Tom Wilson
회원 가입일: 2026
다이아몬드 리그
17046포인트
신뢰할 수 있는 Google Cloud 인프라: 설계 및 프로세스
Earned 8월 17, 2026 EDT
Google Cloud에서 보안 관리하기
Earned 8월 14, 2026 EDT
Google Cloud의 네트워킹: 하이브리드 및 멀티 클라우드
Earned 8월 8, 2026 EDT
Google Cloud의 네트워킹: 네트워크 아키텍처
Earned 8월 7, 2026 EDT
Google Cloud의 네트워킹: 기초
Earned 8월 7, 2026 EDT
Professional Cloud Architect 여정 준비하기
Earned 8월 4, 2026 EDT
개발자를 위한 책임감 있는 AI: 개인 정보 보호 및 안전
Earned 8월 4, 2026 EDT
개발자를 위한 책임감 있는 AI: 해석 가능성 및 투명성
Earned 8월 3, 2026 EDT
개발자를 위한 책임감 있는 AI: 공정성 및 편향
Earned 8월 3, 2026 EDT
Google Cloud에서 생성형 AI 앱 만들기
Earned 8월 2, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps): 모델 평가
Earned 8월 1, 2026 EDT
생성형 AI를 위한 머신러닝 작업(MLOps)
Earned 8월 1, 2026 EDT
대규모 언어 모델 소개
Earned 8월 1, 2026 EDT
생성형 AI 소개
Earned 8월 1, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps) 기능 관리
Earned 8월 1, 2026 EDT
머신러닝 작업(MLOps): 시작하기
Earned 7월 31, 2026 EDT
프로덕션 머신러닝 시스템
Earned 7월 31, 2026 EDT
Google Cloud 운영으로 확장하기
Earned 7월 27, 2026 EDT
Google Cloud를 통한 신뢰 및 보안
Earned 7월 26, 2026 EDT
Google Cloud로 인프라 및 애플리케이션 현대화
Earned 7월 26, 2026 EDT
Google Cloud 인공지능으로 혁신하기
Earned 7월 26, 2026 EDT
Google Cloud를 통한 데이터 혁신 살펴보기
Earned 7월 26, 2026 EDT
Google Cloud를 통한 디지털 혁신
Earned 7월 25, 2026 EDT
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 7월 25, 2026 EDT
BigQuery ML로 ML 모델 만들기
Earned 7월 24, 2026 EDT
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 7월 24, 2026 EDT
Google Cloud의 AI 및 머신러닝 소개
Earned 7월 23, 2026 EDT
자격증 학습 가이드 만들기: PMLE
Earned 7월 21, 2026 EDT
BigQuery에서 Gemini 모델 사용하기
Earned 7월 19, 2026 EDT
BigQuery의 Gemini로 생산성 향상
Earned 7월 19, 2026 EDT
Knowledge Catalog로 데이터 메시 빌드하기
Earned 7월 18, 2026 EDT
Dataflow를 사용한 서버리스 데이터 처리: 운영
Earned 7월 17, 2026 EDT
Dataflow를 사용한 서버리스 데이터 처리: 파이프라인 개발
Earned 7월 13, 2026 EDT
Dataflow를 사용한 서버리스 데이터 처리: 기초
Earned 7월 13, 2026 EDT
Google Cloud에서 스트리밍 데이터 파이프라인 빌드하기
Earned 7월 13, 2026 EDT
BigQuery로 데이터 웨어하우스 빌드
Earned 7월 13, 2026 EDT
Google Cloud에서 일괄 데이터 파이프라인 빌드하기
Earned 7월 13, 2026 EDT
Google Cloud에서 데이터 레이크와 데이터 웨어하우스 빌드하기
Earned 7월 12, 2026 EDT
Google Cloud의 데이터 엔지니어링 입문
Earned 7월 7, 2026 EDT
Professional Data Engineer 여정 준비하기
Earned 7월 4, 2026 EDT
이 과정에서는 학습자가 검증된 설계 패턴을 사용하여 Google Cloud에서 고도로 안정적이고 효율적인 솔루션을 빌드하는 데 필요한 역량을 기를 수 있습니다. 'Google Compute Engine으로 설계하기' 또는 'Google Kubernetes Engine으로 설계하기' 과정에서 이어지는 내용이며, 학습자가 두 과정에서 다루는 기술을 실무에서 사용해 본 경험이 있다는 전제로 진행됩니다. 학습자는 프레젠테이션, 설계 활동, 실무형 실습을 통해 고도로 안정적이고 안전하고 비용 효율적이며 가용성이 높은 Google Cloud 배포를 설계하는 데 필요한 비즈니스 요구사항과 기술 요구사항을 정의하고 이 사이의 적절한 균형을 유지하는 방법을 익힐 수 있습니다.
