آموزش Google Cloud Professional Data Engineer: دریافت گواهینامه 2022

Google Cloud Professional Data Engineer: Get Certified 2022

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: خطوط لوله داده، پایگاه داده و برنامه های کاربردی یادگیری ماشین مقیاس پذیر و قابل اعتماد بسازید. نحوه گذراندن آزمون Google Cloud Professional Data Engineer ساخت خطوط لوله داده مقیاس پذیر و قابل اعتماد انتخاب سیستم های ذخیره سازی مناسب، از جمله پایگاه های داده رابطه ای، NoSQL و تحلیلی استفاده از انواع تکنیک های یادگیری ماشینی در موارد مختلف استفاده از مدل های یادگیری ماشین در تولید نظارت بر خطوط لوله داده و ماشین مدل‌های یادگیری طراحی برنامه‌های کاربردی فشرده داده توزیع‌شده مقیاس‌پذیر و انعطاف‌پذیر انتقال انبار داده از محل به Google Cloud ارزیابی و بهبود کیفیت مدل‌های یادگیری ماشین مفاهیم اساسی در یادگیری ماشین، مانند انتشار پس‌انداز، مهندسی ویژگی‌ها، بیش‌برازش و عدم تطبیق را درک کنید. پیش نیازها: آشنایی با مفاهیم اولیه رایانش ابری مانند ماشین های مجازی و پایگاه های داده. یک سال یا بیشتر تجربه کار با مدیریت داده یا تجزیه و تحلیل داده ها

نیاز به مهندسان داده به طور مداوم در حال افزایش است و مهندسان داده دارای گواهی برخی از حرفه ای های دارای گواهینامه برتر هستند. مهندسان داده دارای طیف وسیعی از مهارت‌ها هستند، از جمله توانایی طراحی سیستم‌ها برای دریافت حجم زیادی از داده، ذخیره داده‌ها به صرفه، و پردازش و تحلیل کارآمد داده‌ها با ابزارهایی از گزارش و تجسم تا یادگیری ماشین. کسب گواهینامه Google Cloud Professional Data Engineer نشان می دهد که شما دانش و مهارت هایی برای ساخت، تنظیم و نظارت بر سیستم های مهندسی داده با کارایی بالا دارید.

این دوره توسط نویسنده راهنمای رسمی آزمون Google Cloud Professional Data Engineer و یک معمار داده با بیش از 20 سال تجربه در پایگاه داده، معماری داده و یادگیری ماشین طراحی و توسعه یافته است. این دوره، سخنرانی‌ها را با آزمون‌ها و جلسات عملی ترکیبی می‌کند تا اطمینان حاصل کند که نحوه دریافت داده‌ها، ایجاد خط لوله پردازش داده در Cloud Dataflow، استقرار پایگاه‌های داده رابطه‌ای، طراحی پایگاه‌های داده Bigtable، BigQuery و Cloud Spanner با عملکرد بسیار بالا، پایگاه‌های داده Firestore پرس‌وجو، و با استفاده از Cloud Dataproc یک Spark و Hadoop cluster ایجاد کنید.

بخش پایانی دوره به چالش برانگیزترین بخش امتحان اختصاص دارد: یادگیری ماشین. اگر با مفاهیمی مانند پس انتشار، نزول گرادیان تصادفی، برازش بیش از حد، عدم تناسب و مهندسی ویژگی آشنا نیستید، آمادگی شرکت در آزمون را ندارید. خوشبختانه این دوره برای شما طراحی شده است. در این دوره ما از ابتدا با یادگیری ماشینی شروع می کنیم و مفاهیم پایه ای مانند تفاوت بین یادگیری تحت نظارت و بدون نظارت را معرفی می کنیم. ما برای درک نحوه طراحی، آموزش و ارزیابی مدل‌های یادگیری ماشین، اصول اولیه را پایه‌گذاری خواهیم کرد. در این فرآیند، مفاهیم اساسی را که برای قبولی در آزمون مهندس داده حرفه ای باید درک کنید، توضیح خواهیم داد. همچنین خدمات و زیرساخت‌های یادگیری ماشین Google Cloud، مانند BigQuery ML و واحدهای پردازش تانسور را بررسی خواهیم کرد.

این دوره شامل یک امتحان تمرینی 50 سوالی است که دانش شما را در مورد مفاهیم مهندسی داده آزمایش می‌کند و به شما کمک می‌کند مناطقی را که ممکن است برای مطالعه بیشتر نیاز داشته باشید شناسایی کنید.

