Teilnehmen Anmelden

Ihre Kompetenzen in der Google Cloud Console anwenden

Mateus Oliveira dos Santos

Mitglied seit 2023

Diamond League

40229 Punkte
Build a BigQuery Data Warehouse with Dataproc Earned Jun 11, 2026 EDT
Deploy a RAG application with vector search in Firestore Earned Jun 11, 2026 EDT
Create Real-time Data Processing Pipelines Earned Jun 11, 2026 EDT
Build Streaming Data Pipelines on Google Cloud Earned Jun 10, 2026 EDT
Gemini-Modelle in BigQuery nutzen Earned Mai 27, 2026 EDT
Mit Gemini in BigQuery produktiver arbeiten Earned Mai 25, 2026 EDT
Einführung in Data Engineering in Google Cloud Earned Mai 25, 2026 EDT
Serverlose Anwendungen in Cloud Run entwickeln Earned Mai 21, 2026 EDT
Kubernetes in Google Cloud verwalten Earned Mai 21, 2026 EDT
Software-Engineering von KI-Agenten mit dem Agent Development Kit (ADK) Earned Mai 14, 2026 EDT
Cloud-Architektur: Entwerfen, umsetzen und verwalten Earned Mai 14, 2026 EDT
Grundlegende Sicherheitsfunktionen in Google Cloud implementieren Earned Mai 13, 2026 EDT
Umgebung für die Anwendungsentwicklung in Google Cloud einrichten Earned Mai 13, 2026 EDT
Ihre Organisation mit generativen KI-Agenten voranbringen Earned Mai 5, 2026 EDT
Generative KI-Apps heben Ihre Arbeit auf das nächste Level Earned Mai 4, 2026 EDT
Die vielfältigen Formen generativer KI Earned Apr 26, 2026 EDT
Generative KI: Grundlegende Konzepte Earned Apr 22, 2026 EDT
Generative KI ist mehr als nur Chatbots Earned Apr 22, 2026 EDT
Cloud SQL for PostgreSQL-Instanzen erstellen und verwalten Earned Mär 12, 2025 EDT
Cloud Spanner-Instanzen erstellen und verwalten Earned Mär 9, 2025 EDT
AlloyDB-Instanzen erstellen und verwalten Earned Mär 6, 2025 EST
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten Earned Jan 14, 2025 EST
Serverless Data Processing with Dataflow: Operations Earned Jan 6, 2025 EST
Data Mesh mit Knowledge Catalog aufbauen Earned Mai 21, 2024 EDT
Data Warehouse mit BigQuery erstellen Earned Mai 16, 2024 EDT
Serverless Data Processing with Dataflow: Develop Pipelines Earned Mai 13, 2024 EDT
Cloud Load Balancing in der Compute Engine implementieren Earned Apr 24, 2024 EDT
Serverless Data Processing with Dataflow: Foundations Earned Apr 9, 2024 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Mär 24, 2024 EDT
Building Resilient Streaming Systems on Google Cloud Platform Earned Mär 18, 2024 EDT
Build Batch Data Pipelines on Google Cloud Earned Mär 2, 2024 EST
Cloud Load Balancing in der Compute Engine implementieren Earned Jan 8, 2024 EST
Daten für ML-APIs in Google Cloud vorbereiten Earned Jan 6, 2024 EST
Build Data Lakes and Data Warehouses on Google Cloud Earned Dez 14, 2023 EST
Google Cloud Big Data and Machine Learning Fundamentals Earned Dez 7, 2023 EST
Preparing for your Professional Data Engineer Journey Earned Sep 15, 2023 EDT

In this advanced challenge lab, you act as a Data Engineer for the Chicago Police Department. You will manage a high-stakes data integration project, moving IUCR reference data from Cloud Storage into BigQuery using code-free Dataproc Spark templates. Beyond simple ingestion, you will use BigQuery SQL to audit data quality, identify structural discrepancies like missing zero-padding, and reconcile mismatches between transaction records and reference tables to ensure analytical accuracy.

Weitere Informationen

This lab tests your ability to develop a real-world Generative AI Q&A solution using a RAG framework. You will use Firestore as a vector database and deploy a Flask app as a user interface to query a food safety knowledge base.

Weitere Informationen

In this advanced challenge lab, you act as a Data Engineer for Cymbal Direct, a retail company integrating real-time movie review data into a marketing pipeline. You are responsible for building two distinct streaming architectures. First, you will implement a direct, code-free ingestion path using Pub/Sub BigQuery subscriptions. Second, you will deploy a sophisticated Dataflow pipeline that uses JavaScript User-Defined Functions (UDFs) to transform raw text into numerical data before it reaches BigQuery, all while managing high-velocity data generated by a simulated stream.

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 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

Dieser Kurs behandelt Gemini in BigQuery, eine Suite KI-gesteuerter Funktionen zur Aufbereitung von Daten für die Verwendung in künstlicher Intelligenz. Zu diesen Funktionen gehören explorative Datenanalyse und ‑aufbereitung, Codegenerierung und Fehlerbehebung sowie Workflow-Erkennung und ‑Visualisierung. Durch konzeptionelle Erläuterungen, einen praxisnahen Anwendungsfall und praktische Übungen können Datenexperten mit diesem Kurs ihre Produktivität steigern und die Entwicklungspipeline beschleunigen.