자세히 알아보기
이 자기 주도형 교육 과정은 수강생이 Google Cloud의 보안 제어 및 기술을 폭넓게 학습할 수 있도록 구성되어 있습니다. 수강생은 녹화 강의, 데모, 실습을 통해 Cloud ID, Resource Manager, IAM, 가상 프라이빗 클라우드(VPC) 방화벽, Cloud Load Balancing, Cloud Peering, Cloud Interconnect, VPC 서비스 제어처럼 안전한 Google Cloud 솔루션의 구성요소를 탐색하고 직접 배포해 봅니다.
이 과정은 'Google Cloud의 보안' 시리즈의 첫 번째 과정입니다. 이 과정을 완료한 후에는 'Google Cloud 보안 권장사항' 과정도 수강하세요.
자세히 알아보기
'Google Cloud의 네트워킹' 시리즈의 여섯 번째 과정인 하이브리드 및 멀티 클라우드에 오신 것을 환영합니다. 첫 번째 모듈에서는 다양한 클라우드 연결 옵션을 살펴보고 Cloud Interconnect의 다양한 유형과 기능을 자세히 알아봅니다. 두 번째 모듈에서는 Cloud VPN에 대해 다루며 고가용성 VPN 토폴로지 구현과 간소화된 관리를 위한 네트워크 연결 센터(NCC)를 살펴봅니다. 이 과정을 마치면 온프레미스 및 기타 클라우드 네트워크를 Google Cloud로 확장하는 데 사용할 수 있는 여러 연결 옵션을 설명하고 다양한 Google Cloud 하이브리드 및 멀티 클라우드 연결 서비스의 특정 사용 사례에 대한 적합성을 분석할 수 있게 됩니다. 그럼 시작해 볼까요?
자세히 알아보기
'Google Cloud의 네트워킹' 시리즈의 세 번째 과정인 '네트워크 아키텍처'에 오신 것을 환영합니다.
이 과정에서는 Google Cloud 내에서 효율적이고 확장 가능한 네트워크 아키텍처를 설계하기 위한 기본적인 사항을 살펴봅니다.
첫 번째 모듈인 '네트워크 아키텍처 소개'에서는 먼저 서브넷, 경로, 방화벽, 부하 분산 등 네트워크 아키텍처의 핵심 구성요소와 개념을 소개합니다.
두 번째 모듈인 '네트워크 토폴로지'에서는 Google Cloud에서 일반적으로 사용되는 다양한 네트워크 토폴로지를 살펴보고 장단점을 설명합니다.
자세히 알아보기
'Google Cloud의 네트워킹' 과정은 6부로 구성되어 있습니다. 6부로 구성된 과정의 첫 번째 순서인 'Google Cloud의 네트워킹: 기초'에 오신 것을 환영합니다.
이 과정에서는 네트워킹 기초, 가상 프라이빗 클라우드(VPC), VPC 네트워크 공유 등 핵심 네트워킹 개념을 포괄적으로 소개합니다. 또한 네트워크 로깅 및 모니터링 기법에 대해서도 알아봅니다.
자세히 알아보기
이 과정은 학습자가 Professional Cloud Architect(PCA) 자격증 시험을 준비하는 학습 계획을 수립하는 데 도움을 줍니다. 학습자는 시험에서 다루는 분야와 범위를 탐구하고. 본인의 시험 준비 상태를 평가하며, 개별 학습 계획을 수립합니다.
