COGNOS - Capacitación

Conceptos Básicos de Big Data y Aprendizaje Automático de Google Cloud

Código: GOO-043

Este curso le presentará las funciones de big data y aprendizaje automático de Google Cloud. Comenzará con una descripción general rápida de Google Cloud y luego profundizará en sus capacidades de procesamiento de datos.

Propuesta de Valor: GOOGLE

Duración: 8 Horas

Áreas de Conocimiento:

INFRAESTRUCTURA BIG DATA REDES Y TELECOMUNICACIONES

Exportar Contenido a PDF

AUDIENCIA

Analistas de datos, científicos de datos y analistas de negocios que están comenzando con Google Cloud.
Personas responsables de diseñar canalizaciones y arquitecturas para el procesamiento de datos, crear y mantener modelos estadísticos y de aprendizaje automático, consultar conjuntos de datos, visualizar resultados de consultas y crear informes.

PRE REQUISITOS

Un lenguaje de consulta común como SQL.
Extraer, transformar y cargar actividades.
Modelado de datos.
Aprendizaje automático y / o estadísticas.
Programación en Python.

OBJETIVOS

Utilice Cloud SQL y Dataproc para migrar cargas de trabajo de MySQL y Hadoop / Pig / Spark / Hive existentes a Google Cloud.
Emplear BigQuery y Cloud SQL para realizar análisis de datos interactivos.
Elija entre diferentes productos de procesamiento de datos en Google Cloud.
Cree modelos de AA con BigQuery ML, API de ML y AutoML.

CERTIFICACIÓN DISPONIBLE

Certificación emitida por COGNOS.

CONTENIDO

1. PRESENTACIÓN DE GOOGLE CLOUD PLATFORM

1.1. DESCRIPCIÓN GENERAL DE LOS CONCEPTOS BÁSICOS DE GOOGLE PLATFORM
1.2. PRODUCTOS DE MACRODATOS DE GOOGLE CLOUD PLATFORM
1.3. LABORATORIO: REGÍSTRESE EN GOOGLE CLOUD PLATFORM

2. FUNDAMENTOS DE COMPUTACIÓN Y ALMACENAMIENTO

2.1. CPU A PEDIDO (COMPUTE ENGINE)
2.2. UN SISTEMA DE ARCHIVOS GLOBAL (ALMACENAMIENTO EN LA NUBE)
2.3. CLOUD SHELL
2.4. LABORATORIO: CONFIGURAR UNA CANALIZACIÓN DE PROCESAMIENTO DE DATOS DE INGESTA, TRANSFORMACIÓN Y PUBLICACIÓN

3. ANÁLISIS DE DATOS EN LA NUBE

3.1. STEPPING STONES HACIA LA NUBE
3.2. CLOUD SQL: SU BASE DE DATOS SQL EN LA NUBE
3.3. LABORATORIO: IMPORTACIÓN DE DATOS A CLOUDSQL Y EJECUCIÓN DE CONSULTAS
3.4. SPARK EN DATAPROC
3.5. LABORATORIO: RECOMENDACIONES DE APRENDIZAJE AUTOMÁTICO CON SPARK EN DATAPROC

4. ANÁLISIS DE DATOS DE ESCALA

4.1. ACCESO ALEATORIO RÁPIDO
4.2. DATALAB
4.3. BIGQUERY
4.4. LABORATORIO: CREE UN CONJUNTO DE DATOS DE APRENDIZAJE AUTOMÁTICO

5. APRENDIZAJE AUTOMÁTICO

5.1. APRENDIZAJE AUTOMÁTICO CON TENSORFLOW
5.2. LABORATORIO: REALICE AA CON TENSORFLOW
5.3. MODELOS PREDISEÑADOS PARA NECESIDADES COMUNES
5.4. LABORATORIO: EMPLEE LAS API DE ML

6. ARQUITECTURAS DE PROCESAMIENTO DE DATOS

6.1. ARQUITECTURAS ORIENTADAS A MENSAJES CON PUB / SUB
6.2. CREA CANALIZACIONES CON DATAFLOW
6.3. ARQUITECTURA DE REFERENCIA PARA EL PROCESAMIENTO DE DATOS EN TIEMPO REAL Y POR LOTES

7. RESUMEN

7.1. ¿POR QUÉ GCP ?
7.2. A DÓNDE IR DESDE AQUÍ
7.3. RECURSOS ADICIONALES

GOOGLE