لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تجزیه و تحلیل بدون سرور در AWS
Serverless Analytics on AWS
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
AWS Glue و Amazon Athena روشی را تغییر دادهاند که گردشهای کاری کلان داده در روز AI و ML ساخته میشوند. بیاموزید که چگونه برای حال و آینده بسازید، چگونه داده های خود را در آینده اثبات کنید، و اهمیت چیزهایی که یاد خواهید گرفت را نمی توان نادیده گرفت. چگونه می توان تجزیه و تحلیل داده های بزرگ را در ابر AWS در روز طراحی کرد و ساخت. هوش مصنوعی و ML توسط AWS Glue و Amazon Athena تغییر شکل داده اند. در این دوره، تجزیه و تحلیل سرور بدون سرور در AWS، شما توانایی داشتن یک منبع داده متمرکز برای تمام سیلوهای داده پراکنده در سطح جهانی خود را بدون در نظر گرفتن ساختار، ساختاریافته یا نیمه ساختاری بودن داده ها به دست خواهید آورد تا بتوانید انواع مختلفی از تجزیه و تحلیل های پیشرفته را انجام دهید. بر روی دادههای چندین نفر به طور همزمان بدون تأثیر بر ذخیره دادههای اساسی در هر کجای دنیا که هر مجموعه داده قرار دارد، دادهها را با هرگونه تغییر در دادههای منبع همگام نگه میدارد. ابتدا، نحوه استفاده از AWS Glue Crawlers، AWS Glue Data Catalog و AWS Glue Jobs را برای کاهش چشمگیر زمان آمادهسازی دادهها، انجام ETL "در حال پرواز" یاد خواهید گرفت. در مرحله بعد، خواهید فهمید که چگونه بلافاصله داده های خود را بدون توجه به قالب داده ها تجزیه و تحلیل کنید و در عرض چند ثانیه بینش های عملی ارائه دهید. در نهایت، نحوه استفاده از بهترین شیوههای AWS را بررسی خواهید کرد تا با گنجاندن تجزیه و تحلیلهای هوش مصنوعی و ML در جریانهای کاری تجزیه و تحلیل خود، از طریق گزارشهای غیرقابل تغییر، دادههای خود را در آینده محافظت کنید. هنگامی که این دوره را به پایان رساندید، مهارت ها و دانش استفاده از پیشرفته ترین فناوری های بدون سرور را برای ارائه انواع بینش بی شماری در هر زمان که به آنها نیاز داشتید، خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
پیش نیازهای دوره را دانلود و نصب کنید
Download and Install Course Prerequisites
پیش نیازها
Prerequisites
وضعیت تجزیه و تحلیل در AWS Cloud
The State of Analytics in the AWS Cloud
چارچوب شگفت انگیز آمازون S3 Data Lake برای چند تحلیل
Amazing Amazon S3 Data Lake Framework for Multi-analysis
آمازون آرورا: پایگاه داده رابطه ای انتخابی برای تجزیه و تحلیل
Amazon Aurora: The Relational Database of Choice for Analytics
چسب AWS: چیست، چه می کند و مشکلات تجاری که حل می کند
AWS Glue: What It Is, What It Does, and the Business Problems It Solves
آمازون آتنا: چیست، چه می کند و مشکلات تجاری که حل می کند
Amazon Athena: What It Is, What It Does, and the Business Problems It Solves
سناریو: Globomantics - یک ارائه دهنده چیزهای بی اهمیت NBA
Scenario: Globomantics - An NBA Trivia Provider
زیرساخت و تنظیم داده از طریق Amazon CloudFormation
Infrastructure and Data Setup via Amazon CloudFormation
نسخه ی نمایشی: ایجاد بخش رابطه ای این دوره و اتصال به آمازون آرورا از راه دور برای کار با داده های آن
Demo: Creating the Relational Part of This Course and Connecting to Amazon Aurora Remotely to Work with Its Data
بررسی منابع، خروجی ها و پارامترهای AuroraStack
Review of AuroraStack’s Resources, Outputs, and Parameters
قدرت چسب AWS
The Power of AWS Glue
امنیت، رمزگذاری، تبدیل ها و طبقه بندی کننده های AWS Glue
AWS Glue’s Security, Encryption, Transformations, and Classifiers
خزنده های چسب AWS، کاتالوگ داده های چسب AWS و پایگاه ها و جداول چسب AWS
AWS Glue Crawlers, the AWS Glue Data Catalog, and AWS Glue Databases and Tables
نحوه تهیه داده های خام برای مصرف پایین دستی در حالی که در هزینه ها صرفه جویی می شود
How to Prepare Raw Data for Downstream Consumption While Saving Costs
نسخهسازی در کاتالوگ داده چسب AWS
Versioning in the AWS Glue Data Catalog
ایجاد منابع چسب AWS و پر کردن کاتالوگ داده های چسب AWS
Creating AWS Glue Resources and Populating the AWS Glue Data Catalog
اهداف نمایشی ماژول
Module Demo Objectives
نسخه ی نمایشی: پیکربندی سطل آمازون S3 و آپلود اسکریپت تبدیل پایتون
