คอร์สนี้มีกี่บทเรียน?

คอร์สนี้มี 5 บทเรียนแบบมีโครงสร้างพร้อมคำอธิบาย ตัวอย่าง และข้อสอบฝึกที่เชื่อมโยง

ฉันจะได้เรียนรู้อะไรจากคอร์สนี้?

อธิบายการจัดเก็บ อธิบายไปป์ไลน์ อธิบาย ML

ต้องมีพื้นฐานอะไรก่อนเริ่ม?

ก่อนเริ่มเรียน ควรมีพื้นฐานดังนี้: ความรู้ Google Cloud พื้นฐานช่วยได้ แนะนำ SQL และแนวคิดข้อมูล ไม่จำเป็นต้องมีใบรับรอง Google มาก่อน

คอร์สนี้ใช้เวลานานแค่ไหน?

เส้นทางการเรียนใช้เวลาประมาณ 60 นาที บวกเวลาฝึกและทบทวน

คอร์สนี้มีข้อสอบฝึกด้วยหรือไม่?

แต่ละบทเรียนมีตัวอย่างและลิงก์ไปยังข้อสอบฝึกที่เกี่ยวข้องเพื่อนำไปใช้จริง

หลักสูตร GCP Data Engineer

หลักสูตร GCP Data Engineer ที่มีโครงสร้างครอบคลุมการจัดเก็บ ไปป์ไลน์ ML ความปลอดภัย ความน่าเชื่อถือ และสถาปัตยกรรม พร้อมคำถาม

ระดับ: Google Cloud Professional Data Engineer ความยาก: advanced 5 บทเรียน 60 นาที

ความคืบหน้าของคอร์ส 0 / 5

กลับไปคอร์ส

สิ่งที่คุณจะได้เรียนรู้

อธิบายการจัดเก็บ
อธิบายไปป์ไลน์
อธิบาย ML
อธิบายความปลอดภัย
อธิบายความน่าเชื่อถือ

ก่อนเริ่มเรียน

ความรู้ Google Cloud พื้นฐานช่วยได้
แนะนำ SQL และแนวคิดข้อมูล
ไม่จำเป็นต้องมีใบรับรอง Google มาก่อน

บทเรียน 1 การจัดเก็บและการประมวลผลข้อมูล

BigQuery วิเคราะห์ Storage เก็บ Pub/Sub ส่ง Dataflow ประมวลผล Dataproc Bigtable SQL Spanner ครอบคลุมความต้องการต่างกัน เลือกตามความหน่วงและขนาด ฝึกด้วยตัวอย่าง ทบทวนข้อผิดทุกครั้ง และทบทวนหัวข้อที่อ่อนที่สุดทุกสัปดาห์เพื่อพัฒนา

ตัวอย่าง

ตัวอย่าง: ทีมเก็บ Log ใน Storage Pub/Sub สตรีม Dataflow ประมวลผล BigQuery วิเคราะห์

แบบฝึก: ฝึก GCP Data Engineer

บทเรียน 2 ไปป์ไลน์ข้อมูลและการประสานงาน

Dataflow ประมวลผล Composer ประสานงาน Scheduler กำหนดเวลา Functions ตอบสนอง ออกแบบไปป์ไลน์แบบ Idempotent พร้อม Retry และ Monitoring ฝึกด้วยตัวอย่าง ทบทวนข้อผิดทุกครั้ง และทบทวนหัวข้อที่อ่อนที่สุดทุกสัปดาห์เพื่อพัฒนา

ตัวอย่าง

ตัวอย่าง: Scheduler เริ่ม Dataflow Template รายวัน Composer ประสานขั้นตอน ความล้มเหลวกระตุ้น Retry Alert

แบบฝึก: ฝึก GCP Data Engineer

บทเรียน 3 ML และการวิเคราะห์ขั้นสูง

BigQuery ML และ Vertex AI สร้างโมเดล Looker แสดงภาพ Notebook สำรวจ แบ่งข้อมูล ใช้ Batch Prediction และ Model Registry ฝึกด้วยตัวอย่าง ทบทวนข้อผิดทุกครั้ง และทบทวนหัวข้อที่อ่อนที่สุดทุกสัปดาห์เพื่อพัฒนา

ตัวอย่าง

ตัวอย่าง: BigQuery ML ทำนาย Churn Feature Store เก็บฟีเจอร์ Vertex AI เรียก Batch Prediction

แบบฝึก: ฝึก GCP Data Engineer

บทเรียน 4 ความปลอดภัยและการปฏิบัติตามข้อกำหนด

IAM ควบคุม KMS เข้ารหัส DLP ปกป้อง VPC-SC แยก ใช้สิทธิ์น้อยที่สุด การเข้ารหัส การตรวจสอบ ฝึกด้วยตัวอย่าง ทบทวนข้อผิดทุกครั้ง และทบทวนหัวข้อที่อ่อนที่สุดทุกสัปดาห์เพื่อพัฒนา

ตัวอย่าง

ตัวอย่าง: แพลตฟอร์มสุขภาพใช้ IAM KMS DLP VPC Service Controls และ Audit Log

แบบฝึก: ฝึก GCP Data Engineer

บทเรียน 5 ความน่าเชื่อถือ ต้นทุน และสถาปัตยกรรม

Monitoring Logging Quota Lifecycle รักษาความน่าเชื่อถือ สถาปัตยกรรมใช้ Batch Streaming Partition Data Catalog ฝึกด้วยตัวอย่าง ทบทวนข้อผิดทุกครั้ง และทบทวนหัวข้อที่อ่อนที่สุดทุกสัปดาห์เพื่อพัฒนา

ตัวอย่าง

ตัวอย่าง: ทีม Partition ตาราง BigQuery ตั้ง Lifecycle Storage เพิ่ม Budget Alert และ Monitoring Pipeline

แบบฝึก: ฝึก GCP Data Engineer