Inscreva-se Fazer login

Shriraj Mangrulkar

Participante desde 2021

Liga Bronze

2900 pontos
Processamento de dados sem servidor com o Dataflow: fundamentos Earned Mar 26, 2022 EDT
Como criar data lakes e data warehouses no Google Cloud Earned Mar 20, 2022 EDT
Como otimizar custos do Google Kubernetes Engine Earned May 25, 2021 EDT
Implantar aplicativos do Kubernetes no Google Cloud Earned May 22, 2021 EDT
Criar modelos de ML com o BigQuery ML Earned May 17, 2021 EDT
DEPRECATED Google Cloud Solutions II: Data and Machine Learning Earned May 10, 2021 EDT
Gerar insights a partir de dados do BigQuery Earned May 9, 2021 EDT
Preparar dados para APIs de ML no Google Cloud Earned Apr 27, 2021 EDT

Este é o primeiro de uma série de três cursos sobre processamento de dados sem servidor com o Dataflow. Nele, vamos relembrar o que é o Apache Beam e qual é a relação entre ele e o Dataflow. Depois, falaremos sobre a visão do Apache Beam e os benefícios do framework de portabilidade desse modelo de programação. Com esse processo, o desenvolvedor pode usar a linguagem de programação favorita com o back-end de execução que quiser. Em seguida, mostraremos como o Dataflow permite a separação entre a computação e o armazenamento para economizar dinheiro. Além disso, você vai aprender como as ferramentas de identidade, acesso e gerenciamento interagem com os pipelines do Dataflow. Por fim, vamos ver como implementar o modelo de segurança ideal para seu caso de uso no Dataflow.

Saiba mais

Embora as abordagens tradicionais de uso de data lakes e data warehouses possam ser eficazes, elas têm alguns problemas, principalmente em grandes ambientes corporativos. Este curso apresenta o conceito de data lakehouse e os produtos do Google Cloud usados para criar um. Uma arquitetura de lakehouse usa fontes de dados de padrão aberto e combina os melhores atributos de data lakes e data warehouses, o que resolve muitos desses problemas.

Saiba mais

Conclua o selo de habilidade intermediário Como otimizar custos do Google Kubernetes Engine para mostrar que você sabe criar e gerenciar clusters multilocatários, monitorar o uso de recursos por namespace, configurar o escalonamento automático de clusters e pods para maior eficiência, definir o balanceamento de carga para distribuição ideal de recursos e implementar sondagens de atividade e prontidão para garantir a integridade e um bom custo-benefício do aplicativo.

Saiba mais

Conclua o selo de habilidade intermediário Implantar aplicativos do Kubernetes no Google Cloud para demonstrar que você é capaz de: configurar e criar imagens de contêiner do Docker, criar e gerenciar clusters do Google Kubernetes Engine (GKE), utilizar o kubectl para o gerenciamento eficiente de clusters e implantar aplicativos do Kubernetes com a prática de entrega contínua (CD).

Saiba mais

Conclua o selo de habilidade intermediário Criar modelos de ML com o BigQuery ML para mostrar que você sabe: criar e avaliar modelos de machine learning usando o BigQuery ML para fazer previsões de dados.

Saiba mais

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.

Saiba mais

Conclua o selo de habilidade introdutório Gerar insights a partir de dados do BigQuery para mostrar que você sabe gravar consultas SQL, consultar tabelas públicas e carregar dados de amostra no BigQuery, solucionar erros comuns de sintaxe com o validador de consultas no BigQuery e criar relatórios no Data Studio fazendo a conexão com dados do BigQuery.

Saiba mais

Conquiste o selo de habilidade introdutório Preparar dados para APIs de ML no Google Cloud para demonstrar que você é capaz de: limpar dados com o Dataprep by Trifacta, executar pipelines de dados no Dataflow, criar clusters e executar jobs do Apache Spark no Managed Service for Apache Spark e chamar APIs de ML, incluindo as APIs Cloud Natural Language, Google Cloud Speech-to-Text e Video Intelligence.

Saiba mais