Szkolenia Google Cloud

Cel szkolenia szkolenie zdalne - dlearning

kod: G-DEGCP

This four-day instructor-led class provides participants a hands-on introduction to designing and building data processing systems on Google Cloud Platform. Through a combination of presentations, demos, and hand-on labs, participants will learn how to design data processing systems, build end-to-end data pipelines, analyze data and carry out machine learning. The course covers structured, unstructured, and streaming data.

Course objectives:

This course teaches participants the following skills: Design and build data processing systems on Google Cloud Platform Leverage unstructured data using Spark and ML APIs on Cloud Dataproc Process batch and streaming data by implementing autoscaling data pipelines on Cloud Dataflow Derive business insights from extremely large datasets using Google BigQuery Train, evaluate and predict using machine learning models using TensorFlow and Cloud ML Enable instant insights from streaming data.

Audience:

This class is intended for experienced developers who are responsible for managing big data transformations including: Extracting, Loading, Transforming, cleaning, and validating data Designing pipelines and architectures for data processing Creating and maintaining machine learning and statistical models Querying datasets, visualizing query results and creating reports.

The course includes presentations, demonstrations, and hands-on labs.

Plan szkolenia Rozwiń listę

  1. Introduction to Data Engineering
    • Explore the role of a data engineer.
    • Analyze data engineering challenges.
    • Intro to BigQuery.
    • Data Lakes and Data Warehouses.
    • Demo: Federated Queries with BigQuery.
    • Transactional Databases vs Data Warehouses.
    • Website Demo: Finding PII in your dataset with DLP API.
    • Partner effectively with other data teams.
    • Manage data access and governance.
    • Build production-ready pipelines.
    • Review GCP customer case study.
    • Lab: Analyzing Data with BigQuery.
  2. Building a Data Lake
    • Introduction to Data Lakes.
    • Data Storage and ETL options on GCP.
    • Building a Data Lake using Cloud Storage.
    • Optional Demo: Optimizing cost with Google Cloud Storage classes and Cloud Functions.
    • Securing Cloud Storage.
    • Storing All Sorts of Data Types.
    • Video Demo: Running federated queries on Parquet and ORC files in BigQuery.
    • Cloud SQL as a relational Data Lake.
    • Lab: Loading Taxi Data into Cloud SQL.
  3. Building a Data Warehouse
    • The modern data warehouse.
    • Intro to BigQuery.
    • Demo: Query TB+ of data in seconds.
    • Getting Started.
    • Loading Data.
    • Video Demo: Querying Cloud SQL from BigQuery.
    • Lab: Loading Data into BigQuery.
    • Exploring Schemas.
    • Demo: Exploring BigQuery Public Datasets with SQL using INFORMATION_SCHEMA.
    • Schema Design.
    • Nested and Repeated Fields.
    • Demo: Nested and repeated fields in BigQuery.
    • Lab: Working with JSON and Array data in BigQuery.
    • Optimizing with Partitioning and Clustering.
    • Demo: Partitioned and Clustered Tables in BigQuery.
    • Preview: Transforming Batch and Streaming Data.
  4. Introduction to Building Batch Data Pipelines,
    • EL, ELT, ETL.
    • Quality considerations.
    • How to carry out operations in BigQuery.
    • Demo: ELT to improve data quality in BigQuery.
    • Shortcomings.
    • ETL to solve data quality issues.
  5. Executing Spark on Cloud Dataproc
    • The Hadoop ecosystem.
    • Running Hadoop on Cloud Dataproc.
    • GCS instead of HDFS.
    • Optimizing Dataproc.
    • Lab: Running Apache Spark jobs on Cloud Dataproc.
  6. Serverless Data Processing with Cloud Dataflow
    • Cloud Dataflow.
    • Why customers value Dataflow.
    • Dataflow Pipelines.
    • Lab: A Simple Dataflow Pipeline (Python/Java).
    • Lab: MapReduce in Dataflow (Python/Java).
    • Lab: Side Inputs (Python/Java).
    • Dataflow Templates.
    • Dataflow SQL.
  7. Manage Data Pipelines with Cloud Data Fusion and Cloud Composer
    • Building Batch Data Pipelines visually with Cloud Data Fusion.
    • Components.
    • UI Overview.
    • Building a Pipeline.
    • Exploring Data using Wrangler.
    • Lab: Building and executing a pipeline graph in Cloud Data Fusion.
    • Orchestrating work between GCP services with Cloud Composer.
    • Apache Airflow Environment.
    • DAGs and Operators.
    • Workflow Scheduling.
    • Optional Long Demo: Event-triggered Loading of data with Cloud Composer, Cloud Functions, Cloud Storage, and BigQuery.
    • Monitoring and Logging.
    • Lab: An Introduction to Cloud Composer.
  8. Introduction to Processing Streaming Data
    • Processing Streaming Data.
  9. erverless Messaging with Cloud Pub/Sub
    • Cloud Pub/Sub.
    • Lab: Publish Streaming Data into Pub/Sub.
  10. Cloud Dataflow Streaming Features
    • Cloud Dataflow Streaming Features.
    • Lab: Streaming Data Pipelines.
  11. High-Throughput BigQuery and Bigtable Streaming Features
    • BigQuery Streaming Features.
    • Lab: Streaming Analytics and Dashboards.
    • Cloud Bigtable.
    • Lab: Streaming Data Pipelines into Bigtable.
  12. Advanced BigQuery Functionality and Performance
    • Analytic Window Functions.
    • Using With Clauses.
    • GIS Functions.
    • Demo: Mapping Fastest Growing Zip Codes with BigQuery GeoViz.
    • Performance Considerations.
    • Lab: Optimizing your BigQuery Queries for Performance.
    • Optional Lab: Creating Date-Partitioned Tables in BigQuery.
  13. Introduction to Analytics and AI
    • What is AI?
    • From Ad-hoc Data Analysis to Data Driven Decisions.
    • Options for ML models on GCP.
  14. Prebuilt ML model APIs for Unstructured Data
    • Unstructured Data is Hard.
    • ML APIs for Enriching Data.
    • Lab: Using the Natural Language API to Classify Unstructured Text.
  15. Big Data Analytics with Cloud AI Platform Notebooks
    • Whats a Notebook.
    • BigQuery Magic and Ties to Pandas.
    • Lab: BigQuery in Jupyter Labs on AI Platform.
  16. Production ML Pipelines with Kubeflow
    • Ways to do ML on GCP.
    • Kubeflow.
    • AI Hub.
    • Lab: Running AI models on Kubeflow.
  17. Custom Model building with SQL in BigQuery ML
    • BigQuery ML for Quick Model Building.
    • Demo: Train a model with BigQuery ML to predict NYC taxi fares.
    • Supported Models.
    • Lab Option 1: Predict Bike Trip Duration with a Regression Model in BQML.
    • Lab Option 2: Movie Recommendations in BigQuery ML.
  18. Custom Model building with Cloud AutoML
    • Why Auto ML?
    • Auto ML Vision.
    • Auto ML NLP.
    • Auto ML Tables.
Pobierz konspekt szkolenia w formacie PDF

