دسترسی سریع:

مسیر:

صفحه اصلی

لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در کانال تلگرام عضو شوید.

آموزش پروژه جامع مهندسی داده GCP در حوزه خرده‌فروشی [ویدئویی] - آخرین آپدیت

دانلود The Complete GCP Data Engineering Project - Retailer Domain [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: در این دوره، شما تخصص عملی در ساخت خط لوله‌های داده (Data Pipelines) روی پلتفرم ابری گوگل (GCP) برای داده‌های خرده‌فروشی را کسب خواهید کرد. شما یاد می‌گیرید که چگونه داده‌ها را با استفاده از Dataproc، PySpark و Google Cloud Storage به طور بهینه جذب، تبدیل و ذخیره کنید. این دوره بر جریان‌های کاری واقعی تأکید دارد و شما را قادر می‌سازد تا با چالش‌های پیچیده داده‌ها مقابله کرده و مجموعه‌داده‌ها را برای تحلیل و استخراج بینش‌های تجاری آماده کنید. برنامه آموزشی شما را از لایه‌های Bronze، Silver و Gold در BigQuery عبور می‌دهد و نشان می‌دهد که چگونه داده‌های خام به مجموعه‌داده‌های ساختاریافته و با کیفیت تبدیل می‌شوند. شما DAGهای Airflow را برای خودکارسازی و مدیریت جریان‌های کاری پیکربندی کرده و خط لوله‌های CI/CD را با استفاده از GitHub و Cloud Build پیاده‌سازی می‌کنید. هر مرحله به صورت عملی نمایش داده شده است تا بتوانید تکنیک‌ها را در سناریوهای مشابه به کار ببرید. در پایان، شما یک پروژه مهندسی داده کاملاً عملی خواهید داشت که فرآیندهای جذب، تبدیل، ارکستراسیون و استقرار را یکپارچه می‌کند. این تجربه شما را برای طراحی خط لوله‌های مقیاس‌پذیر و کارآمد و درک چرخه کامل پروژه‌های داده مبتنی بر ابر آماده می‌کند. این دوره مهارت‌های لازم برای تصمیم‌گیری‌های داده‌محور در محیط‌های حرفه‌ای را در اختیار شما قرار می‌دهد. - ساخت خط لوله‌های جذب داده مقیاس‌پذیر با Dataproc و PySpark - پیکربندی و مدیریت مناطق فرود (Landing Zones) در GCS برای ذخیره‌سازی ابری - تبدیل و پالایش داده‌ها در لایه‌های Bronze، Silver و Gold در BigQuery - خودکارسازی جریان‌های کاری با Airflow DAGs برای محیط عملیاتی - پیاده‌سازی خط لوله‌های CI/CD با استفاده از GitHub و Cloud Build - اعمال بهترین متدهای مهندسی داده GCP برای مجموعه‌داده‌های واقعی این دوره برای مهندسین داده آینده و فعلی و متخصصان ابری است که به دنبال تجربه عملی با خط لوله‌های جامع GCP هستند. این دوره مباحث جذب، تبدیل، ارکستراسیون و استقرار داده‌ها را با استفاده از Dataproc، PySpark، BigQuery و Airflow پوشش می‌دهد. پیش‌نیازهای این دوره تسلط ابتدایی بر SQL، پایتون و مفاهیم ابری است. پروژه جامع مهندسی داده GCP شامل: جذب داده با Dataproc و PySpark در GCS، طراحی لایه‌ای BigQuery (برنز، نقره، طلا)، ارکستراسیون جریان کار با Airflow و یکپارچه‌سازی CI/CD با GitHub و Cloud Build.

