Teilnehmen Anmelden

Ihre Kompetenzen in der Google Cloud Console anwenden

Ricardo Quibao

Mitglied seit 2022

Silver League

13600 Punkte
AlloyDB-Instanzen erstellen und verwalten Earned Aug 4, 2023 EDT
Bigtable-Instanzen erstellen und verwalten Earned Jul 28, 2023 EDT
Cloud SQL for PostgreSQL-Instanzen erstellen und verwalten Earned Jul 27, 2023 EDT
Enterprise Database Migration Earned Jul 25, 2023 EDT
Database Migration Service verwenden, um MySQL-Daten nach Cloud SQL zu migrieren Earned Jul 17, 2023 EDT
Cloud Spanner-Instanzen erstellen und verwalten Earned Jul 11, 2023 EDT
Google Cloud-Grundlagen: Kerninfrastruktur Earned Jul 6, 2023 EDT
Preparing for your Professional Data Engineer Journey Earned Jun 26, 2023 EDT
Data Warehouse mit BigQuery erstellen Earned Jun 19, 2023 EDT
Building Resilient Streaming Systems on Google Cloud Platform Earned Jun 19, 2023 EDT
Developing Data Models with LookML Earned Mär 19, 2023 EDT
Analyzing and Visualizing Data in Looker Earned Mär 16, 2023 EDT
Erweiterte LookML-Konzepte in Looker anwenden Earned Mär 15, 2023 EDT
Understanding LookML in Looker Earned Mär 6, 2023 EST
Daten für Looker-Dashboards und ‑Berichte vorbereiten Earned Mär 6, 2023 EST
Serverless Data Processing with Dataflow: Operations Earned Mär 3, 2023 EST
Serverless Data Processing with Dataflow: Develop Pipelines Earned Feb 28, 2023 EST
Serverless Data Processing with Dataflow: Foundations Earned Okt 4, 2022 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned Sep 20, 2022 EDT
Build Streaming Data Pipelines on Google Cloud Earned Sep 4, 2022 EDT
Daten für die Vorhersagemodellierung mit BigQuery ML vorbereiten Earned Aug 21, 2022 EDT
Daten für ML-APIs in Google Cloud vorbereiten Earned Aug 19, 2022 EDT
Cloud Load Balancing in der Compute Engine implementieren Earned Aug 17, 2022 EDT
Build Batch Data Pipelines on Google Cloud Earned Aug 16, 2022 EDT
Build Data Lakes and Data Warehouses on Google Cloud Earned Aug 6, 2022 EDT
Google Cloud Big Data and Machine Learning Fundamentals Earned Jul 6, 2022 EDT

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 Bigtable-Instanzen erstellen und verwalten weisen Sie Grundkenntnisse in folgenden Bereichen nach: Instanzen erstellen, Schemas entwerfen, Daten abfragen und Verwaltungsaufgaben in Bigtable ausführen (unter anderem Leistung überwachen sowie Autoscaling und Replikation von Knoten konfigurieren).

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

This course is intended to give architects, engineers, and developers the skills required to help enterprise customers architect, plan, execute, and test database migration projects. Through a combination of presentations, demos, and hands-on labs participants move databases to Google Cloud while taking advantage of various services. This course covers how to move on-premises, enterprise databases like SQL Server to Google Cloud (Compute Engine and Cloud SQL) and Oracle to Google Cloud bare metal.

Weitere Informationen

Mit dem Skill-Logo zum Einsteigerkurs Database Migration Service verwenden, um MySQL-Daten nach Cloud SQL zu migrieren weisen Sie Kenntnisse in folgenden Bereichen nach: verschiedene in Database Migration Service verfügbare Jobtypen und Verbindungsoptionen nutzen, um MySQL-Daten nach Cloud SQL zu migrieren, und beim Ausführen von Database Migration Service-Jobs MySQL-Nutzerdaten migrieren.

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

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

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

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

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

This course empowers you to develop scalable, performant LookML (Looker Modeling Language) models that provide your business users with the standardized, ready-to-use data that they need to answer their questions. Upon completing this course, you will be able to start building and maintaining LookML models to curate and manage data in your organization’s Looker instance.

Weitere Informationen

In this course, you learn how to do the kind of data exploration and analysis in Looker that would formerly be done primarily by SQL developers or analysts. Upon completion of this course, you will be able to leverage Looker's modern analytics platform to find and explore relevant content in your organization’s Looker instance, ask questions of your data, create new metrics as needed, and build and share visualizations and dashboards to facilitate data-driven decision making.

Weitere Informationen

In diesem Kurs sammeln Sie praktische Erfahrungen mit dem Anwenden erweiterter LookML-Konzepte in Looker. Sie lernen, wie Sie Liquid verwenden, um dynamische Dimensionen und Measures zu erstellen und anzupassen. Außerdem erfahren Sie, wie Sie dynamische abgeleitete SQL-Tabellen und benutzerdefinierte native abgeleitete Tabellen erstellen sowie Erweiterungen zur Modularisierung Ihres LookML-Codes nutzen.

Weitere Informationen

In this quest, you will get hands-on experience with LookML in Looker. You will learn how to write LookML code to create new dimensions and measures, create derived tables and join them to Explores, filter Explores, and define caching policies in LookML.

Weitere Informationen

MMit dem Skill-Logo zum Kurs Daten für Looker-Dashboards und ‑Berichte vorbereiten weisen Sie Grundkenntnisse in folgenden Bereichen nach: Filtern, Sortieren und Pivotieren von Daten, Zusammenführen der Ergebnisse von verschiedenen Looker-Explores sowie Verwenden von Funktionen und Operatoren zum Erstellen von Looker-Dashboards und ‑Berichten für Analyse und Visualisierung von Daten.

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

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

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

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

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

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

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

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