Data Warehousing for PartnersDWPGOGoogleGO-DWP1.6.2<ul>
<li>Diskussion der Schlüsselelemente des Google Data Warehouse-Lösungsportfolios und der Strategie.</li><li>Abbildung der Konzepte und Komponenten von Enterprise Data Warehouses auf BigQuery und Google-Datendienste.</li><li>Identifizierung von Best Practices für die Migration von Data Warehouses zu BigQuery und Demonstration der wichtigsten Fähigkeiten, die für eine erfolgreiche Migration erforderlich sind.</li><li>Implementieren Sie Datenlade- und -umwandlungspipelines für ein BigQuery Data Warehouse unter Verwendung der Datenverarbeitungs- und Integrationsdienste von Google.</li><li>Implementierung einer Streaming-Analyse-Lösung mit Pub/Sub, Dataflow und BigQuery.</li><li>Verwenden Sie Looker und LookML, um Berichte zu erstellen und Einblicke zu gewinnen.</li><li>Entdecken Sie die GIS-, GIS-Visualisierungs- und Machine Learning-Erweiterungen von BigQuery.</li></ul><p><strong>Erforderlich:</strong>
</p>
<ul>
<li>Sie haben die Schulung Data Engineering on Google Cloud abgeschlossen.</li><li>Sie sind ein Google Cloud Certified Professional Data Engineer oder verfügen über gleichwertige Kenntnisse im Bereich Data Engineering.</li><li>Sie haben Zugang zu Cloud Connect - Partner.</li></ul><p><strong>Empfohlen:</strong>
</p>
<ul>
<li>Erfahrung im Aufbau von Datenverarbeitungspipelines.</li><li>Erfahrung mit Apache Beam und Apache Hadoop.</li><li>Programmierkenntnisse in Java oder Python.</li></ul><p><strong>Organisatorische Anforderungen:</strong>
</p>
<ul>
<li>Die Cloud-Partner-Organisation muss zuvor mindestens eine Data-Warehouse-Lösung auf einer beliebigen Data-Warehouse-Plattform implementiert haben.</li></ul><p>Die Hauptzielgruppe für diesen Kurs sind Google Cloud Partner mit den folgenden relevanten Aufgabenbereichen:
</p>
<ul>
<li>Data Warehouse-Entwicklungsingenieure</li><li>Data-Warehouse-Berater</li><li>Data-Warehouse-Architekten</li></ul><p>Auch wenn diese Rollen nicht zur Kernzielgruppe gehören, kann der Kurs für sie relevant sein, wenn sie die Anforderungen erfüllen:
</p>
<ul>
<li>Technische Projektleiter</li><li>Technische Projektleiter</li><li>Daten-/Business-Analysten</li></ul><h4>Modul 1 - Data Warehouse-Lösungen in der Google Cloud</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>Implementierung von Big Data-Lösungen in der Google Cloud</li><li>Kundenbedürfnisse</li><li>Beispiel-Architekturen</li><li>Migrationsstrategien und -planung</li><li>Arbeiten mit PSO</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Beschreiben Sie das Google-Portfolio an Data Warehouse- und Datenverarbeitungsdiensten</li><li>Identifizierung der Google-Strategie für Data Warehouse-Produkte und -Dienstleistungen</li><li>Suche nach technischen Ressourcen für Data Warehouse-Partner</li></ul><h4>Modul 2 - BigQuery für Data Warehousing-Profis</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>BigQuery-Konzepte</li><li>BigQuery-Berechtigungen und Sicherheit</li><li>Überwachung und Rechnungsprüfung</li><li>Schema-Entwurf</li><li>Partitionierung und Clustering</li><li>Datenerfassung und Ladeaufträge</li><li>Umgang mit Veränderungen und langsam wechselnden Dimensionen</li><li>Daten abfragen</li><li>Verwaltung von Arbeitslasten und Gleichzeitigkeit</li><li>Analysieren von Daten</li><li>Dimensionierung und Kostenmanagement</li><li>Optimierung von Abfragen</li><li>Optimierung der Speicherung</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Beschreiben Sie die Schlüsselkomponenten einer erfolgreichen Data Warehouse-Implementierung auf BigQuery</li><li>Identifizieren von Best Practices für die Implementierung eines Data Warehouse mit BigQuery</li><li>Verwenden Sie die Google Cloud-Konsole für den Zugriff auf öffentliche Datensätze</li><li>Durchführung von Abfragen über die Konsole und Analyse der Abfrageergebnisse mit Hilfe von Client-Bibliotheken</li><li>Kombinieren Sie E-Commerce-Datensätze, um erweiterte Datensätze mit BigQuery-Joins und Unions zu erstellen.