자세히 알아보기
이 과정에서는 AI 개인 정보 보호 및 안전에 관한 중요한 주제를 소개합니다. Google Cloud 제품과 오픈소스 도구를 사용하여 AI 개인 정보 보호 및 안전 권장사항을 구현하는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
이 과정에서는 AI 해석 가능성과 투명성의 개념을 소개합니다. 개발자와 엔지니어에게 AI 투명성이 얼마나 중요한지를 설명합니다. 데이터와 AI 모델 모두에서 해석 가능성과 투명성을 구현하는 데 도움이 되는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
이 과정에서는 책임감 있는 AI라는 개념과 AI 원칙을 소개합니다. 공정성과 편향을 실질적으로 식별하고 AI/ML 실무에서 편향을 완화하는 기법을 알아봅니다. Google Cloud 제품과 오픈소스 도구를 사용하여 책임감 있는 AI 권장사항을 구현하는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
생성형 AI 애플리케이션은 대규모 언어 모델(LLM)이 발명되기 전에는 불가능에 가까웠던 새로운 사용자 경험을 만들 수 있습니다. 어떻게 하면 애플리케이션 개발자가 생성형 AI를 사용해 Google Cloud에서 강력한 대화형 앱을 빌드할 수 있을까요?
이 과정에서는 생성형 AI 애플리케이션에 대해 알아보고 프롬프트 설계 및 검색 증강 생성(RAG)을 사용해 LLM 기반의 강력한 애플리케이션을 빌드하는 방법을 학습합니다. 생성형 AI 애플리케이션에 사용할 수 있는 프로덕션 레디 아키텍처를 살펴보고 LLM 및 RAG 기반 채팅 애플리케이션을 빌드합니다.
자세히 알아보기
이 과정은 머신러닝 실무자에게 생성형 AI 모델과 예측형 AI 모델을 평가하는 데 필요한 도구, 기술, 권장사항을 제공합니다. 모델 평가는 프로덕션 단계의 ML 시스템이 안정적이고 정확하고 성능이 우수한 결과를 제공할 수 있게 하는 중요한 분야입니다.
강의 참가자는 다양한 평가 측정항목, 방법, 각각 다른 모델 유형과 작업에 적합한 애플리케이션에 대해 깊이 있게 이해할 수 있습니다. 이 과정에서는 생성형 AI 모델의 고유한 문제를 강조하고 이를 효과적으로 해결하기 위한 전략을 소개합니다. 강의 참가자는 Google Cloud의 Vertex AI Platform을 활용해 모델 선택, 최적화, 지속적인 모니터링을 위한 견고한 평가 프로세스를 구현하는 방법을 알아볼 수 있습니다.
자세히 알아보기
이 과정에서는 생성형 AI 모델을 배포하고 관리할 때 MLOps팀이 직면하는 고유한 과제를 파악하는 데 필요한 지식과 도구를 제공하고 Vertex AI가 어떻게 AI팀이 MLOps 프로세스를 간소화하고 생성형 AI 프로젝트에서 성공을 거둘 수 있도록 지원하는지 살펴봅니다.
자세히 알아보기
이 과정은 입문용 마이크로 학습 과정으로, 대규모 언어 모델(LLM)이란 무엇이고, LLM을 활용할 수 있는 사용 사례로는 어떤 것이 있으며, 프롬프트 조정을 사용해 LLM 성능을 개선하는 방법은 무엇인지 알아봅니다. 또한 자체 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.
자세히 알아보기
생성형 AI란 무엇이고 어떻게 사용하며 전통적인 머신러닝 방법과는 어떻게 다른지 설명하는 입문용 마이크로 학습 과정입니다. 직접 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.
자세히 알아보기
이 과정에서는 Google Cloud에서 프로덕션 ML 시스템을 배포, 평가, 모니터링, 운영하기 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다.
학습자는 SDK 레이어에서 Vertex AI Feature Store의 스트리밍 수집을 사용하여 실습을 진행하게 됩니다.
자세히 알아보기
이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.
자세히 알아보기
이 과정에서는 프로덕션 환경에서 고성능 ML 시스템을 빌드하기 위한 구성요소와 권장사항을 자세히 살펴봅니다. 정적 학습, 동적 학습, 정적 추론, 동적 추론, 분산 TensorFlow, TPU 등 고성능 ML 시스템 빌드와 관련된 일반적인 고려사항을 다룹니다. 이 과정에서는 정확한 예측 능력 외에도 양질의 ML 시스템을 만드는 특성을 탐구하는 데 중점을 둡니다.
