Anca Hiliuta
Mitglied seit 2023
Daten für Looker-Dashboards und ‑Berichte vorbereiten
Earned Jan 14, 2024 EST
Analyzing and Visualizing Data in Looker
Earned Jan 8, 2024 EST
LookML-Objekte in Looker erstellen
Earned Jan 5, 2024 EST
LookML in Looker verstehen
Earned Jan 5, 2024 EST
Erste Schritte mit Looker
Earned Jan 4, 2024 EST
Serverless Data Processing with Dataflow: Operations
Earned Sep 5, 2023 EDT
Data Warehouse mit BigQuery erstellen
Earned Jul 26, 2023 EDT
Daten für ML-APIs in Google Cloud vorbereiten
Earned Jul 11, 2023 EDT
Serverless Data Processing with Dataflow: Foundations
Earned Jul 7, 2023 EDT
Build Streaming Data Pipelines on Google Cloud
Earned Jun 21, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud
Earned Jun 12, 2023 EDT
Build Batch Data Pipelines on Google Cloud
Earned Jun 11, 2023 EDT
Build Data Lakes and Data Warehouses on Google Cloud
Earned Jun 7, 2023 EDT
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 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
Mit dem Skill-Logo zum Einsteigerkurs LookML-Objekte in Looker erstellen weisen Sie Kenntnisse über Folgendes nach: neue Dimensionen und Messwerte, Ansichten und abgeleitete Tabellen erstellen, Messwertfilter und Typen basierend auf Anforderungen festlegen, Dimensionen und Messwerte aktualisieren, Explores erstellen und verfeinern, Ansichten mit vorhandenen Explores verknüpfen und entscheiden, welche LookML- Objekte aufgrund von Geschäftsanforderungen erstellt werden sollen.
Weitere Informationen
In diesem Kurs sammeln Sie praktische Erfahrungen mit LookML in Looker. Sie lernen, wie Sie LookML-Code schreiben, um neue Dimensionen und Messwerte zu erstellen, abgeleitete Tabellen zu erstellen und sie mit Explores zu verknüpfen, Explores zu filtern und Caching-Richtlinien in LookML zu definieren.
Weitere Informationen
Sichern Sie sich ein Skill-Logo, indem Sie die Aufgabenreihe Erste Schritte mit Looker abschließen. Dabei lernen Sie, wie Sie Daten mit Looker Studio und Looker analysieren, visualisieren und kuratieren.
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 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 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
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
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
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 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