Dodatkowe informacje

Wymagania wstępne

To get the most of out of this course, participants should have: Completed Google Cloud Fundamentals- Big Data and Machine Learning course OR have equivalent experience. Basic proficiency with common query language such as SQL Experience with data modeling, extract, transform, load activities Developing applications using a common programming language such as Python Familiarity with basic statistics.

Poziom trudności
Czas trwania 4 dni
Certyfikat

The participants will obtain certificates signed by Google Cloud Platform.

This course along with the course From Data to Insights with Google Cloud Platform additionally prepares you for Professional Data Engineer certification exam available at Kryterion test centers.

Prowadzący

Authorized Google Cloud Platform Trainer.

Pozostałe szkolenia Google Cloud | Data and Machine Learning

Szkolenia powiązane tematycznie

Cloud Computing

Formularz kontaktowy

Prosimy o wypełnienie poniższego formularza, jeśli chcą Państwo uzyskać więcej informacji o powyższym szkoleniu.






* pola oznaczone (*) są wymagane

Informacje o przetwarzaniu danych przez Compendium – Centrum Edukacyjne Spółka z o.o.

CENA 6500 PLN NETTO Czy wiesz, że możesz uzyskać do 100% dofinansowania na ten kurs?   Sprawdź jak »

zamknij

Kody rabatowe

Kod rabatowy, może dotyczyć (szkolenia, producenta, terminu). Jeżeli posiadasz kod rabatowy, to wpisz go w odpowiednie pole.
(kolor zielony oznacza wpisanie prawidłowego kodu | kolor czerwony oznacza, że wpisany kod jest nieprawidłowy)

FORMA SZKOLENIA ?

zamknij

Szkolenie stacjonarne

Szkolenia stacjonarne w Compendium CE odbywają się najczęściej w naszych lokalizacjach w Krakowie i Warszawie, ale także w miejscu ustalonym przez klienta. Grupa uczestnicząca w szkoleniu spotyka się w danym miejscu o określonym czasie i wraz z trenerem aktywnie uczestniczy w laboratoriach.

Szkolenie dlearning

W szkoleniach Compendium Distance Learning możesz uczestniczyć z dowolnego miejsca na świecie. Kursanci, dzięki zaawansowanej technologii, którą dostarcza Compendium CE, stale widzą i słyszą trenera, mogą mu zadawać pytania poprzez chat i mikrofon, a także uczestniczą w ćwiczeniach i laboratoriach, które rozwiązują wraz z prowadzącym. Po więcej informacji zajrzyj na stronę dlearning.eu

MATERIAŁY SZKOLENIOWE ?

zamknij

Materiały elektroniczne

Materiały elektroniczne: są to materiały szkoleniowe w wersji elektronicznej, które w zależności od dostawcy udostępniane są za pomocą dedykowanych aplikacji: Skillpipe, eVantage itd. lub w postaci dokumentów PDF.

Materiały ctab

Materiały ctab: cena zawiera tablet ctab oraz materiały szkoleniowe w formie elektronicznej bądź tradycyjne materiały szkoleniowe i materiały dodatkowe dostarczone w wersji elektronicznej w zależności od ustaleń z producentem (w postaci dokumentów PDF lub EPUB). Tak dostarczone materiały są przystosowane pod kątem wyświetlania ich na tablecie ctab. Po więcej informacji zajrzyj na stronę ctab.

 

WYBIERZ TERMIN SZKOLENIA

Brak ustalonych terminów dla tego szkolenia.

Zaproponuj własny termin

Najbliższe szkolenia Google Cloud

Harmonogram szkoleń
Google Cloud