자세히 알아보기
규모와 관계없이 모든 조직이 클라우드의 강력한 기능과 유연성을 활용하여 운영 방식을 혁신하고 있습니다. 하지만 클라우드 리소스를 효과적으로 관리하고 확장하는 것은 복잡한 작업일 수 있습니다. 이 과정에서는 클라우드의 현대적 운영, 안정성, 복원력의 기본 개념과 Google Cloud가 이러한 노력을 지원하는 데 어떤 도움이 되는지 살펴봅니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축할 수 있도록 돕는 것을 목표로 합니다.
자세히 알아보기
조직이 데이터와 애플리케이션을 클라우드로 이전함에 따라 빠르게 진화하는 보안 과제 환경에 대응해야 합니다. 이 과정에서는 클라우드 보안의 기반, Google Cloud의 보안 내재화 설계 인프라의 가치, 심층 방어 전략을 살펴보고, AI 기반 운영 및 규정 준수 도구가 조직이 엄격한 글로벌 규제 요구사항을 충족하는 데 어떻게 도움이 되는지 강조합니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축할 수 있도록 돕는 것을 목표로 합니다.
자세히 알아보기
많은 기존 기업은 최신 고객 기대에 부응할 수 없는 기존 시스템과 앱을 사용합니다. 비즈니스 리더는 노후화된 IT 시스템을 유지할지 아니면 새로운 제품과 서비스에 투자할지 결정해야 하는 경우가 많습니다. 이 과정에서는 이러한 과제를 살펴보고 클라우드 기술을 사용하여 이를 극복할 수 있는 솔루션을 제공합니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
인공지능(AI)과 머신러닝(ML)은 광범위한 산업을 빠르게 혁신하고 있는 정보 기술의 중요한 진화입니다. 'Google Cloud 인공지능으로 혁신하기' 과정에서는 조직이 AI와 ML을 사용하여 비즈니스 프로세스를 혁신하는 방법을 살펴봅니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
클라우드 기술은 강력한 자산이며, 데이터와 결합하면 혁신과 향상된 고객 경험을 위한 촉매제가 됩니다. 'Google Cloud를 통한 데이터 혁신 살펴보기' 과정에서는 조직이 클라우드를 활용하여 데이터의 접근성, 실행 가능성, 가치를 높이는 방법을 살펴봅니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축하는 데 도움이 되는 것을 목표로 합니다.
자세히 알아보기
디지털 혁신은 현대 조직에 있어 중요한 여정이며, 의미 있는 혁신으로 나아가기 위해서는 가장 먼저 클라우드 컴퓨팅에 대한 강력한 기준을 수립해야 합니다. 'Google Cloud를 통한 디지털 혁신' 과정에서는 조직이 운영을 현대화하는 데 도움이 되는 핵심 기술과 전략적 프레임워크를 소개합니다. 이 과정에서는 기본적인 클라우드 개념, 글로벌 네트워크 인프라, 공동 책임 모델을 살펴보고 리더가 클라우드로의 전환을 자신 있게 이끌 수 있도록 지원합니다.
Cloud Digital Leader 학습 과정의 일부인 이 과정은 개인이 자신의 역할에서 성장하고 비즈니스의 미래를 구축할 수 있도록 돕는 것을 목표로 합니다.
자세히 알아보기
중급 BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링 기술 배지를 획득하여 Dataprep by Trifact로 데이터 변환 파이프라인을 BigQuery에 빌드, Cloud Storage, Dataflow, BigQuery를 사용한 ETL(추출, 변환, 로드) 워크플로 빌드, BigQuery ML을 사용하여 머신러닝 모델을 빌드하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
중급 BigQuery ML로 ML 모델 만들기 기술 배지 과정을 완료하면 BigQuery ML로 머신러닝 모델을 만들고 평가하여 데이터 예측을 수행하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
초급 Google Cloud에서 ML API용으로 데이터 준비하기 기술 배지를 완료하여 Dataprep by Trifacta로 데이터 정리, Dataflow에서 데이터 파이프라인 실행, Managed Service for Apache Spark에서 클러스터 생성 및 Apache Spark 작업 실행, Cloud Natural Language API, Google Cloud Speech-to-Text API, Video Intelligence API를 포함한 ML API 호출과 관련된 기술 역량을 입증하세요.