</li></ul><h4>Modul 3 - Umstellung auf BigQuery</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>Phasen der Migration</li><li>Sicherheit</li><li>Google Cloud Data Warehouse Architektur</li><li>Postmigration</li><li>Benutzerakzeptanz</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Bewertung eines bestehenden Data Warehouse und Entwicklung einer Strategie für die Migration zu BigQuery</li><li>Beschreiben Sie bewährte Verfahren für die Migration bestehender Data Warehouses zu BigQuery</li><li>Identifizierung der wichtigsten Ressourcen, Tools und Partner für die Migration zu BigQuery</li><li>Migrieren von SQL Server-Beispieldaten zu BigQuery mit Striim</li><li>Ermittlung von Ressourcen zur Übersetzung produktspezifischer SQL-Abfragen in BigQuery Standard SQL</li></ul><h4>Modul 4 - ETL-Werkzeuge und Positionierung</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>Dataproc</li><li>Cloud Data Fushion</li><li>Datenfluss</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Beschreiben Sie die wichtigsten Funktionen von Dataproc, Cloud Data Fusion und Dataflow</li><li>Apache Spark-Aufträge zu Dataproc migrieren</li><li>Best Practices für die Erstellung von Dataflow-Workflows mithilfe von Dataflow-Vorlagen ermitteln</li><li>Konfigurieren Sie Cloud Data Fusion, um eine Datenumwandlungspipeline zu erstellen, die mehrere Quellen mit BigQuery als Ausgabedaten-Senke verbindet.</li><li>Erstellen von Datenpipelines, die Daten aus dem Cloud-Speicher in BigQuery mithilfe von Dataflow einlesen</li></ul><h4>Modul 5 - Streaming-Analytik</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>Warum Streaming-Analytik?</li><li>Der Pub/Sub-Dienst</li><li>Datenflussfenster und Auslöser</li><li>Datenfluss-Quellen und -Senken</li><li>Herausforderungen bei Migration und Übernahme</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Identifizierung der Komponenten einer Streaming-Analytics-Lösung in der Google Cloud</li><li>Erstellen einer IoT-Streaming-Pipeline mit Pub/Sub und Kafka</li><li>Erforschung von Entwurfsmustern und Optimierungsüberlegungen für Streaming-Analytics-Lösungen</li><li>Erstellen und Ausführen einer Streaming-Dataflow-Pipeline, die Daten von Pub/Sub zu BigQuery überträgt, unter Verwendung einer Dataflow-Vorlage</li></ul><h4>Modul 6 - Einführung in Looker als Datenplattform</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>Überblick über die Looker-Plattform</li><li>Architektur der Looker-Plattform</li><li>Paradigmenwechsel: Modellierungssprache versus hartkodiertes SQL</li><li>Analytische Kernkonzepte</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Navigieren auf der Looker-Plattform</li><li>Beschreiben Sie die Architektur der Looker-Plattform</li><li>Entdecken Sie die Vorteile der Looker Modeling Language (LookML) gegenüber hart kodiertem SQL</li><li>Beschreiben Sie die vier wichtigsten analytischen Konzepte in Looker</li><li>Analysieren und Visualisieren von Daten mit Explores in Looker</li></ul><h4>Modul 7 - Erweiterte BigQuery-Funktionen</h4><p>
<strong>Themen:</strong>
</p>
<ul>
<li>BigQuery GIS</li><li>BigQuery ML</li></ul><p><strong>Zielsetzungen:</strong>
</p>
<ul>
<li>Beschreiben Sie die Hauptmerkmale von BigQuery GIS und BigQuery ML</li><li>Analysieren Sie Daten mit BigQuery-GIS-Funktionen und visualisieren Sie die Ergebnisse mit BigQuery Geo Viz</li><li>Trainieren und Bewerten eines ML-Modells mit BigQuery ML zur Vorhersage von Taxitarifen</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/google-dwp"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Diskussion der Schlüsselelemente des Google Data Warehouse-Lösungsportfolios und der Strategie.