سرفصل ها و درس ها

پیاده‌سازی جامع خط لوله داده End-to-End Data Pipeline Implementation

معرفی پروژه Project Introduction
درک پروژه و مسیر اجرایی Understanding Project and Direction
راه‌اندازی منابع داده – پایگاه‌های داده SQL، GCS، BQ و تنظیمات Setting Up the Data Sources – SQL DBs, GCS, BQ, Configs
پیکربندی Google Cloud Storage (GCS) به عنوان منطقه فرود (Landing Zone) Configuring Google Cloud Storage (GCS) as a Landing Zone
جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه اول Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 1
جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه دوم Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 2
جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه سوم Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 3
لایه برنز (Bronze) در BigQuery BigQuery Bronze Layer
لایه نقره (Silver) در BigQuery BigQuery Silver Layer
لایه طلا (Gold) در BigQuery BigQuery Gold Layer
راه‌اندازی DAGهای Airflow برای ارکستراسیون جریان کاری Setting Up Airflow DAGS for Workflow Orchestration
پیاده‌سازی کامل CICD با Github، Cloud Build و Airflow Complete CICD with Github, Cloud Build, and Airflow

برای ارسال نظر ثبت نام کنید.

نمایش نظرات

آموزش پروژه جامع مهندسی داده GCP در حوزه خرده‌فروشی [ویدئویی]

جزییات دوره

زمان دوره: 6h 10m

تعداد ویدیو ها: 12

شرکت: Packtpub

تاریخ انتشار مرجع: (آخرین آپدیت)

بازدید مرجع :

امتیاز مرجع: از 5

فایل تمرین: ندارد

زیرنویس زبان اصلی: دارد

زیرنویس فارسی: (توسط هوش مصنوعی) دارد

مدرس: Shaik Saidhul

لینک کوتاه این دوره

https://donyad.com/d/ce1032

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

نرم افزارهای مورد نیاز

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Shaik Saidhul

شایک سیدول (Shaik Saidhul) یک مهندس داده ابری ماهر با تخصص در GCP، Azure و AWS است که در زمینه‌های مهندسی داده، تحلیل داده و DevOps تخصص دارد. او با تجربه عملی گسترده در ساخت خط لوله‌های داده مقیاس‌پذیر، بهینه‌سازی Apache Spark و مدیریت مهاجرت‌های ابری، متعهد به کمک به یادگیرندگان برای به‌کارگیری مفاهیم تئوری در سناریوهای واقعی است. شایک به عنوان مؤسس مؤسسه نرم‌افزاری Skill Vane، مهندسان داده آینده را در مسیر بهترین شیوه‌های صنعت، پروژه‌های عملی و آمادگی برای مصاحبه هدایت می‌کند تا آن‌ها را برای موفقیت در اکوسیستم‌های ابری و بیگ دیتا توانمند سازد.

عکاسی

برنامه نويسي

آموزش پروژه جامع مهندسی داده GCP در حوزه خرده‌فروشی [ویدئویی] - آخرین آپدیت

دانلود The Complete GCP Data Engineering Project - Retailer Domain [Video]

پیاده‌سازی جامع خط لوله داده End-to-End Data Pipeline Implementation

معرفی پروژه Project Introduction

درک پروژه و مسیر اجرایی Understanding Project and Direction

راه‌اندازی منابع داده – پایگاه‌های داده SQL، GCS، BQ و تنظیمات Setting Up the Data Sources – SQL DBs, GCS, BQ, Configs

پیکربندی Google Cloud Storage (GCS) به عنوان منطقه فرود (Landing Zone) Configuring Google Cloud Storage (GCS) as a Landing Zone

جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه اول Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 1

جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه دوم Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 2

جذب داده‌ها: Dataproc، Pyspark، GCS - جلسه سوم Data Ingestion - Dataproc, Pyspark, GCS Landing-Session 3

لایه برنز (Bronze) در BigQuery BigQuery Bronze Layer

لایه نقره (Silver) در BigQuery BigQuery Silver Layer

لایه طلا (Gold) در BigQuery BigQuery Gold Layer

راه‌اندازی DAGهای Airflow برای ارکستراسیون جریان کاری Setting Up Airflow DAGS for Workflow Orchestration

پیاده‌سازی کامل CICD با Github، Cloud Build و Airflow Complete CICD with Github, Cloud Build, and Airflow