Demo: Configuring an Amazon S3 Bucket and Uploading the Python Transformation Script
مروری بر اسکریپت تبدیل پایتون
Python Transformation Script Walkthrough
نسخه ی نمایشی: ایجاد معماری زیرساخت چسب AWS
Demo: Creating the AWS Glue Infrastructure Architecture
بررسی منابع، خروجیها و پارامترهای GlueStack و پیشنمایش آنچه در نسخه آزمایشی بعدی میآید
Review of GlueStack’s Resources, Outputs, and Parameters, and Previewing What’s to Come in the Next Demo
نسخه ی نمایشی: اجرای اولین خزنده برای پر کردن کاتالوگ داده های چسب و اجرای کار چسب ETL برای تبدیل داده ها
Demo: Running the First Crawler to Populate the Glue Data Catalog and Run the Glue ETL Job to Transform the Data
نتایج اجرای AWS Glue Crawler و AWS Glue Job را مرور کنید
Review the Results of Running the AWS Glue Crawler and the AWS Glue Job
نسخه ی نمایشی: ایجاد یک خزنده چسب جدید AWS برای خزیدن در داده های قالب پارکت
Demo: Creating a New AWS Glue Crawler to Crawl the Parquet-formatted Data
بررسی نسخه ی نمایشی: ایجاد خزنده AWS جدید و خزیدن داده های قالب بندی شده پارکت
Demo Review: Creating New AWS Crawler and Crawling the Parquet-formatted Data
قدرت آمازون آتنا
The Power of Amazon Athena
مزایای آمازون آتنا و استفاده از داده های قالب بندی شده با پارکت با آمازون آتنا
Amazon Athena’s Benefits and Using Parquet-formatted Data with Amazon Athena
کاتالوگ های داده دوگانه آمازون آتنا
Amazon Athena’s Dual Data Catalogs
SerDes، انواع داده ها و فرمت های فشرده سازی Amazon Athena
Amazon Athena’s SerDes, Data Types, and Compression Formats
پایگاه های داده و جداول در آمازون آتنا
Databases and Tables in Amazon Athena
نسخه ی نمایشی: پایگاه ها و جداول آمازون آتنا
Demo: Amazon Athena Databases and Tables
استفاده از پارتیشن ها در آمازون آتنا
Using Partitions in Amazon Athena
پایش و ردیابی داده های زودگذر
Monitoring and Tracing Ephemeral Data
نحوه هوش مصنوعی و ML برنامه ها و فرآیندهای تجاری خود
How to AI and ML Your Apps and Business Processes
مقدمه ای بر الگوی طراحی دریاچه داده آمازون S3
An Introduction to the Amazon S3 Data Lake Design Pattern
گزارشهای غیرقابل تغییر و نماهای مادیشده
Immutable Logs and Materialized Views
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.
کیم اشمیت بیش از 12 سال است که در صنعت فناوری با عناوین بسیار گسترده و استفاده از فناوری های بسیار متنوع کار می کند. او دارای بسیاری از گواهینامه ها و جوایز صنعت است. شرکتهایی که کیم در آنها یا با آنها کار کرده است شامل مایکروسافت ، دون و برد استریت ، گوگل ، خدمات وب آمازون و چند شرکت واقعیت افزوده هستند. کیم بنیانگذار و مدیر عامل شرکت DataLeader ، یک شریک و فروشنده AWS است. DataLeader بر معماری Big Data AWS ، Solutions Data ، Advanced Analytics ، AI و ML تمرکز دارد. کیم مقاله های سفید نوشته و پروژه های زیادی برای AWS انجام داده است ، از جمله درگیر سخنرانی در طول سال ، و با بسیاری از فروشندگان نرم افزار مستقل داده و تجزیه و تحلیل در AWS Marketplace قرارداد بسته است. اولین مشارکت کیم در کنفرانس سالانه AWS ، re: Invent ، در سال 2015 در زمینه معماری کلان داده بود. در AWS re: Invent 2017 ، کیم کارگاه های 2 ساعته و 2.5 ساعته ای را با موضوع "معماری جامع داده های بزرگ ساخته شده آسان" ارائه داد. نسخه های نمایشی و تمرین های عملی را می توانید در قالب ویدئو در http://aws-kimschmidt.com/پیدا کنید. کیم اخیراً در یک صفحه تخصصی در Interop ITX https://www.interop.com/در "آینده شغل داده ها: نوآوری ، امنیت ، اتوماسیون و ابر" حضور داشت و همچنین جلسه ای با عنوان "AI/ML Your Apps" ارائه داد & فرآیندهای کسب و کار". کیم روی کتابی تحت عنوان "هوش مصنوعی و تجزیه و تحلیل در مورد AWS" کار کرده است. https://ai-ad Advanced-insights-aws.co/در وب سایت کتاب وی ، می توانید با استفاده از مدل های Amazon SageMaker ، Amazon DynamoDB ، AWS Lambda و ماشین یادگیری ، یک نمونه 100+ صفحه با عنوان "تجزیه و تحلیل پیش بینی بدون سرور" را بارگیری کنید. او در https://awskimschmidt.com/و https://kimschmidtsbrain.com/وبلاگ می نویسد و فیلم های AWS زیادی در کانال YouTube خود ، https://www.youtube.com/c/DataLeader دارد.
نمایش نظرات