آموزش تجزیه و تحلیل بدون سرور در AWS

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

• Amazon CloudFormation: Infrastructure Architecture Amazon CloudFormation: Infrastructure Architecture

• 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