در پایان این دوره، شما آماده استفاده از خدمات مهندسی داده‌های ابری Google برای طراحی، استقرار و نظارت بر خطوط لوله داده، استقرار سیستم‌های پایگاه داده پیشرفته، ساختن پلتفرم‌های تجزیه و تحلیل داده‌ها و پشتیبانی از محیط‌های یادگیری ماشینی تولید خواهید بود.

>


آیا برای قبولی در امتحان آماده هستید؟ به من بپیوندید و من به شما نشان خواهم داد که چگونه!


سرفصل ها و درس ها

معرفی Introduction

  • خوش آمدی Welcome

  • آماده شدن برای آزمون مهندس داده حرفه ای Google Cloud Preparing for the Google Cloud Professional Data Engineer Exam

ذخیره سازی ابری برای مهندسی داده Cloud Storage for Data Engineering

  • مقدمه ای بر Object Storage Introduction to Object Storage

  • گزینه هایی برای بارگیری داده ها Options for Loading Data

  • کنترل های دسترسی برای ذخیره سازی ابری Access Controls for Cloud Storage

  • مدیریت سیاست چرخه حیات Lifecycle Policy Management

  • استفاده از Cloud Storage Console Using Cloud Storage Console

  • تمرین: ذخیره سازی ابری Exercise: Cloud Storage

  • راه حل: ذخیره سازی ابری Solution: Cloud Storage

پایگاه های داده رابطه ای - Cloud SQL Relational Databases - Cloud SQL

  • مقدمه ای بر پایگاه های داده رابطه ای Introduction to Relational Databases

  • زمان استفاده از Cloud SQL When to use Cloud SQL

  • ایجاد یک پایگاه داده Cloud SQL Creating a Cloud SQL Database

  • مانیتورینگ Cloud SQL Monitoring Cloud SQL

  • مقدمه ای بر Cloud SQL Auth Proxy Introduction to Cloud SQL Auth Proxy

  • نصب Cloud SQL Auth Proxy Installing Cloud SQL Auth Proxy

  • تمرین: یک پایگاه داده Cloud SQL ایجاد کنید Exercise: Create a Cloud SQL Database

  • راه حل: یک پایگاه داده Cloud SQL ایجاد کنید Solution: Create a Cloud SQL Database

پایگاه های داده رابطه ای - Cloud Spanner Relational Databases - Cloud Spanner

  • چه زمانی باید از Cloud Spanner استفاده کرد When to use Cloud Spanner

  • ایجاد یک پایگاه داده Cloud Spanner Creating a Cloud Spanner Database

  • ملاحظات عملکرد آچار ابری Cloud Spanner Performance Considerations

  • دانش خود را بررسی کنید: انتخاب کلید اصلی برای میز آچار Check Your Knowledge: Choosing a Primary Key for a Spanner Table

پایگاه های داده NoSQL: Cloud Firestore NoSQL Databases: Cloud Firestore

  • مقدمه ای بر Cloud Firestore و پایگاه های داده اسناد Introduction to Cloud Firestore & Document Databases

  • موجودیت ها و انواع Entities and Kinds

  • نمایه سازی در Cloud Firestore Indexing in Cloud Firestore

  • ایجاد موجودیت ها Creating Entities

  • موجودیت های پرس و جو Querying Entities

  • ایجاد انواع و فضاهای نام Creating Kinds and Namespaces

  • کار با تراکنش ها Working with Transactions

  • تمرین: یک نوع و موجودیت ایجاد کنید Exercise: Create a Kind and Entities

  • راه حل: ایجاد انواع و موجودات Solution: Creating Kinds and Entities

پایگاه های داده NoSQL: Bigtable NoSQL Databases: Bigtable

  • مقدمه ای بر پایگاه داده های Bigtable و Wide-Column Introduction to Bigtable and Wide-Column Databases

  • ایجاد یک نمونه Bigtable Creating a Bigtable Instance

  • طراحی کلیدهای ردیف برای Bigtable Designing Row-keys for Bigtable

  • الگوهای پرس و جو و غیرعادی سازی Query Patterns and Denormalization

  • طراحی برای داده های سری زمانی با Bigtable Designing for Time Series Data with Bigtable

  • دانش خود را بررسی کنید: ایجاد پایگاه داده سری زمانی Check Your Knowledge: Creating a Time Series Database

پایگاه های داده تحلیلی: مدیریت داده های BigQuery Analytical Databases: BigQuery Data Management

  • مقدمه ای بر BigQuery و پایگاه های داده های تحلیلی Introduction to BigQuery and Analytical Databases

