نظرة عامة على دورة مهندس البيانات المحترف في سحابة Google
يسمح مهندس البيانات الاحترافي في Google Cloud - مصمم المعلومات المحترف باتخاذ خيارات تعتمد على البيانات من خلال جمع المعلومات وتحويلها ونشرها أيضا. يجب أن يتمتع مصمم البيانات بالقدرة على تصميم وبناء وتشغيل وحماية وفحص أنظمة معالجة المعلومات مع التركيز بشكل خاص على الأمان والمطابقة ؛ قابلية التوسع وكذلك الأداء ؛ النزاهة والنزاهة أيضا ؛ والمرونة وقابلية النقل. يجب أن يكون مهندس المعلومات قادرا أيضا على استخدام تصميمات تعلم المعدات الموجودة مسبقا ونشرها وتدريبها باستمرار. يعتبر معهد زعبيل أفضل معهد تدريب في دبي لدورة مهندس البيانات الاحترافي في Google cloud.
يقيم اختبار مهندس البيانات المتخصص قدرتك على:
تخطيط أنظمة معالجة البيانات
تطوير وتشغيل نظم معالجة المعلومات
تفعيل نماذج التعلم الآلي
ضمان أعلى جودة للعلاج
يقدم معهد زعبيل الدولي لتكنولوجيا الإدارة طلبا مرتفعا في دورات تكنولوجيا المعلومات وصناعة إدارة التكنولوجيا. نحن واحدة من أفضل معاهد التدريب في دبي .
1. تصميم أنظمة معالجة البيانات 1.1 اختيار ابتكارات مساحة التخزين المناسبة. تشمل العوامل التي يجب مراعاتها ما يلي:
تعيين أنظمة التخزين لمتطلبات المؤسسة
نمذجة المعلومات
المفاضلات التي تنطوي على زمن الوصول والإنتاجية والمعاملات
أنظمة مشتتة
نمط المخطط
1.2 إنشاء خطوط أنابيب المعلومات. تشمل العوامل التي يجب مراعاتها ما يلي:
نشر المعلومات وتصورها (على سبيل المثال، BigQuery).
دفعة وكذلك تدفق البيانات (على سبيل المثال ، Cloud Dataflow ، Cloud Dataproc ، Apache Beam Of Light ، Apache Flicker بالإضافة إلى بيئة Hadoop ، Cloud Pub / Sub ، Apache Kafka).
عبر الإنترنت (تفاعلي) مقابل مجموعة التنبؤات.
أتمتة العمل وكذلك التنسيق (على سبيل المثال ، Cloud Author).
1.3 تصميم علاج معالجة البيانات. تشمل العوامل التي يجب مراعاتها ما يلي:
خيار البنية التحتية.
توافر النظام وكذلك التسامح مع الخطأ.
استخدم أنظمة مشتتة.
تخطيط القدرات.
سحابة التهجين وكذلك حافة الكمبيوتر.
بدائل التصميم (على سبيل المثال ، وسطاء الرسائل ، وخطوط الرسائل ، والبرامج الوسيطة ، والتصميم الموجه نحو الخدمة ، ووظائف الخادم الأقل).
مرة واحدة على الأقل ، بالترتيب ، وأيضا على وجه التحديد في أقرب وقت ، وما إلى ذلك ، معالجة الحدث.
1.4 نقل تخزين البيانات وكذلك معالجة البيانات. العوامل التي يجب مراعاتها تتكون من:
فهم الحالة الحالية وكذلك كيفية نقل نمط إلى حالة مستقبلية.
الانتقال من أماكن العمل إلى السحابة (حل نقل المعلومات ونقل الأجهزة المنزلية والشبكات السحابية).
التحقق من صحة الترحيل.
2. بناء وتشغيل أنظمة معالجة البيانات. 2.1 بناء وتشغيل أنظمة التخزين. تشمل العوامل التي يجب مراعاتها ما يلي:
الاستخدام الموثوق للخدمات المدارة (Cloud Bigtable و Cloud Spanner و Cloud SQL و BigQuery و Cloud Storage Space و Cloud Datastore و Cloud Memorystore).
نفقات مساحة التخزين والأداء.
مراقبة دورة حياة البيانات.
2.2 بناء وتشغيل خطوط الأنابيب. تشمل الاعتبارات:
تطهير المعلومات.
تعيين وتدفق أيضا.
تغيير.
شراء المعلومات واستيرادها أيضا.
الدمج مع مصادر المعلومات الجديدة تماما.
2.3 بناء وتشغيل مرافق المناولة. تشمل العوامل التي يجب مراعاتها ما يلي:
توفير المصادر.
أنابيب المراقبة.
تغيير خطوط الأنابيب.
الاختبار وكذلك ضمان الجودة.
