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

دستی آمازون Redshift برای انبار داده [ویدئو]

Hands-On Amazon Redshift for Data Warehousing [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Amazon Redshift یک پلت‌فرم داده ابری کم‌هزینه است که می‌تواند از گیگابایت تا پتابایت در یک موتور SQL ستون‌گرا با کارایی بالا تغییر کند. Amazon Redshift قدرت معماری مقیاس‌پذیر را به دنیای انبار داده‌های سنتی می‌آورد. در این دوره، شما این فضای ذخیره سازی کم هزینه و مبتنی بر ابر را بررسی خواهید کرد، که می تواند برای برآوردن نیازهای اندازه واقعی و عملکرد شما، آن را کوچک یا بزرگ کنید. شما یاد خواهید گرفت که یک انبار داده نمونه را پیکربندی کنید. در مرحله بعد، کارکردهای داخلی و معماری Redshift را بررسی خواهید کرد و خواهید آموخت که چه چیزی آن را بسیار سریع می کند. شما تجربه عملی اتصال، پرس و جو، و ساختن BI و داده به عنوان محصولات را دریافت خواهید کرد و یاد خواهید گرفت که چگونه پلتفرم جدید خود را ایمن، نگهداری و مدیریت کنید. در پایان این دوره، می‌توانید از گیگابایت به پتابایت بر روی این موتور SQL ستون‌گرا با کارایی بالا مقیاس کنید. تمامی فایل‌های کد مربوط به این دوره در Github در دسترس هستند - https://github.com/PacktPublishing/Hands-On-Amazon-Redshift-for-Data-Warehousing-V- اصول انبارداری داده را بدانید و چگونه Redshift به چالش کشیدن طرز تفکر سنتی ببینید Redshift چگونه با اکوسیستم AWS Cloud ادغام می شود بیاموزید که چگونه Redshift از جدیدترین فناوری برای ارائه عملکرد تا 10 برابر فناوری‌های رقیب استفاده می‌کند یک انبار داده کاملاً مدیریت شده بومی ابری ایجاد کنید و از آن برای پیوستن به مجموعه داده های متفاوت استفاده کنید. انبار داده جدید خود را با داده های جدا از هم ذخیره شده در Amazon S3 با Redshift Spectrum متصل کنید مجموعه داده های تازه متصل خود را با Amazon QuickSight تجسم کنید با استفاده از مجموعه داده های متنوع، ابتدا وارد یک انبار داده Redshift شوید به انبار داده خود متصل شوید و آن را بهینه سازی کنید و مجموعه داده ها را به هم بپیوندید داده های موجود در انبار داده خود را با داده های Amazon S3 با Redshift Spectrum متصل کنید اگر یک تحلیلگر داده، دانشمند داده یا حرفه ای AWS هستید و به دنبال راه حل انبار داده با استفاده از خدمات AWS هستید، این دوره برای شما مناسب است! همچنین برای حرفه ای هایی که از DynamoDB، RDS یا هر سرویس پایگاه داده AWS دیگری استفاده می کنند، مناسب است. آشنایی با AWS فرض می شود. فناوری‌های انبار داده سنتی را با ترکیبی از میزبانی ابری و الگوریتم‌های بهینه‌سازی پیشرفته در تماس قرار دهید * تنها در 3 ساعت از اصول انبار داده به یک انبار داده کاملاً کارآمد در مقیاس پتا بروید و همه چیزهایی را که برای ساخت داده‌های ابری خود نیاز دارید بیاموزید. انبار * با این راهنمای عملی ساده برای ساخت انبارهای داده در AWS بایدها و نبایدهای انبار داده را بیاموزید
سرفصل ها و درس ها

ذخیره سازی داده برای عصر اینترنت Data Warehousing for the Internet Age

  • بررسی اجمالی دوره The Course Overview

  • آیا ما هنوز به یک انبار داده نیاز داریم؟ Do We Still Need a Data Warehouse?