  • BigQuery Scalar Datatypes BigQuery Scalar Datatypes

  • فیلدهای تودرتو و تکراری BigQuery BigQuery Nested and Repeated Fields

  • جستجوی اسکالر، فیلدهای تودرتو و تکراری Querying Scalars, Nested and Repeated Fields

  • تمرین: پرس و جو از مجموعه داده های عمومی BigQuery Exercise: Querying BigQuery Public Datasets

  • راه حل: پرس و جو از مجموعه داده های عمومی BigQuery Solution: Querying BigQuery Public Datasets

  • کنترل های دسترسی در BigQuery Access Controls in BigQuery

  • جداول پارتیشن بندی Partitioning Tables

  • خوشه بندی جداول پارتیشن بندی شده Clustering Partitioned Tables

  • بارگیری داده ها در BigQuery Loading Data into BigQuery

  • BigQuery و IAM BigQuery and IAM

  • امنیت سطح ستون Column Level Security

  • امنیت سطح ردیف Row Level Security

مهاجرت به انبار داده Migrating a Data Warehouse

  • ارزیابی وضعیت فعلی یک انبار داده Assessing the Current State of a Data Warehouse

  • طرحواره و انتقال داده Schema and Data Transfer

  • خطوط لوله داده Data Pipelines

  • گزارش و تحلیل Reporting and Analysis

  • حاکمیت داده Data Governance

  • دانش خود را بررسی کنید: مهاجرت به انبار داده Check Your Knowledge: Data Warehouse Migration

ذخیره داده ها و Cloud Memorystor Caching Data and Cloud Memorystore

  • استفاده از کش برای بهبود عملکرد Using Caching to Improve Performance

  • ساختارهای داده حافظه ابری Cloud Memorystore Data Structures

  • ایجاد یک حافظه پنهان Cloud Memorystor Creating a Cloud Memorystore Cache

  • دانش خود را بررسی کنید: یک برنامه توزیع شده را برای دسترسی بالا دوباره طراحی کنید Check Your Knowledge: Redesign a Distributed Application for High Availability

گردش کار و ETL/ELT Workflows and ETL/ELT

  • مقدمه ای بر Cloud Composer Introduction to Cloud Composer

  • معماری Cloud Composer Cloud Composer Architecture

  • مقدمه ای بر Cloud Data Fusion Introduction to Cloud Data Fusion

Cloud Pub/Sub and Data Pipelines Cloud Pub/Sub and Data Pipelines

  • مقدمه ای بر Cloud Pub/Sub Introduction to Cloud Pub/Sub

  • ایجاد موضوعات و اشتراک Creating Topics and Subscriptions

  • ایجاد و خواندن پیام ها Creating and Reading Messages

  • تمرین: ایجاد یک موضوع، انتشار پیام ها، خواندن پیام ها Exercise: Create a Topic, Publish Messages, Read Messages

  • راه حل: یک پیام انتشار موضوع ایجاد کنید Solution: Create a Topic Publish Message

Cloud Dataflow و Data Pipelines Cloud Dataflow and Data Pipelines

  • پردازش جریانی و دسته ای با Cloud Dataflow Stream and Batch Processing with Cloud Dataflow

  • اجرای یک کار در Cloud Dataflow Running a Job in Cloud Dataflow

  • تجزیه و تحلیل یک کار ناموفق در Cloud Dataflow Analyzing a Failed Job in Cloud Dataflow

  • مانیتورینگ Cloud Dataflow Monitoring Cloud Dataflow

  • عیب یابی خط لوله Cloud Dataflow Troubleshooting a Cloud Dataflow Pipeline

  • دانش خود را بررسی کنید: عیب یابی خط لوله جریان داده ابری Check Your Knowledge: Troubleshooting a Cloud Dataflow Pipeline

Cloud Dataproc و Data Pipelines Cloud Dataproc and Data Pipelines

  • مقدمه ای بر Cloud Dataproc Introduction to Cloud Dataproc

  • ایجاد یک Cloud Dataproc Cluster Creating a Cloud Dataproc Cluster

  • نظارت بر یک Cloud Dataproc Cluster Monitoring a Cloud Dataproc Cluster

  • استفاده از Cloud Storage با Cloud Dataproc Using Cloud Storage with Cloud Dataproc

  • دانش خود را بررسی کنید: چه زمانی از Cloud Dataproc روی Cloud Dataflow استفاده کنیم؟ Check Your Knowledge: When to use Cloud Dataproc over Cloud Dataflow?

