آموزش مدیریت و مانیتورینگ پروژه‌های dbt در مقیاس بزرگ - آخرین آپدیت

دانلود Manage and Monitor dbt Projects at Scale

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تبدیل داده‌ها در مقیاس بزرگ با چالش‌هایی مانند ساختارهای نامنظم و خط لوله‌های (Pipelines) غیرقابل اعتماد روبروست. dbt در کنار ابزارهایی مانند Airflow، Prefect یا Dagster، امکان ایجاد خط لوله‌های داده مقیاس‌پذیر و خودکار را برای نیازهای سازمانی فراهم می‌کند. در این دوره، «مدیریت و مانیتورینگ پروژه‌های dbt در مقیاس بزرگ»، شما توانایی طراحی، بهینه‌سازی و اتوماسیون پروژه‌های قدرتمند dbt را برای تبدیل داده‌ها در سطح سازمانی کسب خواهید کرد تا مقیاس‌پذیری و قابلیت اطمینان سیستم تضمین شود. در ابتدا، یاد می‌گیرید که چگونه پروژه‌های dbt را برای محیط‌های مقیاس‌پذیر با طراحی‌های ماژولار، نام‌گذاری‌های سازگار و استانداردهای کدنویسی ساختاربندی کنید. سپس، تکنیک‌های مانیتورینگ عملکرد dbt و عیب‌یابی خطاها را کشف خواهید کرد. در نهایت، نحوه ادغام dbt با ابزارهای ارکستراسیون داده مانند Apache Airflow، Prefect و Dagster را برای خودکارسازی کامل خط لوله‌های داده خواهید آموخت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه dbt، مدل‌سازی داده‌ها و ارکستراسیون را خواهید داشت تا خط لوله‌های داده مقیاس‌پذیر و خودکاری بسازید که بینش‌های قابل اعتماد و آنی (Real-time) را برای تصمیم‌گیری‌های داده‌محور فراهم کند.

سرفصل ها و درس ها

ساختاربندی پروژه‌های dbt برای محیط‌های مقیاس‌پذیر Structure dbt Projects for Large-scale Environments

  • ساختاربندی پروژه‌های dbt برای محیط‌های مقیاس‌پذیر Structuring dbt Projects for Large-scale Environments

  • تعیین قراردادهای نام‌گذاری و استانداردهای پوشه‌بندی Establishing Naming Conventions and Folder Standards

  • اجرای بهترین الگوها و مدیریت وابستگی‌ها Enforcing Best Practices and Managing Dependencies

مانیتورینگ عملکرد dbt و عیب‌یابی خطاها Monitor dbt Performance and Troubleshoot Failures

  • ردیابی اجرای عملیات dbt در dbt Cloud Tracking dbt Job Execution in dbt Cloud

  • بهینه‌سازی مدل‌های dbt با اجرای کند Optimizing Slow-running dbt Models

  • راه‌اندازی هشدارها و عیب‌یابی با استفاده از Artifacts Setting up Alerts and Debugging with Artifacts

ادغام dbt با ابزارهای ارکستراسیون داده Integrate dbt with Data Orchestration Tools

  • درک ارکستراسیون در جریان‌های کاری dbt Understanding Orchestration in dbt Workflows

  • اتصال dbt به Airflow Connecting dbt to Airflow

  • اتصال dbt به Prefect Connecting dbt to Prefect

  • اتصال dbt به Dagster Connecting dbt to Dagster

  • خودکارسازی خط لوله‌ها و مدیریت وابستگی‌ها Automating Pipelines and Managing Dependencies

نمایش نظرات

آموزش مدیریت و مانیتورینگ پروژه‌های dbt در مقیاس بزرگ
جزییات دوره
40m
11
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
7
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maryam Zakeryfar Maryam Zakeryfar

مریم ذاکری‌فر مهندس ارشد نرم‌افزار، دارای دکتری علوم کامپیوتر و بیش از ۲۰ سال تجربه در طراحی و توسعه سیستم‌های نرم‌افزاری پیچیده است. او با پیشینه‌ای قوی در فناوری‌های مالی و داده، تخصص قابل توجهی در Spark، Databricks، Snowflake، SQL، مدل‌های زبانی بزرگ (LLM) و کیفیت داده‌ها کسب کرده است. مریم با سابقه فعالیت در مورگان استنلی در بخش فناوری‌های معاملاتی و داده، درک عمیقی از الزامات و چالش‌های منحصر‌به‌فرد صنعت مالی دارد. او همچنین در ساخت ابزارهای کیفیت داده مشارکت داشته و در طول سال‌ها با مشتریان مختلف برای رفع نیازهای حوزه کیفیت داده همکاری کرده است. او مشتاق به‌روز ماندن در لبه فناوری است و همواره ابزارها و بهترین متدهای جدید را برای ارائه راهکارهای مقیاس‌پذیر و باکیفیت به کار می‌گیرد. تجربه او شامل طراحی سیستم‌های مالی، بهینه‌سازی برنامه‌های داده‌محور و ارتقای فرآیندهای کیفیت داده است. او به عنوان حامی اشتراک‌گذاری دانش، از همکاری با تیم‌ها و منتورینگ دیگران لذت می‌برد تا تأثیری ماندگار در جامعه فناوری بر جای بگذارد.