  • مقایسه فن آوری های داده: رابطه ای، انبار داده، NoSQL و داده های بزرگ Data Technologies Compared: Relational, Data Warehouse, NoSQL, and Big Data

  • ارائه اطلاعات تجاری در مقیاس اینترنت Providing Business Intelligence on Internet-Scale Data

  • Cloud-Native Data Warehouse Cloud-Native Data Warehousing

شروع به کار با Redshift Getting Started with Redshift

  • راه اندازی Redshift Data Warehouse در AWS Launching a Redshift Data Warehouse on AWS

  • راه اندازی Redshift Data Warehouse با استفاده از Cloudformation Launching a Redshift Data Warehouse Using Cloudformation

  • شیرجه عمیق فناوری Redshift: فایل سیستم ستونی Redshift Technology Deep Dive: Columnar Filesystem

  • فناوری Redshift Deep Dive: پردازش موازی گسترده Redshift Technology Deep Dive: Massively Parallel Processing

ایجاد انبار داده Redshift از مجموعه داده های متفاوت Creating a Redshift Data Warehouse from Disparate Datasets

  • منبع یابی مجموعه داده های مناسب Sourcing Appropriate Data Sets

  • مصرف اندازه های مختلف مجموعه داده در Redshift Ingesting Various Sizes of Data Set into Redshift

  • اتصال به انبار داده و پرس و جو کردن Connecting to and Querying the Data Warehouse

  • فناوری Redshift Deep Dive: Query Caching Redshift Technology Deep Dive: Query Caching

بهینه سازی Redshift برای مقیاس Optimizing Redshift for Scale

  • مصرف حجم عظیمی از داده ها با کپی مستقیم از S3 Ingesting Enormous Volumes of Data by Copying Directly from S3

  • بهینه سازی انواع داده Redshift برای عملکرد پرس و جو در مقیاس Optimizing Redshift Data Types for Query Performance at Scale

  • توزیع یکنواخت داده ها در کلستر خود برای بهبود فیلترها و اتصالات Evenly Distributing Data Across Your Cluster to Improve Filters and Joins

اتصال Redshift با داده های قطع شده با استفاده از Redshift Spectrum Connecting Redshift with Disconnected Data Using Redshift Spectrum

  • تجزیه و تحلیل اکتشافی برای داده های قطع شده Exploratory Analytics for Disconnected Data

  • بارگیری یک مجموعه داده قطع شده Loading a Disconnected Dataset

  • کاتالوگ داده چسب - ایجاد یک طرحواره برای مجموعه داده خارجی Glue Data Catalog - Creating a Schema for the External Dataset

تجسم نتایج خود با آمازون QuickSight Visualizing Your Results with Amazon QuickSight

  • مورد استفاده BI برای ذخیره سازی داده ها The BI Use Case for Data Warehousing

  • آمازون Quicksight را معرفی می کنیم Introducing Amazon Quicksight

  • Spice چیست و چگونه می توان از آن برای تسریع تجزیه و تحلیل استفاده کرد؟ What Is Spice and How Can It Be Used to Accelerate Analysis?

  • بارگیری داده ها در SPICE Loading Data into SPICE

آموزش پروژه پایتون - ساخت ربات خراش وب با پایتون

آموزش پروژه پایتون - ساخت ربات خراش وب با پایتون

Python Project - Building Web Scraping Bot With Python

آموزش داکر در AWS

آموزش داکر در AWS

Docker on AWS

آموزش داده های خود را زیبا کنید: مقدمه ای برای تجسم داده ها با استفاده از Tableau

آموزش داده های خود را زیبا کنید: مقدمه ای برای تجسم داده ها با استفاده از Tableau

Beautify your Data: Intro to Data Visualization using Tableau

نمایش نظرات

دستی آمازون Redshift برای انبار داده [ویدئو]
جزییات دوره
2 h 14 m
23
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد

https://donyad.com/d/6433d6

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

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

James Cross James Cross

کولیبری یک شرکت مشاوره فناوری است که در سال 2015 توسط جیمز کراس و اینگرید فونی تاسیس شد. این شرکت با تخصص عمیق در زمینه هایی مانند کلان داده، علم داده، یادگیری ماشین و محاسبات ابری، به مشتریان خود کمک می کند تا در دنیای به سرعت در حال تغییر و پیچیده فناوری های نوظهور حرکت کنند. در چند سال گذشته، آنها با برخی از بزرگترین و معتبرترین شرکت های جهان، از جمله بانک سرمایه گذاری ردیف 1، یک گروه مشاوره مدیریت پیشرو، و یکی از محبوب ترین شرکت های نوشابه در جهان کار کرده اند و به هر یک از آنها کمک کرده اند تا داده های آن را بهتر درک کرده و آن ها را به روش های هوشمندانه تری پردازش کنید. این شرکت با شعار خود زندگی می کند: داده -> هوش -> عمل. جیمز کراس یک مهندس داده بزرگ و معمار راه حل های AWS دارای گواهینامه است که علاقه زیادی به برنامه های کاربردی داده محور دارد. او 3 تا 5 سال گذشته را صرف کمک به مشتریان خود برای طراحی و پیاده‌سازی پلتفرم‌های کلان داده در مقیاس عظیم، استریم، پشته‌های تحلیلی مبتنی بر ابر و معماری‌های بدون سرور کرده است. او کار حرفه‌ای خود را در بانکداری سرمایه‌گذاری، با کار با فناوری‌های جاافتاده مانند جاوا و SQL Server، قبل از ورود به فضای Big Data آغاز کرد. از آن زمان او با طیف وسیعی از ابزارهای کلان داده از جمله اکثر اکو سیستم Hadoop، Spark و بسیاری از فناوری‌های No-SQL مانند Cassandra، MongoDB، Redis و DynamoDB کار کرده است. اخیراً تمرکز او بر روی فناوری‌های ابری و نحوه استفاده از آن‌ها در تجزیه و تحلیل داده‌ها بوده است که در کار او در Scout Solutions به عنوان CTO و اخیراً با Mckinsey به اوج خود رسیده است. جیمز یک معمار راه حل های دارای گواهینامه AWS با چندین سال تجربه در طراحی و اجرای راه حل ها در این پلت فرم ابری است. او به‌عنوان مدیر ارشد فناوری Scout Solutions Ltd، مجموعه‌ای کاملاً بدون سرور از APIها و یک پشته تحلیلی مبتنی بر Lambda و Redshift ساخت.

James Cross James Cross

کولیبری یک شرکت مشاوره فناوری است که در سال 2015 توسط جیمز کراس و اینگرید فونی تاسیس شد. این شرکت با تخصص عمیق در زمینه هایی مانند کلان داده، علم داده، یادگیری ماشین و محاسبات ابری، به مشتریان خود کمک می کند تا در دنیای به سرعت در حال تغییر و پیچیده فناوری های نوظهور حرکت کنند. در چند سال گذشته، آنها با برخی از بزرگترین و معتبرترین شرکت های جهان، از جمله بانک سرمایه گذاری ردیف 1، یک گروه مشاوره مدیریت پیشرو، و یکی از محبوب ترین شرکت های نوشابه در جهان کار کرده اند و به هر یک از آنها کمک کرده اند تا داده های آن را بهتر درک کرده و آن ها را به روش های هوشمندانه تری پردازش کنید. این شرکت با شعار خود زندگی می کند: داده -> هوش -> عمل. جیمز کراس یک مهندس داده بزرگ و معمار راه حل های AWS دارای گواهینامه است که علاقه زیادی به برنامه های کاربردی داده محور دارد. او 3 تا 5 سال گذشته را صرف کمک به مشتریان خود برای طراحی و پیاده‌سازی پلتفرم‌های کلان داده در مقیاس عظیم، استریم، پشته‌های تحلیلی مبتنی بر ابر و معماری‌های بدون سرور کرده است. او کار حرفه‌ای خود را در بانکداری سرمایه‌گذاری، با کار با فناوری‌های جاافتاده مانند جاوا و SQL Server، قبل از ورود به فضای Big Data آغاز کرد. از آن زمان او با طیف وسیعی از ابزارهای کلان داده از جمله اکثر اکو سیستم Hadoop، Spark و بسیاری از فناوری‌های No-SQL مانند Cassandra، MongoDB، Redis و DynamoDB کار کرده است. اخیراً تمرکز او بر روی فناوری‌های ابری و نحوه استفاده از آن‌ها در تجزیه و تحلیل داده‌ها بوده است که در کار او در Scout Solutions به عنوان CTO و اخیراً با Mckinsey به اوج خود رسیده است. جیمز یک معمار راه حل های دارای گواهینامه AWS با چندین سال تجربه در طراحی و اجرای راه حل ها در این پلت فرم ابری است. او به‌عنوان مدیر ارشد فناوری Scout Solutions Ltd، مجموعه‌ای کاملاً بدون سرور از APIها و یک پشته تحلیلی مبتنی بر Lambda و Redshift ساخت.

AWS Amazon Redshift آمازون Redshift Data Databases داده ها پایگاه های داده