Menjadi anggota sejak 2024
Membangun Data Warehouse dengan BigQuery
Earned Jul 7, 2024 EDT
Panduan Awal Menggunakan 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 Mei 16, 2024 EDT
Selesaikan badge keahlian tingkat menengah Membangun Data Warehouse dengan BigQuery untuk menunjukkan keterampilan Anda dalam hal berikut: menggabungkan data untuk membuat tabel baru, memecahkan masalah penggabungan, menambahkan data dengan union, membuat tabel berpartisi tanggal, serta menggunakan JSON, array, dan struct di BigQuery. Badge keahlian adalah badge digital eksklusif yang diberikan oleh Google Cloud sebagai pengakuan atas kemahiran Anda dalam menggunakan produk dan layanan Google Cloud serta menguji kemampuan Anda dalam menerapkan pengetahuan di lingkungan yang interaktif. Selesaikan kursus badge keahlian ini dan challenge lab penilaian akhir, untuk menerima badge keahlian yang dapat Anda bagikan dengan jaringan Anda.
Dapatkan badge keahlian dengan menyelesaikan quest Panduan Awal Menggunakan Pub/Sub, dan pelajari cara menggunakan Pub/Sub melalui Konsol Cloud, cara tugas Cloud Scheduler dapat menghemat tenaga Anda, dan cara Pub/Sub Lite dapat menghemat uang Anda dalam penyerapan peristiwa bervolume besar. Badge keahlian adalah badge digital eksklusif yang diberikan oleh Google Cloud sebagai pengakuan atas kemahiran Anda dalam menggunakan produk dan layanan Google Cloud serta menguji kemampuan Anda dalam menerapkan pengetahuan di lingkungan praktis yang interaktif. Selesaikan Badge Keahlian ini dan challenge lab penilaian akhirnya untuk menerima badge keahlian yang dapat Anda bagikan dengan jaringan Anda.
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.