Teilnehmen Anmelden

Ihre Kompetenzen in der Google Cloud Console anwenden

Harinee Mohanakrishnan

Mitglied seit 2025

Diamond League

40587 Punkte
Serverlose Anwendungen in Cloud Run entwickeln Earned Sep 29, 2025 EDT
Kubernetes-Anwendungen in Google Cloud bereitstellen Earned Sep 29, 2025 EDT
Google Cloud-Grundlagen: Kerninfrastruktur Earned Sep 28, 2025 EDT
Data Warehouse mit BigQuery erstellen Earned Jun 16, 2025 EDT
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten Earned Jun 15, 2025 EDT
Daten für ML-APIs in Google Cloud vorbereiten Earned Jun 11, 2025 EDT
Gemini-Modelle in BigQuery nutzen Earned Jun 11, 2025 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Jun 1, 2025 EDT
Build Streaming Data Pipelines on Google Cloud Earned Jun 1, 2025 EDT
Build Batch Data Pipelines on Google Cloud Earned Mai 30, 2025 EDT
Build Data Lakes and Data Warehouses on Google Cloud Earned Mai 30, 2025 EDT
Einführung in Data Engineering in Google Cloud Earned Mai 30, 2025 EDT
Serverless Data Processing with Dataflow: Foundations Earned Mai 29, 2025 EDT
Preparing for your Professional Data Engineer Journey Earned Mai 25, 2025 EDT

Mit dem Skill-Logo Serverlose Anwendungen in Cloud Run entwickeln weisen Sie Kenntnisse in den folgenden Bereichen nach: Cloud Run für Datenmanagement in Cloud Storage integrieren, mit Cloud Run und Pub/Sub die Architektur von asynchronen, ausfallsicheren Systemen erstellen, REST API-Gateways basierend auf Cloud Run aufbauen und Dienste auf Cloud Run entwickeln und bereitstellen.

Weitere Informationen

Mit dem Skill-Logo Kubernetes-Anwendungen in Google Cloud bereitstellen weisen Sie Kenntnisse in folgenden Bereichen nach: Konfigurieren und Erstellen von Docker-Container-Images, Erstellen und Verwalten von Google Kubernetes Engine-Clustern, Verwenden von kubectl für eine effiziente Clusterverwaltung und Bereitstellen von Kubernetes-Anwendungen mit leistungsfähigen Continuous Delivery-Abläufen.

Weitere Informationen

In „Google Cloud-Grundlagen: Kerninfrastruktur“ werden wichtige Konzepte und die Terminologie für die Arbeit mit Google Cloud vorgestellt. In Videos und praxisorientierten Labs werden viele Computing- und Speicherdienste von Google Cloud sowie wichtige Tools für die Ressourcen- und Richtlinienverwaltung präsentiert und miteinander verglichen.

Weitere Informationen

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.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Erstellen von Pipelines für die Datentransformation nach BigQuery mithilfe von Dataprep von Trifacta; Extrahieren, Transformieren und Laden (ETL) von Workflows mit Cloud Storage, Dataflow und BigQuery; und Erstellen von Machine-Learning-Modellen mithilfe von BigQuery ML.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Daten für ML-APIs in Google Cloud vorbereiten weisen Sie Grundkenntnisse in folgenden Bereichen nach: Bereinigen von Daten mit Dataprep von Trifacta, Ausführen von Datenpipelines in Dataflow, Erstellen von Clustern und Ausführen von Apache Spark-Jobs in Dataproc sowie Aufrufen von ML-APIs, einschließlich der Cloud Natural Language API, Cloud Speech-to-Text API und Video Intelligence API.

Weitere Informationen

In diesem Kurs wird gezeigt, wie Sie KI-/ML-Modelle für Aufgaben basierend auf generativer KI in BigQuery verwenden. Anhand eines praktischen Anwendungsfalls zum Customer-Relationship-Management lernen Sie den Workflow zur Lösung eines Geschäftsproblems mit Gemini-Modellen kennen. Zur besseren Nachvollziehbarkeit bietet der Kurs auch eine Schritt-für-Schritt-Anleitung für das Programmieren von Lösungen mithilfe von SQL-Abfragen und Python-Notebooks.

Weitere Informationen

Incorporating machine learning into data pipelines increases the ability to extract insights from data. This course covers ways machine learning can be included in data pipelines on Google Cloud. For little to no customization, this course covers AutoML. For more tailored machine learning capabilities, this course introduces Notebooks and BigQuery machine learning (BigQuery ML). Also, this course covers how to productionalize machine learning solutions by using Vertex AI.

Weitere Informationen

In this course you will get hands-on in order to work through real-world challenges faced when building streaming data pipelines. The primary focus is on managing continuous, unbounded data with Google Cloud products.

Weitere Informationen

In this intermediate course, you will learn to design, build, and optimize robust batch data pipelines on Google Cloud. Moving beyond fundamental data handling, you will explore large-scale data transformations and efficient workflow orchestration, essential for timely business intelligence and critical reporting. Get hands-on practice using Dataflow for Apache Beam and Serverless for Apache Spark (Dataproc Serverless) for implementation, and tackle crucial considerations for data quality, monitoring, and alerting to ensure pipeline reliability and operational excellence. A basic knowledge of data warehousing, ETL/ELT, SQL, Python, and Google Cloud concepts is recommended.

Weitere Informationen

While the traditional approaches of using data lakes and data warehouses can be effective, they have shortcomings, particularly in large enterprise environments. This course introduces the concept of a data lakehouse and the Google Cloud products used to create one. A lakehouse architecture uses open-standard data sources and combines the best features of data lakes and data warehouses, which addresses many of their shortcomings.

Weitere Informationen

In diesem Kurs lernen Sie Data Engineering on Google Cloud sowie die Rollen und Verantwortlichkeiten von Data Engineers kennen und sehen, wie diese mit den Angeboten von Google Cloud zusammenhängen. Außerdem erfahren Sie, wie Sie Herausforderungen im Bereich Data Engineering meistern können.

Weitere Informationen

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.

Weitere Informationen

This course helps learners create a study plan for the PDE (Professional Data Engineer) certification exam. Learners explore the breadth and scope of the domains covered in the exam. Learners assess their exam readiness and create their individual study plan.

Weitere Informationen