- Abbildung der Konzepte und Komponenten von Enterprise Data Warehouses auf BigQuery und Google-Datendienste.
- Identifizierung von Best Practices für die Migration von Data Warehouses zu BigQuery und Demonstration der wichtigsten Fähigkeiten, die für eine erfolgreiche Migration erforderlich sind.
- Implementieren Sie Datenlade- und -umwandlungspipelines für ein BigQuery Data Warehouse unter Verwendung der Datenverarbeitungs- und Integrationsdienste von Google.
- Implementierung einer Streaming-Analyse-Lösung mit Pub/Sub, Dataflow und BigQuery.
- Verwenden Sie Looker und LookML, um Berichte zu erstellen und Einblicke zu gewinnen.
- Entdecken Sie die GIS-, GIS-Visualisierungs- und Machine Learning-Erweiterungen von BigQuery.Erforderlich:
- Sie haben die Schulung Data Engineering on Google Cloud abgeschlossen.
- Sie sind ein Google Cloud Certified Professional Data Engineer oder verfügen über gleichwertige Kenntnisse im Bereich Data Engineering.
- Sie haben Zugang zu Cloud Connect - Partner.
Empfohlen:
- Erfahrung im Aufbau von Datenverarbeitungspipelines.
- Erfahrung mit Apache Beam und Apache Hadoop.
- Programmierkenntnisse in Java oder Python.
Organisatorische Anforderungen:
- Die Cloud-Partner-Organisation muss zuvor mindestens eine Data-Warehouse-Lösung auf einer beliebigen Data-Warehouse-Plattform implementiert haben.Die Hauptzielgruppe für diesen Kurs sind Google Cloud Partner mit den folgenden relevanten Aufgabenbereichen:
- Data Warehouse-Entwicklungsingenieure
- Data-Warehouse-Berater
- Data-Warehouse-Architekten
Auch wenn diese Rollen nicht zur Kernzielgruppe gehören, kann der Kurs für sie relevant sein, wenn sie die Anforderungen erfüllen:
- Technische Projektleiter
- Technische Projektleiter
- Daten-/Business-AnalystenModul 1 - Data Warehouse-Lösungen in der Google Cloud
Themen:
- Implementierung von Big Data-Lösungen in der Google Cloud
- Kundenbedürfnisse
- Beispiel-Architekturen
- Migrationsstrategien und -planung
- Arbeiten mit PSO
Zielsetzungen:
- Beschreiben Sie das Google-Portfolio an Data Warehouse- und Datenverarbeitungsdiensten
- Identifizierung der Google-Strategie für Data Warehouse-Produkte und -Dienstleistungen
- Suche nach technischen Ressourcen für Data Warehouse-Partner
Modul 2 - BigQuery für Data Warehousing-Profis
Themen:
- BigQuery-Konzepte
- BigQuery-Berechtigungen und Sicherheit
- Überwachung und Rechnungsprüfung
- Schema-Entwurf
- Partitionierung und Clustering
- Datenerfassung und Ladeaufträge
- Umgang mit Veränderungen und langsam wechselnden Dimensionen
- Daten abfragen
- Verwaltung von Arbeitslasten und Gleichzeitigkeit
- Analysieren von Daten
- Dimensionierung und Kostenmanagement
- Optimierung von Abfragen
- Optimierung der Speicherung
Zielsetzungen:
- Beschreiben Sie die Schlüsselkomponenten einer erfolgreichen Data Warehouse-Implementierung auf BigQuery
- Identifizieren von Best Practices für die Implementierung eines Data Warehouse mit BigQuery
- Verwenden Sie die Google Cloud-Konsole für den Zugriff auf öffentliche Datensätze
- Durchführung von Abfragen über die Konsole und Analyse der Abfrageergebnisse mit Hilfe von Client-Bibliotheken
- Kombinieren Sie E-Commerce-Datensätze, um erweiterte Datensätze mit BigQuery-Joins und Unions zu erstellen.