3. تفعيل تصاميم التعلم الآلي. 3.1 الاستفادة من تصميمات ML مسبقة الصنع كحل. تشمل العوامل التي يجب مراعاتها ما يلي:
واجهات برمجة تطبيقات ML (على سبيل المثال ، Vision API ، Speech API).
تخصيص واجهات برمجة تطبيقات التعلم الآلي (على سبيل المثال، AutoML Vision، Auto ML message).
تجارب المحادثة (على سبيل المثال ، Dialogflow).
3.2 تحرير أنبوب ML. العوامل التي يجب مراعاتها تتكون من:
استهلاك البيانات المناسبة.
إعادة تدريب تصميمات الذكاء الاصطناعي (محرك الذكاء الاصطناعي السحابي ، BigQuery ML ، Kubeflow ، Glow ML).
تحليل مستمر.
3.3 اختيار التدريب المناسب وكذلك إطار الخدمة. العوامل التي يجب مراعاتها تتكون من:
المعدات الموزعة مقابل المعدات الانفرادية.
استخدام حوسبة الحافة.
مسرعات الأجهزة (على سبيل المثال ، GPU ، TPU).
3.4 قياس ومراقبة وإصلاح إصدارات الذكاء الاصطناعي أيضا. تتكون الاعتبارات من:
مصطلحات اكتشاف المعدات (على سبيل المثال ، السمات ، والعلامات ، والتصميمات ، والانحدار ، والفئة ، والاقتراح ، والمراقبة ، وكذلك التعلم الذي لا تتم مراقبته ، ومقاييس التقييم).
تأثير تبعيات نماذج الذكاء الاصطناعي.
الموارد النموذجية للخطأ (على سبيل المثال ، الافتراضات المتعلقة بالبيانات).
4. جعل خدمة معينة أعلى جودة. 4.1 التصميم من أجل السلامة وكذلك المطابقة. تشمل العوامل التي يجب مراعاتها ما يلي:
الهوية وكذلك الوصول إلى المراقبة (على سبيل المثال ، Cloud IAM).
حماية البيانات (الأمن ، إدارة المفاتيح).
التأكد من الخصوصية الشخصية (على سبيل المثال ، واجهة برمجة تطبيقات منع فقدان المعلومات).
المطابقة القانونية (على سبيل المثال ، قابلية نقل التأمين الصحي وكذلك قانون المساءلة (HIPAA) ، قانون حماية خصوصية الأطفال على الإنترنت (COPPA) ، FedRAMP ، إرشادات أمان البيانات العامة (GDPR)).
4.2 ضمان قابلية التوسع والكفاءة أيضا. العوامل التي يجب مراعاتها تتكون من:.
هيكل وتشغيل مجموعات الاختبار.
مراقبة خطوط الأنابيب (على سبيل المثال ، Stackdriver).
التقييم واستكشاف الأخطاء وإصلاحها بالإضافة إلى تحسين تصوير المعلومات والبنية التحتية لمعالجة البيانات.
تغيير حجم المصادر وكذلك تحجيمها تلقائيا.
4.3 ضمان الاعتمادية وكذلك الإخلاص. تشمل الاعتبارات:
أداء أعمال إعداد البيانات وكذلك ضمان الجودة (على سبيل المثال ، Cloud Dataprep).
التحقق والتتبع أيضا.
التخطيط ، والتنفيذ ، وكذلك استعادة معلومات اختبار التوتر (التسامح مع الخطأ ، وإعادة تشغيل المهام القصيرة ، والقيام بإعادة التحليل بأثر رجعي).
الاختيار بين ACID ، idempotent ، الاحتياجات المستمرة في نهاية المطاف.
4.4 التأكد من القدرة على التكيف وكذلك قابلية النقل. تتكون الاعتبارات من:
رسم الخرائط لمتطلبات المنظمة الحالية والمستقبلية.
التصميم من أجل المعلومات وكذلك قابلية نقل التطبيقات (على سبيل المثال ، متطلبات موقع المعلومات متعددة السحابة).
تنظيم المعلومات والفهرسة والاستكشاف أيضا.
حول اختبار الشهادة هذا ومهندس البيانات المحترف في Google cloud
الحجم: 2 ساعة.
تكلفة التسجيل: 200 دولار (بالإضافة إلى الضريبة عند الاقتضاء).
اللغات: الإنكليزية، اليابانية.
أسلوب الامتحان: خيارات متعددة وأيضا العديد من الاختيارات المأخوذة من مكان آخر أو شخصيا في منشأة الامتحان.
نهج توزيع الامتحانات:.
خذ الاختبار المراقب عبر الإنترنت من مكان بعيد ، وقم بتقييم متطلبات الاختبار عبر الإنترنت.
خذ الفحص المراقب في الموقع في منشأة اختبار. المتطلبات الأساسية: لا يوجد.
الخبرة الموصى بها: 3+ سنوات من الخبرة في الصناعة تتكون من 1+ سنوات صنع وإدارة الخدمات باستخدام GCP.
