Gabung Login

Shriraj Mangrulkar

Menjadi anggota sejak 2021

Bronze League

2900 poin
Serverless Data Processing with Dataflow: Foundations Earned Mar 26, 2022 EDT
Build Data Lakes and Data Warehouses on Google Cloud Earned Mar 20, 2022 EDT
Mengoptimalkan Biaya untuk Google Kubernetes Engine Earned Mei 25, 2021 EDT
Men-deploy Aplikasi Kubernetes di Google Cloud Earned Mei 22, 2021 EDT
Membuat Model ML dengan BigQuery ML Earned Mei 17, 2021 EDT
DEPRECATED Google Cloud Solutions II: Data and Machine Learning Earned Mei 10, 2021 EDT
Mendapatkan Insight dari Data BigQuery Earned Mei 9, 2021 EDT
Menyiapkan Data untuk ML API di Google Cloud Earned Apr 27, 2021 EDT

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.

Pelajari lebih lanjut

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.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Mengoptimalkan Biaya untuk Google Kubernetes Engine untuk menunjukkan keterampilan dalam hal berikut: membuat dan mengelola cluster multi-tenant, memantau penggunaan resource berdasarkan namespace, mengonfigurasi penskalaan otomatis pada cluster dan pod untuk tujuan efisiensi, menyiapkan load balancing untuk mengoptimalkan distribusi resource, dan menerapkan pemeriksaan keaktifan serta kesiapan untuk memastikan kondisi aplikasi dan efektivitas biaya.

Pelajari lebih lanjut

Selesaikan badge keahlian Men-deploy Aplikasi Kubernetes di Google Cloud tingkat menengah untuk menunjukkan keterampilan dalam hal berikut ini: mengonfigurasi dan membangun image container Docker, membuat dan mengelola cluster Google Kubernetes Engine (GKE), memanfaatkan kubectl untuk pengelolaan cluster yang efisien, dan men-deploy aplikasi Kubernetes dengan praktik continuous delivery (CD) yang andal.

Pelajari lebih lanjut

Selesaikan badge keahlian tingkat menengah Membuat Model ML dengan BigQuery ML untuk menunjukkan keterampilan dalam hal berikut: membuat dan mengevaluasi model machine learning dengan BigQuery ML untuk membuat prediksi data.

Pelajari lebih lanjut

In this advanced-level quest, you will learn how to harness serious Google Cloud computing power to run big data and machine learning jobs. The hands-on labs will give you use cases, and you will be tasked with implementing big data and machine learning practices utilized by Google’s very own Solutions Architecture team. From running Big Query analytics on tens of thousands of basketball games, to training TensorFlow image classifiers, you will quickly see why Google Cloud is the go-to platform for running big data and machine learning jobs.

Pelajari lebih lanjut

Selesaikan badge keahlian pengantar Mendapatkan Insight dari Data BigQuery untuk menunjukkan keterampilan dalam hal berikut: menulis kueri SQL, membuat kueri tabel publik, memuat sampel data ke dalam BigQuery, memecahkan masalah error sintaksis umum dengan validator kueri di BigQuery, dan membuat laporan di Data Studio dengan menghubungkannya ke data BigQuery.

Pelajari lebih lanjut

Selesaikan badge keahlian pengantar Menyiapkan Data untuk ML API di Google Cloud untuk menunjukkan keterampilan Anda dalam hal berikut: menghapus data dengan Dataprep by Trifacta, menjalankan pipeline data di Dataflow, membuat cluster dan menjalankan tugas Apache Spark di Managed Service for Apache Spark, dan memanggil beberapa ML API, termasuk Cloud Natural Language API, Google Cloud Speech-to-Text API, dan Video Intelligence API.

Pelajari lebih lanjut