자세히 알아보기
이 과정에서는 생성형 AI 프로젝트와 예측형 AI 프로젝트를 모두 개발하는 데 중점을 두고 Google Cloud의 AI 및 머신러닝(ML) 기능을 소개합니다. 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 기술, 제품, 도구를 살펴보고, 데이터 과학자, AI 개발자, ML 엔지니어가 대화형 실습을 통해 전문성을 강화할 수 있도록 지원합니다.
자세히 알아보기
NotebookLM을 사용하여 Professional Machine Learning Engineer(PMLE) 자격증 시험을 위한 맞춤형 학습 가이드를 만드는 방법을 알아보세요. NotebookLM 기능을 검토하고, 노트북을 만들고, 학습 가이드를 사용하여 자격증 시험을 연습합니다.
자세히 알아보기
이 과정은 BigQuery에서 생성형 AI 작업에 AI/ML 모델을 사용하는 방법을 보여줍니다. 고객 관계 관리와 관련된 실제 사용 사례를 통해 Gemini 모델로 비즈니스 문제를 해결하는 워크플로를 설명합니다. 이해를 돕기 위해 SQL 쿼리와 Python 노트북을 사용하는 코딩 솔루션을 단계별로 안내합니다.
자세히 알아보기
이 과정에서는 데이터-AI 워크플로를 지원하는 AI 기반 기능 모음인 BigQuery의 Gemini에 관해 살펴봅니다. 이러한 기능에는 데이터 탐색 및 준비, 코드 생성 및 문제 해결, 워크플로 탐색 및 시각화 등이 있습니다. 이 과정은 개념 설명, 실제 사용 사례, 실무형 실습을 통해 데이터 실무자가 생산성을 향상하고 개발 파이프라인의 속도를 높이는 데 도움이 됩니다.
자세히 알아보기
초급 Knowledge Catalog로 데이터 메시 빌드하기 기술 배지 과정을 완료하여, Knowledge Catalog를 통해 데이터 메시를 빌드해 Google Cloud에서 데이터 보안, 거버넌스, 탐색을 활용하는 역량을 입증하세요. Knowledge Catalog에서 애셋에 태그를 지정하고, IAM 역할을 할당하고, 데이터 품질을 평가하는 기술을 연습하고 테스트할 수 있습니다.
자세히 알아보기
Dataflow 과정 시리즈의 마지막 편에서는 Dataflow 운영 모델의 구성요소를 소개합니다. 파이프라인 성능의 문제를 해결하고 최적화하기 위한 도구와 기법을 살펴봅니다. 그런 다음 Dataflow 파이프라인의 테스트, 배포, 안정성 권장사항을 검토합니다. 마지막으로 Dataflow 파이프라인을 사용자가 수백 명이나 되는 조직으로 쉽게 확장할 수 있는 템플릿을 검토해 보겠습니다. 이 강의는 데이터 플랫폼이 예상치 못한 상황에서도 안정성과 복원력을 갖추도록 하는데 도움이 됩니다.
자세히 알아보기
Dataflow 과정 시리즈의 두 번째 편에서는 Beam SDK를 사용하여 파이프라인을 개발하는 방법을 자세히 살펴보겠습니다. 먼저 Apache Beam 개념에 대한 복습부터 시작하겠습니다. 다음으로 윈도우, 워터마크, 트리거를 사용하여 스트리밍 데이터를 처리하는 방법을 알아봅니다. 그런 다음 파이프라인의 소스 및 싱크 옵션, 정형 데이터를 표현하는 스키마, State 및 Timer API를 사용하여 스테이트풀(Stateful) 변환을 수행하는 방법을 다룹니다. 이제 파이프라인 성능을 극대화하는 데 도움이 되는 권장사항을 살펴보겠습니다. 과정의 마지막 부분에서는 Beam에서 비즈니스 로직을 표현하기 위한 SQL과 DataFrame을 소개하고 Beam 노트북을 사용하여 파이프라인을 반복적으로 개발하는 방법을 알아봅니다.