ملاحظات ویژه در سیستم های توزیع شده Special Considerations in Distributed Systems

  • محاسبات ترکیبی و چند ابری Hybrid and multi-cloud computing

  • پیام رسانی ناهمگام Asychronous Messaging

  • پردازش جریان Stream Processing

  • مدل های سازگاری داده ها Data Consistency Models

نظارت و ثبت Monitoring and Logging

  • نظارت و هشدار با مانیتورینگ ابری Monitoring and Alerting with Cloud Monitoring

  • ورود به سیستم با Cloud Logging Logging with Cloud Logging

  • ایجاد هشدار Creating an Alert

  • مانیتورینگ عامل را روی ماشین مجازی نصب کنید Install the Monitoring Agent on a Virtual Machine

  • دانش خود را بررسی کنید: عیب یابی عملکرد برنامه Check Your Knowledge: Troubleshooting Application Performance

امنیت و انطباق Security and Compliance

  • مقدمه ای بر مدیریت دسترسی به هویت Introduction to Identity Access Management

  • سلسله مراتب منابع Resource Hierarchy

  • نقش های از پیش تعریف شده Predefined Roles

  • نقش های سفارشی Custom Roles

  • نقش های اولیه Primitive Roles

  • بهترین روش های IAM IAM Best Practices

  • تضمین حریم خصوصی با API پیشگیری از از دست دادن داده Ensuring Privacy with Data Loss Prevention API

  • الزامات قانونی Legal Compliance

  • رمزگذاری در حالت استراحت و در حرکت Encryption At Rest and In Motion

  • مدیریت کلیدی Key Management

  • تمرین: نقش هایی را به کاربران اعطا کنید Exercise: Grant roles to users

  • راه حل: اعطای نقش به کاربران Solution: Grant roles to users

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • 3 دسته از مسائل یادگیری ماشین 3 Categories of Machine Learning Problems

  • 2 رویکرد به ساخت مدل های ML 2 Approaches to Building ML Models

  • یادگیری ماشین نمادین Symbolic Machine Learning

  • شبکه های عصبی و یادگیری عمیق Neural Networks and Deep Learning

  • دانش خود را بررسی کنید: انواع مشکلات یادگیری ماشین Check Your Knowledge: Types of Machine Learning Problems

ساخت مدل های ML Building ML Models

  • ویژگی ها و برچسب ها Features and Labels

  • مهندسی ویژگی Feature Engineering

  • ساختمان مدل Model Building

  • ارزیابی مدل Model Evaluation

  • گرادیان نزول و پس انتشار Gradient Descent and Backpropagation

  • عیب یابی مدل Model Troubleshooting

  • ساخت مدل در GCP Building Models in GCP

  • استفاده از مدل های ML از پیش ساخته شده Using Pre-built ML Models

  • دانش خود را بررسی کنید: یک مدل یادگیری ماشینی را عیب یابی کنید Check Your Knowledge: Troubleshoot an Machine Learning Model

استقرار و نظارت بر مدل های ML Deploying and Monitoring ML Models

  • گزینه هایی برای استقرار مدل های ML Options for Deploying ML Models

  • استفاده از GPU و TPU Using GPUs and TPUs

  • مانیتورینگ مدل های ML Monitoring ML Models

  • تعصب و بی انصافی در مدل های ML Bias and Unfairness in ML Models

  • دانش خود را بررسی کنید: یک خط لوله یادگیری ماشین طراحی کنید Check Your Knowledge: Design a Machine Learning Pipeline

پایگاه های داده تحلیلی: BigQuery ML Analytical Databases: BigQuery ML

  • مقدمه ای بر یادگیری ماشین در BigQuery Introduction to Machine Learning in BigQuery

  • ایجاد یک مدل رگرسیون در BigQuery Creating a Regression Model in BigQuery

  • ارزیابی یک مدل رگرسیون در BigQuery Evaluating a Regression Model in BigQuery

  • استفاده از مدل برای پیش بینی ها در BigQuery Using Model for Predictions in BigQuery

  • ایجاد یک مدل در BigQuery Creating a Model in BigQuery

  • تمرین: ایجاد یک مدل در BigQuery Exercise: Creating a Model in BigQuery

  • راه حل: ایجاد یک مدل ML در BigQuery Solution: Creating an ML Model in BigQuery

نتیجه Conclusion

  • نتیجه گیری و مراحل بعدی Conclusion and Next Steps

امتحان تمرینی Practice Exam

  • آزمون عملی مهندس داده حرفه ای GCP GCP Professional Data Engineer Practice Exam

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش Google Cloud Professional Data Engineer: دریافت گواهینامه 2022
جزییات دوره
6.5 hours
115
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
52,226
4.4 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.

James Sullivan James Sullivan

نویسنده فناوری