Mitglied seit 2024
Data Warehouse mit BigQuery erstellen
Earned Jul 7, 2024 EDT
Erste Schritte mit Pub/Sub
Earned Jul 4, 2024 EDT
Building Batch Data Pipelines on Google Cloud
Earned Jul 2, 2024 EDT
Serverless Data Processing with Dataflow: Foundations
Earned Mai 16, 2024 EDT
Mit dem Skill-Logo zum Kurs Data Warehouse mit BigQuery erstellen weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Daten zusammenführen, um neue Tabellen zu erstellen, Probleme mit Joins lösen, Daten mit Unions anhängen, nach Daten partitionierte Tabellen erstellen und JSON, Arrays sowie Strukturen in BigQuery nutzen. Ein Skill-Logo ist ein exklusives digitales Abzeichen, das von Google Cloud vergeben wird und Ihre Kenntnisse über unsere Produkte und Dienste belegt. In diesem Zusammenhang wird auch die Fähigkeit bewertet, wie Sie Ihr Wissen in einer praxisnahen Geschäftssituation anwenden. Absolvieren Sie eine kursspezifische Aufgabenreihe und die Challenge-Lab-Prüfung, um ein Skill-Logo zu erhalten, das Sie in Ihrem Netzwerk posten können.
Sichern Sie sich ein Skill-Logo, indem Sie die Aufgabenreihe Erste Schritte mit Pub/Sub abschließen. Dabei lernen Sie, wie Sie Pub/Sub über die Cloud Console verwenden, wie Cloud Scheduler-Jobs Ihnen die Arbeit erleichtern können und in welchen Fällen Sie mit Pub/Sub Lite bei der Aufnahme von Ereignissen in großen Volumen Geld sparen können. Ein Skill-Logo ist ein exklusives digitales Abzeichen, das von Google Cloud ausgestellt wird und Ihre Kenntnisse über unsere Produkte und Dienste belegt. In diesem Zusammenhang wird auch die Fähigkeit bewertet, wie Sie Ihr Wissen in einer interaktiven praxisnahen Geschäftssituation anwenden. Absolvieren Sie diese Skill-Badge-Aufgabenreihe und die Challenge-Lab-Prüfung, um ein digitales Logo zu erhalten, das Sie in Ihrem Netzwerk posten können.
Data pipelines typically fall under one of the Extract and Load (EL), Extract, Load and Transform (ELT) or Extract, Transform and Load (ETL) paradigms. This course describes which paradigm should be used and when for batch data. Furthermore, this course covers several technologies on Google Cloud for data transformation including BigQuery, executing Spark on Dataproc, pipeline graphs in Cloud Data Fusion and serverless data processing with Dataflow. Learners get hands-on experience building data pipeline components on Google Cloud using Qwiklabs.
This course is part 1 of a 3-course series on Serverless Data Processing with Dataflow. In this first course, we start with a refresher of what Apache Beam is and its relationship with Dataflow. Next, we talk about the Apache Beam vision and the benefits of the Beam Portability framework. The Beam Portability framework achieves the vision that a developer can use their favorite programming language with their preferred execution backend. We then show you how Dataflow allows you to separate compute and storage while saving money, and how identity, access, and management tools interact with your Dataflow pipelines. Lastly, we look at how to implement the right security model for your use case on Dataflow.