자세히 알아보기
이 과정은 Dataflow를 사용한 서버리스 데이터 처리에 관한 3개 과정으로 이루어진 시리즈 중 1부입니다. 이 첫 번째 과정에서는 Apache Beam이 무엇인지, Dataflow와 어떤 관계가 있는지 복습하는 내용으로 시작합니다. 다음으로 Apache Beam의 비전과 Beam 이식성 프레임워크의 이점에 대해 설명합니다. Beam 이식성 프레임워크는 개발자가 선호하는 프로그래밍 언어를 원하는 실행 백엔드와 함께 사용할 수 있다는 비전을 실현합니다. 그런 다음 Dataflow를 통해 컴퓨팅과 스토리지를 분리하면서 비용을 절감하는 방법과 ID, 액세스, 관리 도구가 Dataflow 파이프라인과 상호작용하는 방식을 알아봅니다. 마지막으로 Dataflow에서 사용 사례에 맞는 적절한 보안 모델을 구현하는 방법을 살펴봅니다.
자세히 알아보기
이 과정에서는 스트리밍 데이터 파이프라인을 빌드할 때 직면하는 실제 과제를 해결하기 위해 실습을 진행합니다. Google Cloud 제품을 사용하여 지속적이고 무제한적인 데이터를 관리하는 데 중점을 둡니다.
자세히 알아보기
중급 BigQuery로 데이터 웨어하우스 빌드 기술 배지를 완료하여 데이터를 조인하여 새 테이블 만들기, 조인 관련 문제 해결, 합집합으로 데이터 추가, 날짜로 파티션을 나눈 테이블 만들기, BigQuery에서 JSON, 배열, 구조체 작업하기와 관련된 기술 역량을 입증하세요.
자세히 알아보기
이 중급 과정에서는 Google Cloud에서 강력한 일괄 데이터 파이프라인을 설계, 빌드, 최적화하는 방법을 알아봅니다. 기본적인 데이터 처리를 넘어, 시의적절한 비즈니스 인텔리전스와 중요한 보고에 필수적인 대규모 데이터 변환과 효율적인 워크플로 조정에 대해 살펴봅니다.
Apache Beam용 Dataflow와 Apache Spark용 서버리스(Dataproc Serverless)를 사용하여 구현을 실습하고, 파이프라인 안정성과 운영 우수성을 보장하기 위해 데이터 품질, 모니터링, 알림에 대한 중요한 고려사항을 다룹니다. 데이터 웨어하우징, ETL/ELT, SQL, Python, Google Cloud 개념에 대한 기본적인 지식이 있으면 좋습니다.
자세히 알아보기
데이터 레이크와 데이터 웨어하우스를 사용하는 기존 접근방식은 효과적일 수 있지만, 특히 대규모 엔터프라이즈 환경에서는 단점이 있습니다. 이 과정에서는 데이터 레이크하우스의 개념과 데이터 레이크하우스를 만드는 데 사용되는 Google Cloud 제품을 소개합니다. 레이크하우스 아키텍처는 개방형 표준 데이터 소스를 사용하며 데이터 레이크와 데이터 웨어하우스의 장점을 결합하여 많은 단점을 해결합니다.
자세히 알아보기
이 과정에서는 Google Cloud의 데이터 엔지니어링, 데이터 엔지니어의 역할과 책임, 그리고 이러한 요소가 Google Cloud 제공 서비스와 어떻게 연결되는지에 대해 알아봅니다. 또한 데이터 엔지니어링 과제를 해결하는 방법에 대해서도 배우게 됩니다.
자세히 알아보기
이 과정은 학습자가 Professional Data Engineer(PDE) 자격증 시험을 준비하기 위한 학습 계획을 수립하는 데 도움을 줍니다. 학습자는 시험에서 다루는 분야의 범위를 살펴보고 자신의 시험 준비 상태를 평가한 다음 개별 학습 계획을 수립합니다.
자세히 알아보기
