کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

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

  • 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

آموزش ساخت طرح های ناوبری مدرن در فتوشاپ و HTML

آموزش ساخت طرح های ناوبری مدرن در فتوشاپ و HTML

Building Modern Navigation Designs in Photoshop and HTML

آموزش ساخت آزمایشگاه رایانه های شخصی ارزان

آموزش ساخت آزمایشگاه رایانه های شخصی ارزان

Building a PC Lab on the Cheap

آموزش آبرنگ آب 4 راه - راهنمای مبتدیان برای نقاشی مناظر دریایی

آموزش آبرنگ آب 4 راه - راهنمای مبتدیان برای نقاشی مناظر دریایی

Watercolor Water 4 ways - A Beginner's Guide to Painting Seascapes

نمایش نظرات

Pluralsight (پلورال سایت)

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.

آموزش تجزیه و تحلیل بدون سرور در AWS
جزییات دوره
2h 40m
32
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
45
3.7 از 5
دارد
دارد
دارد
Kim Schmidt

https://donyad.com/d/0f41

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kim Schmidt Kim Schmidt

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.

دنیاد