواندن داده‌های کاتالوگ با استفاده از Athena Solution: Read catalog data using Athena

• چالش: خواندن داده‌های کاتالوگ با استفاده از Athena Challenge: Read catalog data using Athena

5. بصری‌سازی 5. Visualization

• مقدمه‌ای بر بصری‌سازی Visualization introduction

• بررسی کلی Amazon QuickSight Amazon QuickSight overview

• انواع بصری‌سازی با QuickSight Visualization types with QuickSight

• دمو Amazon QuickSight Amazon QuickSight demo

جمع‌بندی Conclusion

• گام‌های بعدی Next steps