لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مهندسی داده، ETL و BI بدون سرور در آمازون کلود
Data Engineering, Serverless ETL & BI on Amazon Cloud
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
ذخیره سازی داده و ETL در AWS Cloud راه اندازی انبار داده در آمازون کلود با استفاده از Redshift از ابتدا یاد بگیرید و درک کنید AWS Athena و زمان استفاده از Athena یاد بگیرید چگونه داده ها را در S3 Data Lakes با استفاده از قالب های فایل ستونی پارکت ذخیره کنید و فرآیند را بهینه کنید. اسکن دادهها با استفاده از Athena Learn و خودکار کردن فرآیندهای ETL با استفاده از مؤلفههای بدون سرور مختلف مانند چسب AWS، خط لوله داده و توابع لامبدا متمرکز کردن دادهها با استفاده از Redshift Spectrum Trigger و Automate Glue با استفاده از توابع Lambda درک نحوه کشیدن دادهها به QuickSight که یک BI- است. ارائه گزارش/تجسم از AWS پیش نیازها: متخصص بودن در پایتون و Sql ضروری است باید دارای سابقه فنی یا تجربه قبلی در Pyspark (حداقل سطح مبتدی) باشد.
AWS Cloud به دلیل اکوسیستم گستردهاش میتواند برای بسیاری از مردم ترسناک و طاقتفرسا به نظر برسد، اما این دوره کار را برای هر کسی که میخواهد در راهاندازی انبار داده در Redshift یا راهاندازی یک BI تخصص عملی داشته باشد، آسانتر میکند. زیرساخت از ابتدا .
از دانشمندان/تحلیلگران/تحلیلگران کسبوکار به زودی انتظار میرود که (اگر قبلاً نبودهاند) همه کاره شوند و جنبه فنی دریافت/مهندسی/انبارداری دادهها را مدیریت کنند.
هرکسی که درک اولیه از نحوه عملکرد ابر را داشته باشد می تواند از این دوره بهره مند شود زیرا:
- این دوره با در نظر گرفتن چرخه عمر پایان تا پایان یک پروژه معمولی مهندسی داده طراحی شده است
- یک راه حل عملی برای موارد استفاده در دنیای واقعی
ارائه می دهد
این دوره شامل موارد زیر است:
راه اندازی انبار داده در AWS Redshift از ابتدا
مفاهیم اولیه انبارداری داده
نوشتن AWS Glue Jobs بدون سرور (pyspark و python shell) برای ETL و پردازش دسته ای
AWS Athena برای تجزیه و تحلیل ad-hoc (زمان استفاده از Athena)
خط لوله داده AWS برای همگام سازی داده های افزایشی
عملکردهای Lambda برای راهاندازی و خودکارسازی فرآیندهای ETL/Data Syncing
راه اندازی QuickSight، تجزیه و تحلیل و داشبورد
پیش نیازهای این دوره عبارتند از:
Python/Sql (باید مطلق)
PySpark (باید نحوه نوشتن چند اسکریپت اصلی Pyspark را بداند)
تمایل به کشف، یادگیری و تلاش بیشتر برای موفقیت
یک حساب فعال AWS
نکته مهم - این دوره از لایههای رایگان برای Redshift و RDS استفاده میکند، بنابراین برای آنها صورتحساب دریافت نمیکنید مگر اینکه از میزان استفاده از ردیف رایگان فراتر بروید که برای تمرین کافی از این دوره کافی است.
همچنین، این دوره از AWS UI در مرورگر برای ایجاد خوشهها و راهاندازی مشاغل استفاده میکند، هیچ برنامهنویسی bash در آن وجود ندارد. برای انجام جلسات آزمایشگاهی این دوره می توان از هر سیستم عاملی استفاده کرد.
این دوره دارای کد فشرده یا سنگین نیست، فقط 35 درصد کدنویسی در آن وجود دارد، بقیه اجرا، درک و زنجیرهبندی مؤلفههای مختلف با هم است. تمام هدف این دوره این است که همه از همه ابزارها/ویژگی های استفاده شده در این دوره آگاه شوند و احساس راحتی کنند.
