From Data to Insights with Google Cloud Platform (DIGCP) – Details

Detaillierter Kursinhalt

Modul 1: Einführung in Daten auf der Google Cloud Platform

• Hervorhebung von Analytics-Herausforderungen für Datenanalysten
• Vergleich von Big Data vor Ort mit Big Data in der Cloud
• Erläuterung realer Anwendungsfälle von Unternehmen, die durch Analytics in der Cloud eine Transformation durchlaufen haben
• Projektgrundlagen von Google Cloud Platform
• Lab: Erste Schritte mit Google Cloud Platform

Modul 2: Überblick über Big-Data-Tools

• Anleitung für die Aufgaben und Herausforderungen von Datenanalysten und Einführung in die Datentools der Google Cloud Platform
• Demo: 10 Milliarden Datensätze mit Google BigQuery analysieren
• 9 grundlegende Funktionen in Google BigQuery untersuchen
• GCP-Tools für Analysten, Data Scientists und Data Engineers vergleichen
• Lab: Datasets mit Google BigQuery untersuchen

Modul 3: Daten mit SQL erkunden

• Gängige Techniken der Datenexploration vergleichen
• Qualitativ hochwertiges Standard-SQL codieren
• Öffentliche Datasets von Google BigQuery untersuchen
• Vorschau der Visualisierung: Google Data Studio
• Lab: Gängige SQL-Fehler beheben

Modul 4: Preisgestaltung von Google BigQuery

• Anleitung für einen Job in BigQuery
• Preise von BigQuery berechnen: Kosten für Speicherung, Abfrage und Streaming
• Abfragen nach Kosten optimieren
• Lab: Preise von Google BigQuery berechnen

Modul 5: Daten bereinigen und transformieren

• Die fünf Prinzipien der Integrität von Datasets
• Dataset-Form und -Verzerrung charakterisieren
• Daten mit SQL bereinigen und transformieren
• Daten mit neuer UI bereinigen und transformieren: Einführung in Cloud Dataprep
• Lab: Daten mit Cloud Dataprep untersuchen und gestalten

Modul 6: Daten speichern und exportieren

• Permanente und temporäre Tabellen vergleichen
• Abfrageergebnisse speichern und exportieren
• Leistungsvorschau: Abfragecache
• Lab: Neue permanente Tabellen erstellen

Modul 7: Neue Datasets in Google BigQuery aufnehmen

• Externe Datenquellen abfragen
• Probleme bei der Datenaufnahme vermeiden
• Neue Daten in permanente Tabellen aufnehmen
• Streaming-Insert-Anweisungen diskutieren
• Lab: Neue Datasets aufnehmen und abfragen

Modul 8: Datenvisualisierung

• Übersicht zu den Prinzipien der Datenvisualisierung
• Exploratorischer und erklärender Analyseansatz im Vergleich
• Demo: UI von Google Data Studio
• Google Data Studio und Google BigQuery verbinden
• Lab: Dataset in Google Data Studio untersuchen

Modul 9: Datasets verbinden und zusammenführen

• Verlaufsdatentabellen mit UNION zusammenführen
• Einführung in Tabellenplatzhalter für einfache Zusammenführungen
• Datenschemata überprüfen: Daten über mehrere Tabellen hinweg verknüpfen
• Anleitung zu JOIN-Beispielen und Problemen
• Lab: Daten aus mehreren Tabellen verbinden und zusammenführen

Modul 10: Fortgeschrittene Funktionen und Klauseln

• SQL-Fallanweisungen überprüfen
• Einführung in analytische Fensterfunktionen
• Datensicherung mit unidirektionaler Feldverschlüsselung
• Effektives Design für Unterabfragen und CTE
• SQL- und JavaScript-UDFs im Vergleich
• Lab: Mit erweiterten SQL-Funktionen Erkenntnisse ableiten

Modul 11: Schemadesign und verschachtelte Datenstrukturen

• Google BigQuery und herkömmliche RDBMS-Datenarchitekturen im Vergleich
• Normalisierung und Denormalisierung im Vergleich: Leistungskompromisse
• Schemaüberprüfung: Gute und schlechte Schemata
• Arrays und verschachtelte Daten in Google BigQuery
• Lab: Verschachtelte und wiederkehrende Daten abrufen

Modul 12: Mehr Visualisierung mit Google Data Studio

• Fallanweisungen und berechnete Felder erstellen
• Überlegungen zum Cache und der Vermeidung von Leistungsproblemen
• Dashboards teilen und Überlegungen zum Datenzugriff diskutieren

Modul 13: Leistungsoptimierung

• Leistungsprobleme von Google BigQuery vermeiden
• Hotspots in Ihren Daten verhindern
• Mit der Query Explanation Map Leistungsprobleme diagnostizieren
• Lab: Abfrageleistung optimieren und Fehler beheben

Modul 14: Datenzugriff

• Dataset-Rollen in IAM und BigQuery im Vergleich
• Zugriffsprobleme vermeiden
• Mitglieder, Rollen, Organisationen, Kontoverwaltung und Dienstkonten überprüfen

Modul 15: Notebooks in der Cloud

• Cloud Datalab
• Compute Engine und Cloud Storage
• Lab: VM zum Verarbeiten von Erdbebendaten mieten
• Datenanalyse mit BigQuery

Modul 16: Maschinelles Lernen bei Google

• Einführung in maschinelles Lernen für Analysten
• Mit vortrainierten ML APIs für Bild- und Textverständnis üben
• Lab: Vortrainierte ML APIs

Modul 17: Maschinelles Lernen auf Ihre Datasets anwenden (BQML)

• ML-Datasets erstellen und Merkmale analysieren
• Modelle für die Klassifizierung und Prognose mit BQML erstellen
• Lab: Kaufverhalten von Websitebesuchern mit einem Klassifizierungsmodell in BQML vorhersagen
• Lab: Taxikosten mit einem ML-Prognosemodell in BigQuery vorhersagen