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

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 zum Kurs Kubernetes in Google Cloud verwalten für Fortgeschrittene weisen Sie Kenntnisse in folgenden Bereichen nach: Verwaltung von Bereitstellungen mit kubectl, Debugging von Anwendungen in der Google Kubernetes Engine (GKE) und Techniken für die kontinuierliche Bereitstellung.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Software-Engineering von KI-Agenten mit dem Agent Development Kit (ADK) weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Formulierung von vorhandenen Forschungsproblemen im Bereich Language Models, Erstellung eines einfachen Tokenizers, Vorbereitung eines Datasets für das Training eines Transformer-Sprachmodells, Ausführung der Trainingsschleife eines kleinen Sprachmodells.

Weitere Informationen

Erhalten Sie ein Skill-Logo, indem Sie den Kurs Cloud-Architektur: Entwerfen, umsetzen und verwalten abschließen. Dabei können Sie Fähigkeiten nachweisen, die für folgende Aufgaben nötig sind: eine öffentlich zugängliche Website mit Apache-Webservern bereitstellen, eine Compute Engine-VM mithilfe von Startscripts konfigurieren, sicheres RDP durch Nutzung von Firewallregeln und eines Windows-Bastion Hosts konfigurieren, ein Docker-Image in einem Kubernetes-Cluster bereitstellen und anschließend aktualisieren sowie eine Cloud SQL-Instanz erstellen und eine MySQL-Datenbank importieren. Diese Aufgabenreihe bietet eine gute Grundlage für bestimmte Themen, die Teil der Zertifizierungsprüfung zum Google Cloud Certified Professional Cloud Architect sind.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Grundlegende Sicherheitsfunktionen in Google Cloud implementieren weisen Sie fortgeschrittene Kenntnisse in folgenden Bereichen nach: Erstellen und Zuweisen von Rollen mit Identity and Access Management (IAM); Erstellen und Verwalten von Dienstkonten; Herstellen einer privaten Verbindung zwischen Virtual Private Cloud-Netzwerken (VPC); Beschränken des Anwendungszugriffs mithilfe von Identity-Aware Proxy; Verwalten von Schlüsseln und verschlüsselten Daten mit Cloud Key Management Service (KMS); und Erstellen eines privaten Kubernetes-Clusters.

Weitere Informationen

Erhalten Sie ein Skill-Logo, indem Sie den Kurs „Umgebung für die Anwendungsentwicklung in Google Cloud einrichten“ abschließen. Dabei lernen Sie, wie Sie eine speicherorientierte Cloud-Infrastruktur mithilfe der grundlegenden Funktionen der folgenden Technologien erstellen und verbinden: Cloud Storage, Identity and Access Management, Cloud Functions und Pub/Sub.

Weitere Informationen

„Ihre Organisation mit generativen KI-Agenten voranbringen“ ist der fünfte und letzte Kurs des Lernpfads „Gen AI Leader“. In diesem Kurs erfahren Sie, wie Unternehmen mit benutzerdefinierten generativen KI-Agenten spezifische geschäftliche Herausforderungen meistern können. Sie lernen, wie Sie einen einfachen Agenten für generative KI erstellen, und machen sich mit den Komponenten dieser Agenten vertraut, z. B. mit Modellen, Reasoning Loops und Tools.

Weitere Informationen

„Generative KI-Apps heben Ihre Arbeit auf das nächste Level“ ist der vierte Kurs des Lernpfads „Generative AI Leader“. In diesem Kurs werden die auf generativer KI basierenden Anwendungen von Google vorgestellt, zum Beispiel Gemini für Workspace und NotebookLM. Darin werden Konzepte wie Fundierung, Retrieval-Augmented Generation, das Erstellen effektiver Prompts und das Entwickeln automatisierter Workflows erläutert.

Weitere Informationen

„Die vielfältigen Formen generativer KI“ ist der dritte Kurs des Lernpfads „Generative AI Leader“. Generative KI verändert die Art und Weise, wie wir arbeiten und mit der Welt um uns herum interagieren. Aber wie können Sie als Führungskraft die Möglichkeiten von KI nutzen, um echte Geschäftsergebnisse zu erzielen? In diesem Kurs lernen Sie die verschiedenen Ebenen der Entwicklung von generativen KI-Lösungen, die Angebote von Google Cloud und die Faktoren kennen, die bei der Auswahl einer Lösung zu berücksichtigen sind.

Weitere Informationen

„Generative KI: Grundlegende Konzepte“ ist der zweite Kurs des Lernpfads „Generative AI Leader“. In diesem Kurs lernen Sie die grundlegenden Konzepte der generativen KI kennen. Sie erfahren, wie sich KI, ML und generative KI unterscheiden und wie generative KI geschäftliche Herausforderungen mithilfe verschiedener Datentypen bewältigt. Außerdem erhalten Sie Einblicke in die Strategien von Google Cloud, um die Einschränkungen von Foundation Models zu überwinden, und in die wichtigsten Herausforderungen für eine verantwortungsbewusste und sichere KI-Entwicklung und ‑Bereitstellung.