چند نکته:
سعی کنید ویدیوها را با سرعت 1.2X تماشا کنید
هر بار که روی یک مؤلفه یا ویژگی جدید کار میکنید، درباره ابزارهای دیگری که برای همان هدف در نظر گرفته شدهاند تحقیق کنید و ببینید که چگونه و در چه جنبههایی متفاوت هستند، برای مثال Redshift/Athena در مقابل Snowflake یا Bigquery، QuickSight در مقابل PowerBi vs Microstrategy
سرفصل ها و درس ها
درباره دوره و مقدمه
About the Course & Introduction
بررسی اجمالی دوره و پروژه
Course & Project Overview
سخنرانی 4 - بازخورد و اطلاعات بیشتر
Lecture 4 - Feedback and Learn More
اجزای صورتحساب AWS و اقدامات احتیاطی که باید انجام شود
AWS Billing Components and Precautions to be taken
شروع کار با Redshift و Mysql RDS
Getting Started with Redshift and Mysql RDS
بررسی اجمالی Redshift
Redshift Overview
Redshift در مقابل BigQuery
Redshift vs BigQuery
Redshift - سازگاری داده ها
Redshift - Data Consistency
آزمایشگاه: نصب نمونه Mysql RDS در AWS Cloud
Lab:Setup Mysql RDS Instance on AWS Cloud
آزمایشگاه: واردات پایگاه داده Mysql RDS
Lab: Mysql RDS Database Import
با استفاده از DBeaver داده ها را در Mysql RDS بارگیری کنید
Load Data into Mysql RDS using DBeaver
آزمایشگاه: Sql Client برای Redshift و RDS Mysql
Lab : Sql Client for Redshift and RDS Mysql
ETL و همگام سازی داده های تراکنش با Redshift DWH
ETL and Syncing Transactional Data with Redshift DWH
مقدمه - جریان داده ها
Introduction - Flow of Data
درک اجزای مختلف و نقش آنها
Understanding the different Components and their Roles
طراحی انبار داده شما - مفاهیم اساسی
Designing your Data Warehouse - Basic Concepts
آزمایشگاه - AWS DataPipeline - شروع به کار با اولین کار واردات
Lab - AWS DataPipeline - Getting Started with the first import Job
آزمایشگاه: یک بار داده های تاریخی را با استفاده از دستور کپی در جداول Redshift بارگذاری کنید
Lab : One-time Load Historical Data into Redshift Tables using Copy Command
چسب AWS - نمای کلی و مرور
AWS Glue - Overview and Walkthrough
آزمایشگاه - AWS DataPipeline - راه اندازی اولین مشاغل ساعتی ما برای بارگذاری داده های افزایشی
Lab - AWS DataPipeline - Setup our first Hourly Jobs for Incremental Data Loads
Lab - AWS Glue - First Python Shell Job برای بارگذاری افزایشی داده در Redshift
Lab - AWS Glue - First Python Shell Job for incremental Data loads into Redshift
آزمایشگاه - عملکرد AWS Lambda برای فعال کردن کار چسب ما
Lab - AWS Lambda Function to Trigger our Glue Job
آزمایشگاه - AWS DataPipeline - دومین کار واردات
Lab - AWS DataPipeline - Second import Job
آزمایشگاه: یک بار داده های تاریخی را با استفاده از دستور کپی در جداول Redshift بارگذاری کنید
Lab : One-time Load Historical Data into Redshift Tables using Copy Command
Lab - AWS Glue - Python Shell Job برای بارگذاری تدریجی داده در Redshift
Lab - AWS Glue - Python Shell Job for incremental Data loads into Redshift
آزمایشگاه - Redshift Spectrum | پیوستن به پایگاه داده متقابل
Lab - Redshift Spectrum | Cross Database Joins
Quicksight - BI/گزارش و تجسم
Quicksight - BI / Reporting and Visualization
Quicksight - مقدمه
Quicksight - Introduction
آزمایشگاه - اتصال با Redshift و ایجاد داشبورد/تحلیل
Lab - Connecting with Redshift and Create Dashboards/Analyses
آزمایشگاه - پرس و جوهای سفارشی Sql را برای تجزیه و تحلیل QuickSight و داشبورد اجرا کنید
Lab - Run Custom Sql Queries for QuickSight Analyses and Dashboards
Redshift - تکنیک های بهینه سازی و تنظیم دقیق
Redshift - Optimization Techniques and Fine tuning
Redshift - کلیدهای مرتب سازی و کلیدهای مرتب سازی مرکب
Redshift - Sort Keys and Compound Sort Keys
Redshift - کلیدهای مرتب سازی میان ورقه ای
Redshift - Interleaved Sort Keys
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.
نمایش نظرات