Chandran Jaya
Date d'abonnement : 2020
Ligue d'Argent
4155 points
Créer un guide d'étude pour une certification : préparation à l'examen PMLE
Earned juin 28, 2025 EDT
Oracle to Cloud Spanner
Earned juin 14, 2025 EDT
IA générative : au-delà du chatbot
Earned avr. 16, 2025 EDT
Data Warehousing for Partners: Design in BigQuery
Earned avr. 13, 2023 EDT
Data Warehousing for Partners: Enable Google Cloud Customers
Earned avr. 3, 2023 EDT
Modernizing Mainframe Applications with Google Cloud
Earned mars 24, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned mars 16, 2023 EDT
[DEPRECATED] Data Engineering
Earned déc. 26, 2022 EST
Certification Learning Path: Professional Cloud DevOps Engineer
Earned oct. 4, 2022 EDT
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned août 17, 2022 EDT
Certification Learning Path: Professional Cloud DevOps Engineer
Earned août 9, 2022 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - Français
Earned sept. 7, 2021 EDT
Créer des pipelines de flux de données sur Google Cloud
Earned sept. 5, 2021 EDT
Créer des pipelines de données en batch sur Google Cloud
Earned août 31, 2021 EDT
Google Cloud Big Data and Machine Learning Fundamentals - Français
Earned août 23, 2021 EDT
Créer des lacs de données et des entrepôts de données sur Google Cloud
Earned nov. 4, 2020 EST
Découvrez comment utiliser Gemini Notebook afin de créer un guide de préparation personnalisé pour l'examen de certification Professional Machine Learning Engineer (PMLE). Vous allez passer en revue les fonctionnalités de Gemini Notebook, créer un notebook et utiliser le guide de préparation pour vous entraîner en vue d'un examen de certification.
En savoir plus
Migration from Oracle to Cloud Spanner using HarbourBridge. This course describes an example scenario that uses sample data during the migration. This process includes using HarbourBridge for Assessment, Schema Conversion, Schema Transformation, Data Migration, and supporting tools for data validation.
En savoir plus
Le cours IA générative : au-delà du chatbot est le premier du parcours de formation "Gen AI Leader" et n'a aucun prérequis. Il dépasse les principes de base des chatbots afin de présenter le véritable potentiel de l'IA générative pour votre organisation. Vous découvrirez des concepts tels que les modèles de fondation et le prompt engineering (ingénierie des requêtes), qui sont essentiels pour exploiter la puissance de l'IA générative. Ce cours vous aidera également à identifier les facteurs à prendre en compte pour développer une stratégie d'IA générative efficace pour votre entreprise.
En savoir plus
Welcome to Design in BigQuery, where we map Enterprise Data Warehouse concepts and components to BigQuery and Google data services with a focus on schema design.
En savoir plus
This course discusses the key elements of Google's Data Warehouse solution portfolio and strategy.
En savoir plus
This course enables system integrators and partners to understand the principles of automated migrations, plan legacy system migrations to Google Cloud leveraging G4 Platform, and execute a trial code conversion.
En savoir plus
Intégrer le machine learning à des pipelines de données renforce la capacité à dégager des insights des données. Ce cours passera en revue plusieurs façons d'intégrer le machine learning à des pipelines de données sur Google Cloud. Vous découvrirez AutoML pour les cas ne nécessitant que peu de personnalisation (voire aucune), ainsi que Notebooks et BigQuery ML pour les situations qui requièrent des capacités de machine learning plus adaptées. Enfin, vous apprendrez à utiliser des solutions de machine learning en production avec Vertex AI.
En savoir plus
This advanced-level quest is unique amongst the other catalog offerings. The labs have been curated to give IT professionals hands-on practice with topics and services that appear in the Google Cloud Certified Professional Data Engineer Certification. From Big Query, to Dataprep, to Cloud Composer, this quest is composed of specific labs that will put your Google Cloud data engineering knowledge to the test. Be aware that while practice with these labs will increase your skills and abilities, you will need other preparation, too. The exam is quite challenging and external studying, experience, and/or background in cloud data engineering is recommended. Looking for a hands on challenge lab to demonstrate your skills and validate your knowledge? On completing this quest, enroll in and finish the additional challenge lab at the end of the Engineer Data in the Google Cloud to receive an exclusive Google Cloud digital badge.
En savoir plus
Good news! There’s a new updated version of this learning path available for you!Open the new Professional Cloud DevOps Engineer Certification Learning Path to begin, once you’ve selected the new path all your current progress will be reflected in the new version.
En savoir plus
Bien que les approches traditionnelles utilisant des lacs de données et des entrepôts de données puissent être efficaces, elles présentent des inconvénients, en particulier dans les grands environnements d'entreprise. Ce cours présente le concept de data lakehouse et les produits Google Cloud utilisés pour en créer un. Une architecture de lakehouse utilise des sources de données basées sur des normes ouvertes et combine les meilleures fonctionnalités des lacs et des entrepôts de données, ce qui permet de pallier de nombreuses lacunes.
En savoir plus
Good news! There’s a new updated version of this learning path available for you!Open the new Professional Cloud DevOps Engineer Certification Learning Path to begin, once you’ve selected the new path all your current progress will be reflected in the new version.
En savoir plus
Intégrer le machine learning à des pipelines de données renforce la capacité à dégager des insights des données. Ce cours passera en revue plusieurs façons d'intégrer le machine learning à des pipelines de données sur Google Cloud. Vous découvrirez AutoML pour les cas ne nécessitant que peu de personnalisation (voire aucune), ainsi que Notebooks et BigQuery ML pour les situations qui requièrent des capacités de machine learning plus adaptées. Enfin, vous apprendrez à utiliser des solutions de machine learning en production avec Vertex AI.
En savoir plus
Dans ce cours, vous allez vous exercer à résoudre des problèmes concrets rencontrés lors de la création de pipelines de flux données. L'objectif principal est de gérer des données continues et illimitées avec les produits Google Cloud.
En savoir plus
Dans ce cours de niveau intermédiaire, vous apprendrez à concevoir, créer et optimiser des pipelines de données en batch robustes sur Google Cloud. Au-delà des bases de la gestion des données, vous explorerez les transformations de données à grande échelle et l'orchestration efficace des workflows, essentielles pour l'informatique décisionnelle et les rapports critiques.
Vous vous entraînerez à utiliser Dataflow pour Apache Beam et Serverless pour Apache Spark (Dataproc Serverless) pour l'implémentation, et vous aborderez des considérations importantes concernant la qualité des données, la surveillance et les alertes pour assurer la fiabilité des pipelines et l'excellence opérationnelle. Il est recommandé d'avoir des connaissances de base sur l'entreposage de données, les processus ETL/ELT, SQL, Python et les concepts de Google Cloud.
En savoir plus
Ce cours présente les produits et services Google Cloud pour le big data et le machine learning compatibles avec le cycle de vie "des données à l'IA". Il explore les processus, défis et avantages liés à la création d'un pipeline de big data et de modèles de machine learning avec Vertex AI sur Google Cloud.
En savoir plus
Bien que les approches traditionnelles utilisant des lacs de données et des entrepôts de données puissent être efficaces, elles présentent des inconvénients, en particulier dans les grands environnements d'entreprise. Ce cours présente le concept de data lakehouse et les produits Google Cloud utilisés pour en créer un. Une architecture de lakehouse utilise des sources de données basées sur des normes ouvertes et combine les meilleures fonctionnalités des lacs et des entrepôts de données, ce qui permet de pallier de nombreuses lacunes.
En savoir plus