Weitere Informationen

„Generative KI ist mehr als nur Chatbots“ ist der erste Kurs des Lernpfads „Generative AI Leader“ und hat keine Voraussetzungen. In diesem Kurs geht es nicht nur um die Grundlagen von Chatbots, sondern auch um das wahre Potenzial von generativer KI für Ihr Unternehmen. Sie lernen Konzepte wie Foundation Models und Prompt Engineering kennen, die für die Nutzung der Leistungsfähigkeit von generativer KI entscheidend sind. Außerdem werden wichtige Überlegungen behandelt, die Sie bei der Entwicklung einer erfolgreichen Strategie für generative KI für Ihr Unternehmen berücksichtigen sollten.

Weitere Informationen

Mit dem Skill-Logo zum Einsteigerkurs Cloud SQL for PostgreSQL-Instanzen erstellen und verwalten weisen Sie Kenntnisse in folgenden Bereichen nach: Migrieren, Konfigurieren und Verwalten von Cloud SQL for PostgreSQL-Instanzen und ‑Datenbanken.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Cloud Spanner-Instanzen erstellen und verwalten für Einsteigerinnen und Einsteiger weisen Sie Kenntnisse in folgenden Bereichen nach: Cloud Spanner-Instanzen und ‑Datenbanken erstellen und sie verwenden; Cloud Spanner-Datenbanken über verschiedene Verfahren laden; Cloud Spanner-Datenbanken sichern, Datenbankschemas definieren und Abfragepläne verstehen sowie eine moderne Web-App bereitstellen, die mit einer Cloud Spanner-Instanz verbunden ist.

Weitere Informationen

Mit dem Skill-Logo zum Kurs AlloyDB-Instanzen erstellen und verwalten weisen Sie Grundkenntnisse in den folgenden Bereichen nach: zentrale AlloyDB-Abläufe und ‑Aufgaben ausführen, von PostgreSQL zu AlloyDB migrieren, AlloyDB-Datenbanken verwalten und analytische Abfragen mit der spaltenbasierten Engine von AlloyDB beschleunigen.

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

In the last installment of the Dataflow course series, we will introduce the components of the Dataflow operational model. We will examine tools and techniques for troubleshooting and optimizing pipeline performance. We will then review testing, deployment, and reliability best practices for Dataflow pipelines. We will conclude with a review of Templates, which makes it easy to scale Dataflow pipelines to organizations with hundreds of users. These lessons will help ensure that your data platform is stable and resilient to unanticipated circumstances.

Weitere Informationen

Mit dem Skill-Logo Data Mesh mit Knowledge Catalog aufbauen weisen Sie die folgenden Kenntnisse nach: Aufbauen eines Data Mesh mit Knowledge Catalog für mehr Datensicherheit, Governance und Discovery in Google Cloud. Sie fördern und testen Ihre Fähigkeiten beim Tagging von Assets, Zuweisen von IAM-Rollen und Bewerten der Datenqualität in Knowledge Catalog.

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

In this second installment of the Dataflow course series, we are going to be diving deeper on developing pipelines using the Beam SDK. We start with a review of Apache Beam concepts. Next, we discuss processing streaming data using windows, watermarks and triggers. We then cover options for sources and sinks in your pipelines, schemas to express your structured data, and how to do stateful transformations using State and Timer APIs. We move onto reviewing best practices that help maximize your pipeline performance. Towards the end of the course, we introduce SQL and Dataframes to represent your business logic in Beam and how to iteratively develop pipelines using Beam notebooks.

Weitere Informationen

Mit dem Skill-Logo zum Kurs Cloud Load Balancing in der Compute Engine implementieren weisen Sie Kenntnisse in folgenden Bereichen nach: virtuelle Maschinen in der Compute Engine erstellen und bereitstellen und Netzwerk- und Application Load Balancer konfigurieren.

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

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

This 1-week, accelerated on-demand course builds upon Google Cloud Platform Big Data and Machine Learning Fundamentals. Through a combination of video lectures, demonstrations, and hands-on labs, you'll learn to build streaming data pipelines using Google cloud Pub/Sub and Dataflow to enable real-time decision making. You will also learn how to build dashboards to render tailored output for various stakeholder audiences.

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

Mit dem Skill-Logo zum Kurs Cloud Load Balancing in der Compute Engine implementieren weisen Sie Kenntnisse in folgenden Bereichen nach: virtuelle Maschinen in der Compute Engine erstellen und bereitstellen und Netzwerk- und Application Load Balancer konfigurieren.

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 Managed Service for Apache Spark sowie Aufrufen von ML-APIs, einschließlich der Cloud Natural Language API, Cloud Speech-to-Text API und Video Intelligence API.

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

This course introduces the Google Cloud big data and machine learning products and services that support the data-to-AI lifecycle. It explores the processes, challenges, and benefits of building a big data pipeline and machine learning models with Vertex AI on Google Cloud.

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