Modul 3 - Umstellung auf BigQuery
Themen:
- Phasen der Migration
- Sicherheit
- Google Cloud Data Warehouse Architektur
- Postmigration
- Benutzerakzeptanz
Zielsetzungen:
- Bewertung eines bestehenden Data Warehouse und Entwicklung einer Strategie für die Migration zu BigQuery
- Beschreiben Sie bewährte Verfahren für die Migration bestehender Data Warehouses zu BigQuery
- Identifizierung der wichtigsten Ressourcen, Tools und Partner für die Migration zu BigQuery
- Migrieren von SQL Server-Beispieldaten zu BigQuery mit Striim
- Ermittlung von Ressourcen zur Übersetzung produktspezifischer SQL-Abfragen in BigQuery Standard SQL
Modul 4 - ETL-Werkzeuge und Positionierung
Themen:
- Dataproc
- Cloud Data Fushion
- Datenfluss
Zielsetzungen:
- Beschreiben Sie die wichtigsten Funktionen von Dataproc, Cloud Data Fusion und Dataflow
- Apache Spark-Aufträge zu Dataproc migrieren
- Best Practices für die Erstellung von Dataflow-Workflows mithilfe von Dataflow-Vorlagen ermitteln
- Konfigurieren Sie Cloud Data Fusion, um eine Datenumwandlungspipeline zu erstellen, die mehrere Quellen mit BigQuery als Ausgabedaten-Senke verbindet.
- Erstellen von Datenpipelines, die Daten aus dem Cloud-Speicher in BigQuery mithilfe von Dataflow einlesen
Modul 5 - Streaming-Analytik
Themen:
- Warum Streaming-Analytik?
- Der Pub/Sub-Dienst
- Datenflussfenster und Auslöser
- Datenfluss-Quellen und -Senken
- Herausforderungen bei Migration und Übernahme
Zielsetzungen:
- Identifizierung der Komponenten einer Streaming-Analytics-Lösung in der Google Cloud
- Erstellen einer IoT-Streaming-Pipeline mit Pub/Sub und Kafka
- Erforschung von Entwurfsmustern und Optimierungsüberlegungen für Streaming-Analytics-Lösungen
- Erstellen und Ausführen einer Streaming-Dataflow-Pipeline, die Daten von Pub/Sub zu BigQuery überträgt, unter Verwendung einer Dataflow-Vorlage
Modul 6 - Einführung in Looker als Datenplattform
Themen:
- Überblick über die Looker-Plattform
- Architektur der Looker-Plattform
- Paradigmenwechsel: Modellierungssprache versus hartkodiertes SQL
- Analytische Kernkonzepte
Zielsetzungen:
- Navigieren auf der Looker-Plattform
- Beschreiben Sie die Architektur der Looker-Plattform
- Entdecken Sie die Vorteile der Looker Modeling Language (LookML) gegenüber hart kodiertem SQL
- Beschreiben Sie die vier wichtigsten analytischen Konzepte in Looker
- Analysieren und Visualisieren von Daten mit Explores in Looker
Modul 7 - Erweiterte BigQuery-Funktionen
Themen:
- BigQuery GIS
- BigQuery ML
Zielsetzungen:
- Beschreiben Sie die Hauptmerkmale von BigQuery GIS und BigQuery ML
- Analysieren Sie Daten mit BigQuery-GIS-Funktionen und visualisieren Sie die Ergebnisse mit BigQuery Geo Viz
- Trainieren und Bewerten eines ML-Modells mit BigQuery ML zur Vorhersage von TaxitarifenDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.4 Tage2495.002600.002600.002600.002640.002600.003445.003170.002600.00